计及分布式能源时序不确定性的短期负荷预测技术

杨小龙，姚陶，孙辰军，魏新杰，张华铭，孙毅

（1.国网河北省电力有限公司信息通信分公司，河北 石家庄050000；2.国网河北省电力有限公司，河北 石家庄050021；3.北京清软创新科技股份有限公司，北京100080；4.华北电力大学 电气与电子工程学院，北京102206）

0 引言

目前，全球能源面临着较为严峻的形式，我国正处于能源绿色低碳转型的关键时期[1]，我国“十四五”规划明确指出，要力争在2025年实现“碳达峰”，因此加快构建以新能源为主体的新型电力系统对“双碳”目标的实现有着极其重要的作用[2]。风电、光伏等新能源的大规模开发及高比例并网能够大幅度降低碳排放量[3，4]，其中分布式光伏电源作为一种重要的新能源发电形式，对优化能源结构，推动节能减排，实现经济可持续发展具有重要意义。在新型电力系统下，配电网也将迎来全面的升级改造，全面、准确地掌握负荷的变化规律将会为配电网的规划建设以及电网运营者的经营决策提供可靠的信息和依据。但是，分布式光伏电源不同于传统能源发电，它具有随机性、波动性以及间歇性等特性，这给负荷预测带来一定的困难，因此在新型电力系统建设过程中，要充分考虑分布式能源接入对新型电力系统的影响[5]。

短期负荷预测的方法有很多，主要方法有时间序列法[6]、回归分析法[7]、XGBoost[8]、模糊预测法[9]、深度神经网络法等。其中，文献[10]提出了一种数据挖掘预处理的支持向量机预测系统，通过数据挖掘技术，找出与预测日具有相同天气条件的历史短期负荷组成数据序列，作为支持向量机的训练数据，从而提高预测精度。文献[11]提出了一种基于深度神经网络混合模型的短期负荷预测方法，先采用卷积神经网络提取特征向量，再采用长短期记忆神经网络提取负荷时序特征，该方法在预测精度上有所提升。文献[12]对传统极限学习机（ELM）算法进行了改进，采用全局寻优法对ELM算法进行优化，该方法只是对ELM算法的参数进行了寻优，但是对负荷序列内部特征的学习还存在一定的局限性。文献[13]提出了一种改进的集成经验模态分解和深度信念网络相结合的用户侧净负荷预测方法，该方法首先通过改进的经验模态分解算法将原始净负荷分解为若干个本征模态函数（IMF），再使用深度信念网络对每个IMF分量进行特征提取和预测，最后将多个目标预测结果累加得到最终用户侧净负荷预测结果，该方法能够解决分布式电源与负荷耦合下的负荷预测问题，但是未考虑外部环境因素对净负荷的影响。综上所述，目前大多数预测算法在负荷预测领域有着出色的表现，随着分布式电源的大规模接入，用户侧负荷预测难度将大大增加，因此对电网调度工作者来说，研究新的预测方法和技术变得极其重要[14]。

本文基于分布式光伏接入对电网负荷的影响，提出了一种分布式光伏接入场景下的短期负荷预测方法。由于分布式电源主要部署在用户侧，因此对不同的用户产生的影响不同。为了提高电网负荷短期预测的精度，文章首先基于大数据分析技术探索用户负荷特性、分布式光伏出力特性以及外部因素对二者变化趋势的影响。在上述分析基础上，提出了融合自注意力的长短期记忆神经网络短期净负荷预测模型，充分提取时间序列之间的依赖关系，并采用灰狼优化算法对上述预测模型的参数进行优化，训练出预测能力最优的模型。最后通过算例分析，验证了本文所提方法的合理性和有效性。

1 考虑分布式光伏接入的配电网

光伏发电是一种将太阳能转换为电能的新型发电技术，具有清洁、可再生的特点，具有广阔的发展前景。目前分布式光伏主要有屋顶光伏、产业园区光伏以及农业养殖光伏等。如图1所示，分布式光伏发电系统通过一系列变换输出交流电供给用户自身负载，多余发电量可以存储起来或者上送电网。这种发电方式具有输出功率小，发电用电共存，清洁高效，可灵活调节等特点，在一定程度上可以缓解局部地区的用电压力。

图1 用户侧接入分布式光伏接线图Fig.1 Distributed photovoltaic wiring diagram for user access

分布式光伏一般安装在电表之后，因此装置采集到的数据为光伏出力和配电网用户负荷的耦合结果，即配电网净负荷[15]。如式（1）所示，净负荷指用户实际负荷与分布式光伏出力的差值。

式中：Pn为净负荷；Pactual为用户实际负荷；Ppv为光伏出力。

图2为光伏出力特性以及含分布式光伏的负荷曲线，选取连续3 d的历史数据，采样频率为15 min，共288个负荷点。从图2中可以看出，间歇性分布式光伏接入配电网改变了原有的负荷特性，白天时段分布式光伏开始发电，净负荷出现低估且伴有强的波动性和间歇性，夜晚光伏不出力，净负荷保持原有特性。

图2 含分布式光伏的负荷特性曲线Fig.2 Load characteristic curve with distributed PV

2 负荷特性及相关性分析

2.1 Pearson相关系数

Pearson相关系数通常可以用来定量分析变量之间的线性相关性，通过式（2）可以计算两个变量之间的相关程度。

式中：ρX，Y为相关系数；X为自变量；Y为因变量。

2.2 用户侧负荷特性及其影响因素

按用电性质可将负荷大致分为工业负荷、商业负荷以及居民负荷[16]。不同类型的用户负荷特性差异较大，工业用户的用电量较大，负荷较为稳定。商业负荷主要指大型商场、写字楼等商业场所的照明、空调、动力等用电负荷，覆盖面积较大，且用电增长平稳，具有典型的季节性波动特性。居民负荷特性与人们的日常生活方式以及工作规律有着较为紧密的联系，主要用电负荷是城镇居民的家用电器，同样有着明显的季节性波动特点。图3为三大类型用户负荷的日特性曲线。

图3 三大类型用户日用电负荷特性曲线Fig.3 Daily power load characteristic curves of three types of users

为了探索外部环境因素对用户侧负荷的影响，文章通过计算Pearson相关系数定量分析变量间的相关性。表1给出了天气因素与某商业用户负荷之间的相关性系数，可以看出温度对用户负荷变化规律的影响较为显著。因为当外界环境温度过高时，大量制冷设备被投入使用，负荷也相应增加；温度过低，用户须要投入大量制热设备来提高室内温度，导致用电负荷也随之增加。

表1 某商业用户负荷与天气因素之间的相关系数Table 1 Correlation coefficient between a commercial user's load and weather factors

2.3 光伏出力特性及其影响因素分析

图4给出了4种不同天气条件下光伏出力曲线。不同天气类型下，光伏出力会出现较大的差异。晴天光伏出力较好，光伏出力呈现一个山峰型；多云天，光伏出力受云的影响，出现较大的波动性；当出现阴转晴的情况时，分布式光伏出力将随着阴转晴的过程逐渐增强；在阴雨天，光伏出力较差。因此，不同类型的天气造成了光伏出力的随机性和不确定性。

图4 不同类型天气下光伏日出力特性Fig.4 Photovoltaic sunrise force characteristics under different types of weather

为了定量分析气象因素对光伏出力的影响，表2给出了光伏出力与各影响因素之间的Pearson相关系数。由表2可以看出，温度、湿度以及直接辐射度与光伏出力之间存在着较强的相关性，而风速、气压与光伏出力之间的相关性较弱。因此，温度、湿度、直接辐射度对光伏出力有着较大的影响。

表2 光伏出力与各影响因素之间的相关系数Table 2 Correlation coefficients between photovoltaic output and various influencing factors

通过对光伏出力特性以及影响因素分析，可以得出在天气晴朗条件下，光伏出力受光照强度和环境温度的制约，表现出明显的规律性和周期性；在天气条件不好的情况下,其出力会出现不确定性和随机性。

3 相关算法及预测模型

3.1 自注意力机制

在进行时间序列建模时，不同时刻点之间存在着一定的相互依赖关系，自注意力机制[17]（Self Attention Mechanism）可以最大程度上挖掘任意两个点之间的关系，在进行时序预测时抽取强相关特征点的关键信息，使得预测更加准确。

首先，对样本的m个序列[x1，x2，…，xm]进行自适应线性映射，样本被转换成3个长度为d的向量qi，ki，vi，再将3个向量并联组合成矩阵Q，K，V，根据式（3）计算矩阵S，S为m个序列间的权值集合；再经过式（4）标准化后变成Sn[Sn1，Sn2，…，Snm]T。

根据式（5），使用Soft max函数将权值转换成概率形式P=[P1，P2，…，Pm]。

最后，根据式（6）获取加权矩阵Z：

因此，自注意力过程如下：

3.2 长短期记忆神经网络

时间序列具有较强的历史依赖性，相邻时间点的关联性较大。为了更好地学习这种时序特征，本文采用长短期记忆神经网络（Long Short Term Memory，LSTM）[18，19]，LSTM延续了RNN主体结构，区别在于LSTM在隐藏层中增加了门控结构，分别是遗忘门、输入门、输出门，同时新增了一个记忆单元，通过记忆单元ct来保持长期记忆，具体更新流程如下：

式中：xt表示t时刻的输入；ht-1表示t-1时刻的隐藏层状态值；ft，it，ot分别表示t时刻遗忘门、输入门、输出门的值；wf，wi，wo分别表示遗忘门、输入门、输出门在特征提取过程中ht-1的权重系数；vf，vi，vo分别表示遗忘门、输入门、输出门在特征提取过程中xt的权重系数；at表示t时刻对ht-1和xt的初步特征提取；tanh表示正切双曲线函数；σ表示激活函数Sigmoid。

3.3 灰狼优化算法

灰狼优化算法（Grey Wolf Optimizer，GWO）是一种智能优化算法[20]，具有收敛性能强、参数少、易实现等优点。GWO优化大致包含灰狼的社会等级分层、跟踪、包围和攻击猎物等捕猎过程[21]，其优化过程如下。

①社会等级分层

GWO优化须建立灰狼社会等级层次模型，主要有4层社会等级。通过计算种群个体适应度，将狼群中适应度最好的3匹灰狼依次标记为α，β，δ，剩下的灰狼标记为ω。

②包围猎物

灰狼在狩猎过程中的围猎行为可表示为

式中：t为当前迭代次数；Xp（t），X（t）分别表示当前猎物和灰狼的位置向量；D表示个体与猎物之间的距离；A，C为系数向量。

由式（17），（18）计算可得：

式中：a为收敛因子，随迭代次数增加线性递减；r1，r2是[0，1]中的随机向量。

③狩猎

灰狼能够识别猎物的位置并包围它们。当灰狼识别出猎物的位置后，在α，β，δ的带领下指导狼群包围猎物。灰狼个体跟踪猎物位置的数学模型如下：

式中：Xα，Xβ，Xδ分别表示当前狼群中α，β，δ的位置向量；Dα，Dβ，Dδ分别表示当前候选灰狼与最优灰狼α，β，δ之间的距离；当时，灰狼之间尽量分散在各区域并搜寻猎物，当时，灰狼将集中搜寻特定区域的猎物。

④攻击猎物

当猎物停止移动时，灰狼通过攻击来完成狩猎过程。

3.4 考虑分布式光伏接入的负荷预测模型

①模型输入输出

通过负荷特性及相关性分析，选择光照辐射度、环境温度、相对湿度以及历史净负荷数据构造净负荷预测的输入特征集，预测输出为下一个时刻的净负荷。

②融合自注意力机制的LSTM神经网络预测模型

由于分布式光伏的接入，使得原有负荷预测变为净负荷预测，图5是融合自注意力机制的LSTM神经网络预测模型。在进行净负荷预测之前，须要构造用于模型训练的输入输出数据，基于相关性分析，在影响光伏出力和负荷变化规律的关键因素中筛选出最优的特征集作为输入输出数据。输入数据经过输入层传递到LSTM神经网络层，经过3层LSTM，可以充分学习特征序列的长期依赖性，形成持久的信息记忆，时序的变化规律特性也能够得到更好的学习。在Self Attention层，对序列中强相关特征赋予更高的权重，使得预测更加准确。最后，通过全连接层将其堆叠起来，直接生成净负荷预测值。

图5 融合自注意力机制的LSTM神经网络模型Fig.5 LSTM neural network model integrated with self-attention mechanism

③GWO优化Self Attention-LSTM神经网络预测模型的步骤

图6为GWO优化Self Attention-LSTM预测模型流程图。通过构建Self Attention-LSTM神经网络模型来实现对考虑分布式光伏接入场景的净负荷预测，基于输入数据仅仅是对预测模型进行初步的训练，要想使模型具有更出色的性能和预测效果，还须对其进行优化，寻找最优的参数组合。因此，本文采用GWO算法对Self Attention-LSTM预测模型进行寻优，使得模型在最优状态下，输出误差较小的净负荷预测结果。

图6 GWO优化的Self Attention-LSTM预测模型流程Fig.6 Flow chart of GWO optimized Self Attention-LSTM prediction model

4 算例分析

本文算例使用在中国北方某城市含分布式光伏的用户侧采集的数据，数据集包括该地区2020年6-8月份的用户侧负荷数据、分布式光伏的出力数据以及相应的气象数据。首先对采集的样本数据进行预处理，然后通过相关性分析来构建模型输入特征集。70%的样本数据作为训练集，30%的样本数据作为测试集。

4.1 数据预处理

本文通过最大-最小数据归一化方法，将模型输入数据转换为[0，1]的数据，消除量纲之间的影响，其转换关系如式（22）所示。

式中：x*为数据归一化后的值；x为原样本数据；xmax为原样本数据中的最大值；xmin为原样本数据中的最小值。

4.2 数据预处理

为了检验本文所提方法对考虑分布式光伏接入场景的负荷预测效果，采用均方根误差（Root Mean Squared Error，RMSE）和平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）两种评价方法，具体见式（23），（24）。

式中：n为样本容量；y^i为预测值；yi为实际值。

4.3 模型超参数设置

本文在搭建深度神经网络预测模型过程中，会产生训练迭代次数、数据批量处理大小、网络层数、每层神经元的数目等一系列超参数，而且GWO算法在优化预测模型过程中，也须要设置迭代次数、种群大小以及调控参数等。本文所提预测模型的具体参数设置如表3所示，表3给出了模型在训练及寻优过程中产生的超参数以及最优数值。在寻优过程中，选择预测模型训练迭代次数、批量处理大小、LSTM层数、每层LSTM神经元数目以及全连接层神经元数目作为GWO的寻参变量，因此GWO优化的变量维度为5。

表3 预测模型及优化算法参数设置Table 3 Parameter Settings of prediction model and optimization algorithm

4.4 预测结果及分析

图7为采用GWO优化的Self Attention-LSTM神经网络预测模型的净负荷预测效果图。从图7中可以看出，本文所提方法有着出色的净负荷预测效果，且净负荷预测值更接近于实际净负荷值。

图7 GWO优化的Self Attention-LSTM神经网络预测模型的净负荷预测效果Fig.7 Net load prediction effect diagram of GWO optimized Self Attention-LSTM neural network prediction model

为了验证本文提出的净负荷预测方法的有效性和优越性，分别采用长短期记忆神经网络（LSTM），XGBoost以及BP神经网络3种预测模型与GWO优化的Self Attention-LSTM神经网络预测模型进行对比分析。表4给出了4种模型的测试结果，分别从RMSE和MAPE两个方面进行评价。其中，本文所提考虑分布式光伏的净负荷预测模型的RMSE和MAPE低于其他3种预测方法。

表4 4种方法净负荷预测精度对比Table 4 Net power prediction accuracy comparison of the four models

5 结束语

考虑分布式光伏接入对用户侧负荷的影响，本文提出了一种基于灰狼算法优化的自注意力LSTM神经网络模型，实现对含分布式光伏的负荷预测。首先，对用户侧负荷、分布式光伏出力特性及其影响因素进行分析，采用Pearson相关系数定量分析天气因素对负荷及光伏出力的影响，筛选出了影响较强的因素作为输入特征集。其次，将自注意力机制和LSTM神经网络融合到一起，给予输入特征不同的关注度，使得LSTM神经网络具有更好的学习能力。最后，采用灰狼算法对Self Attention-LSTM神经网络预测模型进行参数寻优，得到预测效果更佳的模型。通过算例分析验证了本文所提预测方法的有效性和可行性，并与其他预测模型进行对比，本文所提方法具有较高的预测精度。