基于并行粒子群算法的电力系统极限负荷预测研究

刘 卓，许 晨，叶 攀，卢 波

（国网湖北省电力有限公司黄石供电公司，湖北 黄石 435000）

0 引 言

随着现代社会的飞速发展，电力系统的负荷预测成为一个关键环节，对于城市电网规划设计具有重要作用。在电力系统的负荷预测过程中，如何提高预测的准确性是当前电力系统研究的重要方向。运用负荷预测能够保证电力系统的稳定运行，防止设备损坏。通过不断集成电力需求，能够准确预测电力系统的极限负荷。在电力系统中，运行方式正在发生深刻变化，导致实际操作存在许多不确定性因素，而可再生能源的输出变化更复杂。预测过程中，针对不同时期的预测需求提供相应的解决方案，能够提高负荷的预测精度。为避免负荷造成大量的经济损失，满足电能供需平衡，需要提升预测准确性来确保电网运行的安全稳定性，以达到节约成本的目的。在电力负荷预测过程中，预测电力的需求量，选择电力系统需要新增的容量，有助于提升电网的供电质量。通过全面掌握负荷发展规律，有利于实时分析数据安全，实现对故障的有效预防，同时需要校验和多级协调负荷预测结果，制订合理的调度计划，完成负荷预测。传统的负荷预测方法难以满足现代电力系统的需求，当电力需求波动时，可能影响电力系统的极限负荷[1]。规律性方面的处理能力不足，会导致预测误差较大，电力系统过载，严重时可能引发电网崩溃，造成大面积停电，使负荷预测结果难以达到预期[2]。本文以电力系统极限负荷预测为研究对象，运用并行粒子群算法，结合实际情况进行实验与分析。

1 电力系统极限负荷预测

1.1 电力系统极限负荷数据预处理

电力负荷根据供电地区的重要程度分成多种类型。在负荷结构中，掌握电力负荷特性是达成电力系统整体调度的前提[3]。根据已知的负荷序列，可预测未来一段时间内的电力负荷值。为减少预测误差，需要建立科学合理的负荷预测模型，选择真实的电力负荷数据，并预处理原始负荷序列数据。预测过程中，原始负荷序列数据中不符合规律的值为异常值。根据电力负荷具有的周期性，处理误差数据的公式为

式中：y为采样时间；d(y)为设定阈值；d(x,y)为不同时刻的负荷值。运用式（1）将差值与阈值进行比较，处理发现的异常值[4]。在消除异常值后，对数据进行归一化处理，经过归一化处理得到的数据为

式中：xmax为最大值；xmin为最小值；x'为计算值。如果数据不在区间内，则需要标准化处理数据，使数据能够按照一定的比例缩放后存放在特定的区间中，即为无量纲数据。通过一系列数据处理后能够补偿电力系统的缺失数据。根据负荷的实际情况选择合适的模型，将信号分解成负荷序列，并运用算法进行优化，将数据重构后带入预测模型。

1.2 并行粒子群算法在模型中的极限负荷预测

根据电力负荷历史数据的变化规律预估未来的负荷需求。在并行预测体系中，根据不同日期的负荷在相同时刻的相似性，建立一天中不同时刻点的预测模型进行单独预测[5]。从历史预测数据出发，结合未来电力负荷的时间与空间分布，安排电力系统的调度运行。具体的并行预测模型体系结构如图1 所示。

图1 并行预测模型体系结构

训练模型时，选择灰色神经网络的输入变量减少预测偏差[6]。将预处理后的数据输入模型中进行训练与反归一化处理，得到预测结果。使用粒子群算法进行预测，通过群体中个体间的相互协作与信息共享得到最优解。设定模型中存在一组粒子，不同粒子表示不同解的维数空间，通过改变粒子的位置得到最优解。在当前时刻，第i个粒子搜索到的最好位置记为pi。通过迭代能够得到当前时刻的最优粒子，粒子的位置更新公式为

式中：t+1 为粒子更新位置；t为初始位置；v为当前速度。为了防止v过大，需要进行约束，约束范围为v∈[-vmax,vmax]。确定随机初始化粒子的位置，并计算不同粒子的适应度函数。对比粒子的适应度值与当前个体的解，并进行位置更新。引入惯性权重w来增加全局与局部的搜索能力，通过调整w进行动态取值。调整公式为

式中：w0为权重初始值；w1为权重最终值；tmax为迭代最大值。通过调整可增强粒子搜索能力[7]。在搜索过程中，比较当前种群的适应度值与最佳适应度值，位置更优则进行替换，直到满足条件后结束。如果预测结果满足预先设定的阈值，则停止，反之则继续寻优。通过并行粒子群算法在模型中预测短期负荷数据，可有效改善算法的收敛问题，提升全局的预测能力。

2 实验测试与分析

2.1 搭建实验环境

实验在Python 2.3.6的Keras 1.2学习框架下进行。实验所用的数据集包含历史负荷数据等，采集数据的频率为30 s/次。训练数据并生成训练集与预测集，经过筛选后将数据作为模型的输入数据，归一化处理数据并输入全连接层，得到最终的预测结果。运用3种方法进行预测，其中本文方法预测的小组为实验组，传统方法预测的小组分为对照A 组和对照B 组。采用独热编码处理日期数据，并设置模型参数，具体设置如表1 所示。

表1 模型参数设置

运用不同预测方法迭代训练模型，并计算所有实验需要的数值。

2.2 结果与分析

针对3 个小组的输出模型，得到1 月30 日—4 月10 日的预测负荷曲线对比图，如图2 所示。

图2 模型预测对比图

由图2 结果可知，2 个对照组的模型预测结果不太理想，对照B 组存在2 个波谷阶段，增大了预测过程的误差，预测结果与真实值存在差异。相比对照组，实验组模型的表现较好，其预测结果与真实值更相符，说明使用本文预测方法能够较好地处理具有时序性特征的问题，使极限负荷预测结果更加准确和理想。

运用本文预测方法计算模型输出评价指标中的平均绝对误差值，计算公式为

式中：m为预测样本个数；(x,y)为样本预测值；G为样本平均值。10 次预测后，得到计算的平均绝对误差结果，判断该模型的拟合效果（规定误差范围为0.00 ～0.40 MW），结果如表2 所示。

表2 预测平均误差结果

由表2 数据可知，10 次实验后，计算的平均误差结果为0.32 ～0.36 MW，在规定误差范围内，符合预期要求，说明运用本文预测方法能够提升电力系统极限负荷预测的准确性，使整体的预测效果更佳。通过负荷变化特征，可达到对未来负荷的准确预测。

综上所述，运用本文电力系统极限负荷预测方法，当负荷变动频繁时能够提高预测稳定性，提取极限负荷的高维动态特征，使曲线拟合效果分别在不同阶段达到最佳。通过挖掘电力负荷的内在规律，可提升预测精度。

3 结 论

本文探究基于并行粒子群算法的电力系统极限负荷预测，分析短期电力负荷的特性，归类负荷，充分考虑温度和气象等因素，实现对电力系统极限负荷的有效预测。方法中存在不足，如非线性预测能力、不同频率特征分量及负荷数值相似性等问题。在今后的研究中，运用并行粒子群算法进行预测，避免网络在寻优过程中陷入局部最小值。通过使用预测方法得到较好的泛化能力，不断提高预测结果的准确度。