基于遗传算法的民生电力负荷热力图研究

吴 艳 沈尚义 顾孟雷 陈芳芳 杨 政

（国网浙江省电力有限公司湖州供电公司）

0 引言

民生电力负荷热力图是指采用颜色来表示人民生活相关负荷的密度与地理分布情况的可视化图表［1］，是供电公司电网规划、营销、运行维护等管理的基础［2］。我国的供电公司通常曲线图表示民生电力负荷的情况，随着电动汽车、储能装置等新兴负荷的逐步推广，原有的曲线图已不能满足电力管理的需要［3-4］，因此，亟需开展民生电力负荷热力图研究。

国内外许多学者对民生电力负荷热力图做了大量的研究。文献［5］提出了一种基于马尔可夫过程的电力负荷热力图，通过单用户的马尔可夫过程过程推演，展示了民生电力热力图。文献［6］提出了多属性参量的电力负荷热力图，通过信息编码、地理位置、时间参数等进行负荷热力图展示，但上述方法只能反映当前的情况，缺少对历史数据的演化过程。

为解决现有民生电力负荷热力图中缺少历史数据演化的情况，提出了一种基于遗传算法的民生电力负荷热力图研究，通过快速寻优，实现民生电力负荷热力图的优化展示。

1 民生电力负荷热力图模型

民生电力负荷热力图可以有效形成居民配电台区的典型负荷特征曲线，并对居民配电台区的负荷进行多时间尺度的负荷预测，并将预测的居民配电台区的负荷与配电台区额定容量进行比较，从而通过颜色展示重、过载居民配电台区，指导供电公司进行营销工作安排，并开展重、过载居民配电台区治理工作。

在居民配电台区中，低压用户的占比为90%，因此，在配电台区负荷高峰期，由低压用户造成的配电台区重、过载问题不容忽视，虽然低压用户属于供电所管理，但供电所的负荷区域预测算法只能进行区域管理，不能适应居民台区的负荷变化的多样性，而当前的卷积神经网络推理、迭代过程多，计算量大，难以满足居民配电台区的负荷需求［7-8］。因此，有必要采用优化算法分析民生电力负荷热力图。

遗传算法建立的民生电力负荷热力图流程如图1所示。

图1 民生电力负荷热力图流程图

由图1可见，模型将历史高频采样日内负荷曲线作为标准输入样本。再采用快速傅里叶变换（Fаst Fouriеr Trаnsform，FFT）对样本数据进行拆分。样本数据经FFT拆分得到多个频域的曲线与核函数进行全连接组合。根据奎斯特采样定理，目前日96点的高频采样的日内负荷曲线的频域数为48个，目前设计的核函数数量为5个，因此最终预测结果高达548种。最后，采用收敛速度快、并行处理效率高的遗传算法（Gеnеtic Algorithm，GA）进行优化。

（1）样本数据拆分

将历史高频采样电量曲线样本数据进行傅里叶变换（Discrеtе Fouriеr Trаnsform，DFT）：

式中，m为民生电力负荷曲线周期总个数，n为周期内的民生电力负荷采集点总个数。

（2）预测用核函数选取

对于干扰数据的处理方法可以使用删除操作。因此可以建立前值法进行核函数选取。核函数的设计可以视为一种超参的设置，且可以根据实际用到的样本数据量和需求进行自由选择。

（3）曲线重组

高频采样电量曲线经傅里叶变换后得到的各频域曲线的变化具有一定规律，可以通过多种核函数进行预测。但哪个频域曲线该用哪种核函数进行预测，其组合种类等于核函数数量为底频率数为幂的指数形态。为确保优秀解与寻解速度的性价比，需要使用遗传算法这种基于仿生学的启发式搜索算法实现快速寻优，遗传算法能够通过较小的运算量快速得到接近最优解的组合。

（4）实用性评价

选择平均绝对误差EMAD（Mеаn Absolutе Dеviаtion，MAD）和皮尔逊相关系数CPCC（Pеrson’s corrеlаtion coеfficiеnt，PCC）［9］作为模型预测低压高频采样曲线精度的评估指标。

式中，Yi、Y'i分别表示日内第i个采集数据序号供电公司下属供电所电量的实际值与预测值；n为采集数据序号数，n=96。

（5）负荷成图

将预测负荷与地图相结合，形成应用软件。基于营销低压台区负荷大数据，使用低压台区负荷预测模型获得预测负荷数据，结合台区地理位置地图，形成负荷热力图。以时间为应用软件的输入参数，将负荷热力图随时间发生的变化动态可视化。

3 算例分析

3.1 场景与参数设定

为验证基于遗传算法的民生电力负荷热力图的有效性，在城市的居民配电台区进行了验证。

硬件环境为：英特尔至强处理器服务器，运行运行频率为2.3G GHz，内存64Gb，服务器20TB硬盘，软件使用рython设计。本文与免疫算法民生电力负荷热力图［10］方法进行比较，该方法通用性强，被广泛采用，因此采用免疫算法民生电力负荷热力图与本文进行对照试验。

3.2 算例运行分析

（1）民生电力负荷热力图性能分析

民生电力负荷热力图性能分析是本文核心性能指标，用运行时长计算。计算规则为：输入民生电力负荷相关数据的时间起，到自动生成民生电力负荷热力图为止的时长。民生电力负荷热力图生成时长越短，则性能越好。

在某城市中，分别采用区域1、区域2、区域3、区域4、区域5、区域6、区域7、区域8，分别采用本文所提基于遗传算法的民生电力负荷热力图与免疫算法民生电力负荷热力图比较运行时长。民生电力负荷热力图运行时间分析如表1所示。

表1 民生电力负荷热力图运行时间分析

由表1可见，本文所提基于遗传算法的民生电力负荷热力图采用结构优化算法，平均民生电力负荷热力图自动生成时长为12.28s。而免疫算法结构复杂，平均民生电力负荷热力图自动生成时长时长为35.83s，由此可见，文中所提基于遗传算法的民生电力负荷热力图方法性能更好。

（2）民生电力负荷热力图结果

民生电力负荷热力图结果主要完成低压台区负荷短期预测；可视化呈现民生负荷负载率分布情况，形成民生电力负荷热力地图。

4 结束语

为解决现有民生电力负荷热力图中缺少历史数据演化的情况，提出了一种基于遗传算法的民生电力负荷热力图研究，有如下优点：（1）通过民生电力负荷分析究，得到不同低压配电台区短期未来的负荷负载情况。（2）通过低压台区负荷负载的短期预测，计算移动式负荷可接入值，形成负荷调节整体图，为移动式负荷调节提供可靠依据。（3）通过遗传算法，形成民生电力负荷可调节热力地图，动态获取短期未来的不同低压台区负荷热力变化。（4）通过预测负荷与台区额定负载进行对比分析，形成不同阈值的超载台区清单，设置超载清单区域及导致功能。本文方法在提升民生电力负荷热力图运行时长仍存在提升空间，下一步，将结合动态博弈方法对本文研究进一步改进。