綜合能源系統整體架構設計及負荷預測

胡瑞琨，吳煜宇，鄭豪豐，李思維，賈睿，楊國華

(寧夏大學物理與電子電氣工程學院， 寧夏 銀川 750021)

0 引 言

綜合能源系統(integrated energy system，IES)是一種在規劃、建設以及后續運行環節，針對能源自產生到消費環節協調優化后構建的能源產供銷一體化系統[1-2]。相較分布式能源系統而言，綜合能源系統內部更多引入可再生能源提升供能多樣性，并通過各類能量存儲/轉換裝置提升綜合利用率[3]。針對此類系統做出精確負荷預測，有助于提升整體調度水平與穩定運行能力，與此同時，負荷預測作為當前人工智能技術與能源系統銜接最緊密的領域之一，國內外學者對此展開了廣泛探索：文獻[4]將歷史負荷數據作為輸入，采用卷積神經網絡提取高維特征，并將特征向量用于門控循環單元網絡輸入，引入Attention機制修正狀態變量權重，最終完成負荷預測；文獻[5]將深度置信網絡與多任務回歸相結合，深度置信網絡用于提取抽象特征，在此基礎上多任務回歸輸出預測結果。

綜合能源系統規模及量級差異較大，若針對各個分立系統建模，普適性有限且難以推廣，不利于整體預測。為此本文在剖析綜合能源系統架構的基礎上，引入能源節點作為最小單元劃分能源系統，在此基礎上就能源節點的負荷特點設計IES負荷預測模型。本文模型適配綜合能源系統架構，可作為統一方案用于IES負荷預測。

1 IES整體架構設計

為實現綜合能源系統整體互補協調，以能源節點作為最小單位設計IES整體架構。能源節點內部集成若干地理位置相近、供能呈現互補特征的供能系統，能源節點聚合構成區域能源網絡。區域能源網絡中的能源節點通過調度中心交互調度信息，控制能源節點能量交互水平。集群方式互聯可規避節點間連接松散。方案設計思路見圖1。

圖1 能源節點及區域能源網絡

能源節點可視作綜合能源系統最小組成單元，電能供應由分布式電源供電、能源節點間電能交互、配電網直接供電三部分構成。其中，節點內部供能在電能供應環節占據主導地位。僅靠節點內部供能存在缺額時，采用能源節點間電能交互及主干電網直接供能兩種形式加以補充。冷/熱負荷則以冷熱電三聯供設備為代表的多能耦合設備保障，階段調峰熱能可由儲熱設備加以補充。夏季聯供設備側重制冷，而冬天則側重于熱力取暖。氣類供應則分系統直接利用及應用電轉氣技術制備天然氣兩方面。當分布式電源出力水平較高，負荷水平有限且無法完全消納電能時，電轉氣設備可利用這部分盈余電能制備天然氣，這一部分天然氣可回流至對應能源節點，降低整體的運行成本，整體結構見圖2。能源節點可分為自治型、非自治型能源節點兩類：自治型節點可視為區域能源網絡中的非活躍方，主網直接供能作為輔助手段；當能源節點內部負荷等級或發電單元規模出現明顯變化時，能源節點可由自治型能源節點轉化為受、供能節點為代表的非自治型節點，有能力與外界發生能量交互，從而參與動態調度。

圖2 能源節點內部結構

2 負荷預測策略

2.1 負荷特征

能源節點內部組成及負荷量級各異，負荷呈現橫向及縱向周期性、強波動性、強歷史相關性三大特點：

1)橫向及縱向周期性。受日常用電習慣及工業用電場所生產特點的影響，能源節點的日負荷存在橫/縱向周期性。以星期作為單位橫向分析，同一區域能源網絡下各能源節點每周的工作日期間負荷與非工作日期間負荷呈現周期性；以星期作為時間單位縱向分析，每隔7天對應日期的負荷存在周期性。

2)強波動性。能源節點自身規模多數較小，負荷波動性強。考慮到天氣、節假日等因素影響，負荷特征也會呈現劇烈變化。

3)強歷史相關性。通常相近日期因負荷組成及負荷類型具有強相似性，負荷曲線常呈現出相同的負荷分布規律，而相隔時間較長的歷史負荷數據，由于長時間尺度下負荷組成與負荷類型會因天氣、溫度等自然條件及人類建設活動等因素發生改變，結果呈現弱相似性。

由此，在選取歷史負荷數據進行負荷預測時，應盡量選擇離預測日期較近的歷史負荷數據作為參照，或提高相近日期歷史負荷數據對結果的貢獻度，從而達到更好的預測效果。綜上，在針對能源節點內部負荷進行精準預測時，應根據負荷特性選取合適的預測方法，并克服負荷特性所帶來的負面影響。

2.2 負荷預測策略

機器學習技術的迅猛發展，為負荷預測提供了嶄新的解決思路，其中集成學習受到了人們的青睞。在集成學習中每個獨立的小模型被稱作學習器，這些學習器單獨訓練時受到訓練算法限制，對數據的處理存在局限，學習器只在某一方面表現較為出色，而在針對其他情況處理則不是很完備[6]，這些獨立的學習器僅可視作與最終預測結果呈現弱相關度的模型，不能直接拿來進行預測。集成學習將此種弱相關度的學習器整合，對于某一學習器可能出現的預測錯誤，通過學習器間的互補與相互糾錯，將結果優化，最終輸出性能更為優異的結果[7]，因此設計了一種基于Blending集成學習的IES負荷預測模型，如圖3所示。

圖3 基于Blending集成學習的多模型融合負荷預測模型

由圖3可知，基于Blending集成學習的多模型融合負荷預測步驟如下：

1)整合電力負荷及天氣數據得到負荷預測數據集。

2)把數據集按比例劃分為訓練集、驗證集與測試集三部分。采用KNN、SVR、GRU、Light-GBM 4種算法訓練第一層的學習器(M1-M4)。

3)將第一層訓練得到的模型用于預測驗證集，得到YM1-YM4 4組結果。將這一數據集用作第二層模型的訓練集。

4)將第一層訓練得到的模型用于預測測試集，得到ZM1-ZM4 4組結果。將這一數據集用作第二層模型的測試集。

5)采用LightGBM算法，訓練第二層模型，測試后得到最終結果。

模型中整合多種子模型信息，以此獲得更為優異的預測效果。第一層選取K最近鄰判別分析法(K-nearest neighbor，KNN)、門控循環單元網絡(gated recurrent unit networks, GRU)、支持向量回歸機(support vector regression，SVR)、LightGBM 4種算法對基學習器加以訓練，第二層選取LightGBM訓練元學習器，在第一層基礎上輸出預測結果。

選取KNN、SVR、GRU、LightGBM分別對基學習器1、2、3、4加以訓練。KNN用于訓練基學習器時，K值的選擇至關重要。K值較大時，泛化誤差減小但訓練誤差增大，預測錯誤概率增加；K值較小時，訓練誤差減小但泛化誤差增大，容易出現過擬合的情況；因此，在處理實際問題，依據樣本特點先選擇某一較小的K值，然后進行交叉驗證不斷修訂最終選取某一合適的值。

GRU是一種在循環神經網絡(recurrent neural network，RNN)及長短期記憶網絡(long short-term memory，LSTM)的基礎上構建的遞歸神經網絡[6]。門控單元賦予循環神經網絡控制其內部信息積累的能力，在學習時既能掌握長距離依賴又能選擇性地遺忘信息防止過載[7]。

GRU的門控單元僅包含更新門與重置門兩部分，針對長期狀態的取舍用兩個門結構加以實現。GRU這種簡化結構使得整體結構更為簡潔，在保證精度的同時加快了收斂速度。

式中：zt、rt、xt—當前時刻更新門、重置門及輸入狀態；

ht-1與ht—隱含層輸出狀態；

σsigmoid與φtan h—GRU激活函數；

Xz、Xr、Xh、Vz、Vr、Vh—權重矩陣。

SVR在處理樣本數據時，需要根據樣本數據的情況進行分類討論從而得到最終結果。針對能源系統的負荷預測情況，由于訓練集中的數據呈現非線性特征，故數據需要被映射至高維空間中，并求解對應的回歸估計函數。

回歸估計函數g(x)如式(2)所示：

g(x)=θ·φ(x)+P

(2)

相關最優化問題表示如下：

(3)

(4)

式中:θ—權值；

b—偏置;

τ—不敏感損失函數;

C—懲罰系數;

由于核函數可將線性不可分的數據映射至高維空間，使其線性可分，因此選取合適的核函數對提升模型預測精度具有重要意義。RBF核函數(radial basis function,RBF)泛化能力出色，受控參數少，故選取此種核函數映射樣本數據。

LightGBM是已有梯度提升決策樹 (gradient boosting decision tree，GBDT)的一種高效實現，是最新的一類梯度提升算法。LightGBM算法在已有梯度提升算法的基礎上做出改進，其訓練效率與準確率更高、占用內存更低，適用于大樣本高維度數據。

LightGBM中主要包含單邊梯度采樣(gradient-based one-side sampling，GOSS)與互斥特征綁定(exclusive feature bundling，EFB)兩種算法。GOSS在那些具有小梯度特征的樣本上實行隨機采樣，保留部分小梯度樣本a個，而梯度較大的b個樣本則全部保留。在實際處理中，為減小直接去除小梯度樣本對數據集本身分布的影響，計算信息增益時在小梯度數據的基礎上擴至(1-a)/b倍，這樣可保證小梯度樣本參與到訓練過程中，減少對數據集本身的影響。EFB則致力于采用特征捆綁的方式來減少特征。對于某些互斥特征可直接進行捆綁，而對于某些不滿足完全互斥的特征，引入沖突比例這一參考變量，在沖突比例較小時對相應特征采取合并。通過以上兩種方法的處理，數據量與特征量均得以減少，整體訓練速度大大加快。

在決策樹生長策略上，已有的算法多采取按層生長的方式，而LightGBM則采取了按葉子生長的策略，并附加深度限制。已有算法在采取按層分裂時，對同一層的葉子不加以區分，這一過程產生的無效搜索與分裂不可避免。按葉子生長的策略則解決了這一問題，分裂時選取分裂增益最大的葉子進行分裂。在相同的分裂次數下，按葉子生長的策略精度相較按層分裂的策略精度更高，然而這種按葉子生長的策略在處理實際問題時，容易長成較深的梯度樹，產生過擬合的情況。在控制分裂時，引入最大深度限制，防止出現過深決策樹的情況。生長策略對比如圖4所示。

圖4 生長策略對比

考慮到算法差異度越大，數據結構及數據空間多樣性越顯著，各類模型可取長補短，提升預測性能，通過采用Pearson相關系數這一指標衡量各基學習器的誤差關聯度：

(5)

針對模型做出性能評價時，采用多種評價指標可有效反饋模型的波動狀況及預測結果的好壞，因此，負荷預測模型常采用均方根誤差(root mean square error，RMSE)這一評價指標反饋模型波動情況，采用平均相對誤差(mean absolute percentage error，MAPE)這一評價指標來反饋模型預測的好壞。RMSE及MAPE表示形式為

(6)

(7)

式中:zi—某一時刻的實際值;

選取ARIMA模型作為對照，比較傳統負荷預測模型與本文模型差異，如式(8)所示：

(8)

式中:p—自回歸項數;

d—移動平均項數;

q—化為平穩時間序列需進行差分次數。

3 算例仿真

選取歐洲ENTSO提供的2017年1月至2018年12月間瑞士電力負荷數據及對應時刻天氣數據作為訓練數據，在此基礎上訓練并評價該模型。對應時刻天氣數據源自Dark Sky網站。數據采樣間隔以小時作為最小單位。依照具體平閏年的變動，每年數據采樣點個數會有所不同。模型預測時段介于2019年1月至12月，預測目標為未來1 h電力負荷變化情況。本模型選取歷史負荷信息、天氣數據中的溫濕度數據、時間數據作為輸入。其中歷史負荷信息涵蓋前8 h歷史負荷數據，時間數據按照對應月、日、小時、星期做出提取，分別作為特征輸入。歷史負荷數據中易被孤立的異常數據被剔除，視為缺失數據。所有的缺失數據依照默認方法填充。為使各類特征貢獻分散稀疏，減少數據相互影響，采用獨熱編碼對月、日、小時、星期等特征作離散化處理。

超參數設置及調優是模型性能提升及其重要的一環，針對不同的基學習器，本模型采用不同的調參方法尋找超參數最優組合：例如基學習器3可在網格搜索基礎上結合交叉驗證調參，基學習器4則可直接調用貝葉斯優化庫對參數做出調整。

本文各類學習器超參數設置如下：

1)基學習器1 K值設為6；

2)基學習器2隱藏層設為2層，對應神經元數目分別為30，10；

3)基學習器3選取RBF核函數將負荷數據映射至高維空間，其系數初始值設為10-4，懲罰系數設為100；

4)基學習器4學習率設為0.1，樹的數目設為500，葉子數目設為32，葉子節點最小數據量設為150，最小分裂增益閾值設為1，樣本采樣比例設為0.8，列采樣比例設為0.8。

為尋求基學習器最優組合，需要就本文智能算法預測誤差關聯程度展開分析，其結果如圖5所示。

圖5 本文算法預測誤差關聯程度

由圖5可知，由于各算法學習能力突出，難以避免在學習過程中引入訓練數據本身存在的固有誤差，故基學習器模型整體預測誤差相關度較高，因此，在選擇算法時應盡可能避免選取同源算法，例如在已選取GRU算法的情況下，盡可能避免選擇LSTM算法，選取的4種算法訓練機理差異顯著，滿足算法多樣性要求，可在此基礎上構建集成學習方案。

為評估所建模型性能，選取SVR模型及ARIMA模型作為對照，與所構建的Blending集成學習模型進行對比分析。考慮到不同月份負荷特征差異較大，選取2019年2，5，8，10月分別繪制負荷預測曲線。由于各月時長不同，為便于結果進行縱向對比，各月僅繪制該月前25天負荷預測結果。仿真結果如圖6所示。

由圖6可知，各月負荷曲線總體趨勢差異明顯，2月負荷水平較高，而本文Blending集成學習模型預測效果明顯優于基于統計學原理的ARIMA模型。相較于SVR這類單模型而言，Blending集成學習模型對負荷波動更敏感，與真實值曲線擬合程度較好。

圖6 2，5，8，10月前600 h負荷預測結果

采用RMSE、MAPE兩類參數對模型誤差加以評估，考慮到集成方式會對結果造成影響，設置一組基學習器僅集成LightGBM、SVR的對照模型。

由表1可知，本文所構建的模型精度更高，誤差更小，優于單模型負荷預測方案。這是因為集成學習模型可有效整合各類算法的獨特優勢，單模型預測較差的部分可經多模型互補。模型誤差也有所不同，提升基學習器多樣性有助于提升精度。

表1 模型誤差對比

4 結 論

在已有結構設計的基礎上，構建了基于能源節點的綜合能源系統整體架構，并在已有負荷預測模型基礎上，設計了基于Blending集成學習的IES負荷預測模型。該模型采用KNN，SVR，GRU，LightGBM 4種算法對基學習器加以訓練，采用LightGBM這一算法訓練元學習器。依照仿真結果，本文模型(RMSE=172.74 MW，MAPE=1.86%)預測效果明顯優于ARIMA這一傳統負荷預測模型(RMSE=857.56 MW，MAPE=8.85%)。

相較于LightGBM(RMSE=210.61 MW，MAPE=2.25%)，SVR(RMSE=228.89 MW，MAPE=2.47%)等現有預測模型，Blending集成學習模型對負荷波動更為敏感，誤差更小。通過設置基學習器僅集成LightGBM與SVR的對照模型(RMSE=197.43 MW，MAPE=2.03%)，可知模型訓練過程中提升基學習器的多樣性與差異性有助于提升模型預測精度。