基于數據分析技術的高精度負荷預測與電網智能斷面調控

張建國，常 倩

(中國石油集團電能有限公司，黑龍江 大慶 163453)

0 引 言

大數據分析技術逐漸應用于電力系統，有效提升電力系統數據的多元性，為系統分析與規劃提供多元的數據基礎，有助于電力系統實現負荷預測和斷面控制。為此，需要對基于大數據分析技術的高精度負荷預測與智能斷面調控進行研究。針對負荷預測，文獻[1]提出一種基于EMD-DA-LSSVM的短期電力負荷預測方法，文獻[2]提出一種并行多模型融合的混合神經網絡超短期負荷預測，文獻[3]提出一種利用溫度信息及深度學習方法實現高精度電力負荷預測方法，文獻[4]提出一種考慮多因素的深度學習融合方法實現負荷預測，文獻[5]提出基于改進多因素灰色模型的高耗能行業負荷預測方法；針對電網斷面調控策略，文獻[6]提出電網輸電斷面動態熱穩定限值在線計算方法，文獻[7]針對考慮電網靜態安全的輸電線路動態增容系統進行了分析，文獻[8]提出一種特高壓交直流接入后電網斷面潮流綜合評價方法，文獻[9]針對考慮日內來水不確定和電網斷面約束的梯級水電日前調度進行了分析，文獻[10]提出一種區域電網內多輸電斷面有功協同控制策略在線生成方法。可見，目前高精度負荷預測主要是指短期負荷預測，已有利用深度融合等數據分析技術進行研究的內容，而針對斷面調控策略，大多文獻主要研究斷面約束，具體的斷面調控策略與系統運行特性還需進一步分析。

因此，針對系統數據特點，分析基于循環神經網絡的長短期記憶結構，制定基于長短期記憶高精度預測流程；針對互聯系統聯絡線功率交換進行分析，提出智能斷面控制策略，建立考慮聯絡線功率的調度模型。

1 高精度負荷預測與電網智能斷面調控

電網斷面調控是對電力調度定義的斷面進行負荷、出力以及全網潮流控制的方法。由于斷面控制與電力系統潮流控制密切相關，而電力系統潮流對電力負荷進行預測需要通過潮流計算得到。因此，負荷預測的精度影響著潮流斷面的調控方式。

現階段，可再生能源以及隨機性負荷不斷接入電網，電網的負荷波動程度逐漸加大，并且隨著負荷的逐漸增長，負荷預測水平也亟需提高。在電網智能斷電調控方面，負荷預測與機組出力的安排計劃密切相關，電網智能斷面調控反映了電力系統斷面的穩定程度以及潮流控制方法，因此，實現負荷高精度預測有助于提升電網調控的可靠性和智能化水平。在電力系統調度管理領域，斷面調控也是針對負荷預測以及機組出力安排條件下的優化問題，輸入條件精度越高，優化結果也會更佳。

2 負荷預測方法

2.1 基于循環神經網絡的長短期記憶

循環神經網絡(recurrent neural network，RNN)是一種特殊的神經網絡，能夠與個體層之間的反饋結構進行連接。循環神經網絡能夠在序列中對所有的元素進行同樣操作，因此，能夠實現與非循環神經網絡之間的時間序列特征互補，從而不依賴于輸入數據之間的關系。

如圖1所示，A為RNN神經元，xt為t時刻序列輸入，ht為神經元輸出，同時也是t+1時刻的輸入。循環神經網絡擁有記憶功能，是依靠前一神經元的輸出確定的。利用循環函數f可以計算時間序列的輸出，表達式如下：

ht=f(ht-1,xt)

(1)

圖1 長短期記憶示意圖

循環神經網絡存在梯度消失問題，即在后向傳播過程中，誤差逐漸變小，導致靠前的網絡層學習效率逐漸降低。因此，利用長短期記憶可以有效克服這一問題，將神經元狀態引入循環神經元。在長短期記憶中，需要加入神經元狀態和三種門，如圖2所示。長短期記憶的輸出如式(2)～(7)所示。

ft=σ(Wf[ht-1,xt]+bf)

(2)

it=σ(Wi[ht-1,xt]+bi)

(3)

ot=σ(Wo[ht-1,xt]+bo)

(4)

(5)

(6)

ht=ot·tanhCt

(7)

圖2 循環神經網絡示意圖

為實現電力負荷的高精度預測，利用所提方法預測需要識別影響負荷預測的主要因素,如氣象條件、社會政策等。這些因素與負荷統計具有非線性關系，因此很難全面考慮這些因素對負荷預測的影響。同時，負荷有著很強的時間特性，每日、每周、每月的特性可能出現差異，負荷預測應當反映這些特點，基于長短期記憶的神經網絡預測方法能夠有效解決上述問題，反映負荷波動以及相應因素之間的影響結果。所提方法的輸出可以作為下一日的小時負荷輸入。

小時負荷有著明顯的周期性，這與用戶的用電行為習慣有關。一方面，所提方法需要利用歷史負荷作為輸入，以反映負荷的變動趨勢，在利用歷史數據之前，需要對負荷進行時間序列分析，從而預測負荷變動趨勢、負荷特性以及異常狀況；另一方面，溫度的變化對于用電負荷的特性也有明顯的影響，人類的活動與溫度的變化密切相關，因此電力負荷與溫度之間的關系也呈現明顯的周期變化特點。

2.2 高精度負荷預測方法

利用大數據預測方法，結合所提的深度神經網絡，將數據分為訓練數據和測試數據。訓練數據用于神經網絡訓練，測試數據則用于測試訓練結果，并實現預測日的負荷輸出。基礎數據結構對于訓練數據和測試數據來說是相似的。因此將神經網絡的訓練數據輸入作為目標值，所提方法使用負荷的具體特征進行輸入。神經網絡需要利用相應的層次進行對比訓練。訓練數據和測試數據包括兩種輸入、歷史數據及預測數據。文中歷史數據意味著用于負荷預測的最新輸出數據，包括前一日數據、前一周數據、小時溫度、平均負荷等。預測數據主要是預測日的數據，包括時間、預測溫度、預測的平均負荷等。

選擇合適的神經網絡從數據中抽取相應的特征，并對數據之間的關系進行學習。負荷預測流程。如圖3所示，長短期記憶用于從歷史數據中抽取特征，除了歷史數據，預測數據也需要引入神經網絡。所提方法能夠有效利用大數據所提供的歷史數據以及預測信息，對預測負荷進行計算所有來自神經網絡和全連接層的輸出。

歷史數據中，D為日數據，H為小時數據，T為溫度數據，L為負荷，AL為平均數據；預測數據中，PD為預測日數據，PH為預測時間數據，PT為預測溫度，FL為預測負荷。最終輸出層和目標值之間相差均方誤差，并需要將該誤差控制在指定范圍。

圖3 負荷預測流程

3 智能斷面控制方法

3.1 聯絡線功率

自動發電控制是聯絡系統間功率控制的重要過程，也是用于平衡系統之間有功出力、負荷以及網損的重要方法。自動發電控制能夠保證聯絡系統之間頻率的穩定以及功率交換的穩定，因此也被稱為聯絡線偏差控制。聯絡線功率交換示意圖如圖4所示。

圖4 聯絡線功率交換示意圖

自動發電控制利用比例積分控制，相應的自動發電控制參數是電力系統設計中的重要內容。每一區域的自動發電控制需要將系統頻率保持在額定值。另外，區域1的自動發電控制能夠基于區域2的PMU(power management unit, 電源管理單元)量測信息對聯絡線功率進行調節[11]。理想狀態下，聯絡線的功率(areacontrol error, ACE)等于0。計算式如下。

ACE=ΔP1-2-λ·Δf

(9)

式中：Δf為頻率偏差；ΔP1-2為聯絡線功率偏差；λ為偏差因子。

某地區典型的功率偏差曲線如圖5所示。

圖5 頻率偏差曲線

自動發電控制能夠以每秒為間隔調整系統之間的機組處理，自動發電控制的響應時間之和與全系統相比大于該間隔。也就是說，在時間t時刻自動發電控制的輸入能夠在一個時間間隔之后提供相應的改變量。該時間延遲也就是自動發電控制的響應時間，聯絡線的參考功率會隨著區域內機組的發電量進行動態調整，聯絡線功率不考慮這個時延。因此，聯絡線功率的偏差可以進行最小化優化。

3.2 考慮聯絡線功率的調度控制模型

以系統發電機組成本最小為目標，建立相應斷面控制模型。

(9)

|dijsin[eij(Pij,min-Pij)]|

(10)

式中：aij,t，bij,t，cij,t為機組i的成本系數；dij，eij為區域j火力機組i的燃料消耗系數；Pij,t為區域j機組i在t時刻的出力；f為目標函數；F為成本函數。

1)機組出力限值

Pij,min≤Pij,t≤Pij,max

(11)

式中：Pij,min和Pij,max分別為區域j機組i有功出力下限和上限。

2)聯絡線功率限值

PTjk,min≤PTjk,t≤PTjk,max

(12)

式中：PTjk,t為區域j和k的聯絡線功率；PTjk,min和PTjk,max為傳輸功率下限和上限。

3)區域功率平衡約束

(13)

式中：PL為傳輸網損；PDj為區域j的負荷需求。

4)網損約束

(14)

式中：Bij、B0j、B00為輸電線路網損系數。

3.3 斷面控制方法

由上述內容可知，ACE是反映電網負荷與發電之間偏差的指標。ACE等于0是電網理想狀態，表明發電與負荷平衡；當ACE為正數時，表明發電過多，此時需下調發電出力；當ACE為負數時，表明負荷增大，此時需上調發電出力。

而在對聯絡線偏差進行調節時，必然會對機組、負荷相關的斷面有功產生影響，為了保證各網架斷面在安全限值內運行，因此，在進行聯絡線調節時需兼顧斷面的安全，當斷面越限時，斷面下關聯的機組將優先對斷面進行調節，保障斷面的安全運行。

智能斷面調控是在聯絡線功率控制基礎上，將斷面的越限情況作為功率分配的參考，實現剩余調節功率。控制過程中，根據斷面有功和設定的斷面限值將斷面分為正常區、幫助區、緊急區和越限區。斷面在正常區時，機組跟蹤ACE進行調節，不受斷面影響。而在越限區，需要計算斷面越限調節量，將斷面下可參與調節的機組按負荷率進行排序，如果斷面越正向限值，排序靠前的機組依次下調一個步長，直到斷面有功恢復到限值內；如果斷面越反向限值，排序靠后的機組依次上調一個步長，直到斷面有功恢復到限值內。

斷面既包括電網實際斷面，也包括調度定義的虛擬斷面，如全網機組總出力、各區域總出力等。在進行斷面控制時，需要先計算出控制斷面的控制偏差，該控制偏差為斷面輸出潮流限值與斷面實際潮流值，并留有一定的穩定裕度。

聯絡線控制功能模塊自動將斷面控制偏差按照給定的機組功率分配策略分配給各個參與調整的區域，參與斷面控制分配得到的分配量對參與調整區域電量按原計劃進行修正得到控制目標后，再將其發送至各個子系統。

斷面調節功率分配算法流程如圖6所示。各層次的斷面的優化搜索過程類似，因此采用遞歸算法將復雜的多級優化問題層層轉化為一個與原問題相似的規模較小的問題來求解。

圖6 斷面控制流程圖

4 算例分析

4.1 負荷預測

為說明所提方法的有效性，將所提長短期記憶預測方法與短期負荷預測方法進行對比。將某地區3日24 h負荷作為歷史數據進行輸入。

定義負荷預測誤差[12]如下式：

(15)

式中：Lm,t為時間t的負荷量測值；Lf,t為時間t的負荷預測值；n為時間步長。

日內平均負荷誤差結果見表1。與短期負荷預測方法相比，所提方法的誤差更小；短期負荷預測中，后兩日的負荷是根據之前三日的負荷進行預測的，因此傳統短期預測方法不能反映相鄰日之間負荷的相關性；而所提方法利用相鄰日的數據進行輸入，彌補了傳統方法的不足。

4.2 聯絡線功率控制

采用兩區域6機進行仿真，考慮含有聯絡線控制和不含聯絡線控制兩種情況進行分析。含有聯絡線控制的功率求解結果見表2。

表1 日內平均負荷誤差結果

表2 考慮聯絡線功率求解結果

采用同樣的方法，對不含有聯絡線控制約束的模型進行仿真分析，功率求解結果見表3。

表3 不考慮聯絡線功率求解結果

可以看出，對于含有聯絡線功率控制的模型，機組的出力更加保守、成本更低，考慮到聯絡線功率之間的交換，雖然存在一定誤差，但可以實現不同區域之間機組功率的協調匹配;而沒有含聯絡線功率控制的模型求解，功率結果偏大，成本也較高。

5 結 語

利用所提方法進行負荷預測與電網智能斷面調控仿真，通過仿真試驗得到如下結論。

1)長短期記憶負荷預測能夠有效利用數據的歷史，反映歷史數據與預測數據之間的相關性，彌補了傳統方法的不足，預測精度更高；

2)聯絡線斷面預測模型利用機組最優控制策略，能夠確定機組出力、聯絡線功率，實現機組出力和區域控制偏差的最優結果，有效控制了系統成本。