面向區域化綜合能源調度的負荷預測算法設計

苗福豐，吳豫

（國網河南省電力公司，河南鄭州 450052）

能源是保障國家經濟發展和人民生活的命脈。多年來，人類的發展均依靠傳統的化石能源，而隨著化石能源枯竭與各種新能源技術的發展，世界能源結構將出現重大變革[1-4]。2020 年，我國提出了“碳中和”及“碳達峰”的雙碳目標，這意味著清潔能源將逐漸占據能源消費的主導地位。“十四五”是我國實現“雙碳”目標的關鍵窗口期，故深入開展多種能源協作的綜合能源系統研究，并提高清潔能源消費占比與化石能源利用率，對于降低碳排放均具有積極的意義。在此背景下，小范圍、區域化的綜合能源系統將扮演更為重要的角色[5-13]。但目前，綜合能源系統的應用仍存在諸多亟待解決的問題，其中之一便是綜合能源系統內的風能、太陽能等一次能源的供應具有波動性及隨機性。因此，只有精確實現區域內的負荷預測才能實現各種能源形式的有機調度。

近年來，隨著人工智能技術的發展，將負荷預測問題轉化為時間序列的處理問題，再借助神經網絡（Back Propagation，BP）、支持向量機（Support Vecor Machine，SVM）與小波分析等方法來進行數學分析，成為了解決能源負荷預測的主要思路[14]。該文針對某區域的綜合能源系統建立了調度模型，然后在時間序列分析的基礎上引入了循環神經網絡中的Seq2Seq（Sequence to Sequence）模型，實現了對負荷的預測。

1 理論基礎

1.1 綜合能源系統調度模型

區域綜合能源系統，是“雙碳”背景下的基礎供電單元。在該系統中存在多個能源源頭，且不同能源形式互相耦合。對于綜合能源系統的調度，與傳統的電力系統有較大區別。在滿足安全、平穩供電的前提下，綜合能源系統還需最大程度地降低運行成本及提升清潔能源占比。文中的區域綜合能源系統組成結構[15]如圖1 所示。

圖1 區域綜合能源系統結構圖

將區域能源的綜合調度問題進行抽象，能夠轉化為數學中的非線性規劃問題。記F為圖1 系統的運行成本，則該問題的目標函數可寫作：

其中，Ek、Gk、Pk、Lk分別是購電成本、天然氣成本、設備維護成本、設備啟停成本，且各自的計算方式如下：

其中，ζ、λ分別是各自的歸一化適應度，w是個體位置，P、F、L為相應的成本計算核函數，T為總的運行時間。

根據非線性規劃模型的定義，需找到實現函數目標的約束條件。對于區域綜合能源系統，首先變壓器Ti、輸電線路Pe、電鍋爐Pb、燃氣鍋爐TF等功率器件要滿足其功率限制：

其次，系統內的天然氣輸入Gin滿足其上下界與天燃氣管網Gfmn的壓力約束：

1.2 區域內負荷的短期事件預測算法

功率負荷是區域內能源綜合調度的唯一依據，因此在進行能源調度前需對調度時刻的能源負荷大小進行預測。短期的負荷預測精度與預測時所使用的算法相關聯，所以為了提升預測精度，該文提出了一種基于時間序列及Seq2Seq 網絡的預測算法[16-18]。

Seq2Seq 是一種特殊的循環神經網絡（Recurrent Neural Networks，RNN）。傳統的神經網絡中，不同元素間相互獨立，而信號通過全連接的方式在輸入層、隱藏層及輸出層之間相互傳遞，且同一層節點間沒有信號傳遞。但在處理時間序列問題時，不同時間節點之間的數據是有關聯的，因此傳統的神經網絡不再適用。在此種場景下，通常使用圖2 所示的循環神經網絡。

圖2 RNN網絡結構示意圖

從圖2 中可以看出，RNN 網絡同樣包括輸入層x、隱藏層h、輸出層y，且不同的隱藏層之間相互連接。對于t時刻隱藏層的狀態ht，有：

t時刻的輸出yt為：

其中，U、W、V是網絡中信號傳遞使用的共享參數，f、g分別為隱藏層與輸出層的激活函數。

從圖2 中還能看出，在經典的RNN 結構中，輸入及輸出的序列維度是相同的，這與該文的應用場景不符。因此，文中引入了Seq2Seq 循環神經網絡，該網絡的基本結構如圖3 所示。

圖3 Seq2Seq結構示意圖

Seq2Seq 由編碼器Encoder 和解碼器Decoder 組成。在t時刻，Seq2Seq 將輸入序列X={x1，x2，…，xm}，依次輸入編碼器的輸入端，通過編碼器中預置的非線性變換單元得到中間向量并存儲在c中。隨后，解碼器利用c中的信息與t-1、t-2、…、t-N前N個時刻的輸出值得到輸出yt，Seq2Seq 模型的數學表達如下：

從式（10）可以看出，通過引入編解碼器實現了輸入輸出序列的可變，從而保證了RNN 網絡在電力負荷預測場景中的可用性。編碼器的非線性變換函數可根據RNN 網絡的應用場景進行選擇，該文使用的是GRU（Gate Recurrent Unit）函數。GRU 中包含了更新門r、輸出門h及輸入門z共3 個門，其信號的流轉過程如下：

2 方法實現

2.1 實驗設計

在上文中，首先將區域綜合能源系統的能源調度問題轉換為數學中的非線性規劃問題，并給出了待調度區域的數學模型。隨后，針對該區域的能源調度研究了負荷預測的方法，并引入了一種基于Seq2Seq 網絡的循環網絡算法。接下來將對預測算法的精度及其在區域內能源調度中的可用性進行驗證。表1 給出了圖1 區域綜合能源各個能源節點的硬件配置情況。

表1 能源節點的配置情況

在評估負荷預測算法的精度時，使用平均絕對誤差（Mean Absolute Deviation，MAE）和均方根誤差（Root Mean Squard Error，RMSE）作為評價模型調度精度的指標。其中，MAE 能夠抵消正負誤差。而RMSE 則可描述預測結果的波動性，兩個指標的計算方法如下：

為訓練Seq2Seq 網絡，對圖1 所示的能源系統進行了數據采集。采集的時間為1 年，時間粒度為15 min/次，故對于氣溫、負荷數據每天可采集到96個樣本點。根據電力負荷的周期特性，設計了表2所示的網絡輸入特征。其中，日、周和月正余弦周期序列的特征構造方法如下：

表2 負荷預測算法構造的特征序列

其中，日、周、月的T、m取值如表3 所示。

表3 正余弦周期序列的取值表

表4、5 分別給出了負荷預測方法仿真時，所需的軟硬件及算法的仿真參數。

表4 算法仿真的軟硬件環境

表5 算法仿真參數

2.2 實驗結果

為了實現對圖1 區域能源的調度，首先要實現對電力負荷的精準預測。圖4為該文設計算法針對數據集中某日電負荷預測的結果。從圖中可以看出，預測值及實際值樣本點基本重合，且曲線走向一致。

圖4 算法預測曲線

為衡量該文算法的預測精度，表6 給出了圖4 中樣本點的計算結果。可以看出，該算法的預測精度較高，對于負荷預測結果的相對誤差均在4.5%以內，能夠作為該區域內能源調度的依據。此外，還引入了BP 神經網絡和普通RNN 網絡進行對比，3 種算法的MAE、RMSE 計算指標如表7 所示。

表6 算法預測數據表

表7 不同算法的預測指標結果

從表7 可以看出，普通RNN 算法的MAE、RMSE較BP 神經網絡算法分別提升了4.52%、5.28%，說明了循環神經網絡更適合于時間序列的處理問題。而該文算法相較于普通的RNN 網絡在MAE 與RMSE上分別提升了3.10%、2.83%，證明了Seq2Seq 模型對于不同輸出長度的時間序列處理具有更優的性能。同時基于Seq2Seq 模型的預測結果，文中對當日的能源調度進行了仿真，計算機的計算耗時為2.442 s，且當日的調度總成本為60.231 萬元。

3 結束語

隨著我國能源消費形式的變革，區域化的綜合能源系統將逐漸在“雙碳”戰略中扮演更重要的角色。為了提升綜合能源系統的調度水平，文中重點研究了能源負荷的預測方法，且設計的基于Seq2Seq網絡模型能夠連接維度不同的輸入輸出向量。仿真結果證明，其相較于傳統的BP 網絡及RNN 網絡具有更高的預測精度，故可應用于綜合能源調度的生產環境中。