基于區域負荷分解與遷移學習的電能替代潛力動態估計算法

鄒 運

引言

區域負荷分解是依據該區域的用電總數據，對該區域內的用電情況進行判斷，通過事件檢測、特征提取和負荷識別三項核心技術完成，可判斷用電用戶類別。遷移學習屬于一種機器學習方法，其可完成源域的學習，并遷移到目標域中，完成目標域模型構建。本文為實現電能替代潛力估計[1]，提出基于區域負荷分解與遷移學習的電能替代潛力動態估計算法。

一、電能替代潛力動態估計

（一）電能替代用電設備運行狀態識別

為精準識別電能替代用電設備運行狀態，采用模糊決策樹方法完成，每一顆決策樹輸出的結果，即為對應電能替代電器的運行狀態。信息增益為[2]：

（二）電能替代量預測

依據上述小節獲取電能替代用電設備識別結果，通過三次指數平滑法對識別的電能替代用電設備實際電能替代量進行預測，依據預測的實際電能替代量估計電能替代潛力。

電能終端使用量占比和能源替代量之間的關系為：

（三）基于遷移學習的電能替代潛力動態估計

步驟1：模型構建

步驟2：單位節能量估計

依據基期模型計算得出能源消耗量結果，并通過調試期模型計算能源消耗量，獲取兩個消耗量之間的差值，即可得出電能替代后設備的單位節能量，依據該結果即可判斷電能替代潛力結果。其計算公式為：

二、測試分析

為驗證本文算法對于電能替代潛力動態估計的應用效果，以某電力企業管轄范圍內某市的電能替代區域為例，展開相關測試。該區域覆蓋10個區，獲取該區域運行的基期數據。測試案例中采用了以電代煤的替代方式替代該區域內的部分燃煤鍋爐，以實現能源清潔。參數設定為迭代次數120，學習率0.001。將獲取數據的75%作為訓練數據，剩余數據作為測試數據。

在進行應用效果測試前，需先確定修正系數α的最佳取值。文中以電能替代量預測誤差作為衡量標準，測試在不同α取值下誤差的變化情況，獲取最小誤差對應的取值。經過對測試結果的分析，發現隨著α取值的逐漸增加，本文方法對于電能替代量的預測誤差也發生不同程度的變化。其中α取值為0.7時，電能替代量預測誤差值最小，為0.024。因此，確定α的最佳取值為0.7，并將該結果用于后續試驗中。

為直觀驗證本文算法對于電能替代量的預測效果，獲取在不同電能使用量占能源使用量比例下，電能替代量的預測結果，如圖1所示。

圖1 電能替代量的預測結果

依據圖1可知：在不同電能使用量占能源使用量比例下，隨著用電量的逐漸增加，本文算法均能夠實現電能替代量的預測，并獲取預測結果。因此，本文方法具有電能替代量預測能力，能夠完成不同電能使用量占能源使用量比例下電能替代量的預測。

為驗證本文算法對于電能替代潛力動態估計效果，獲取在不同程度的電能需求下，隨機抽取替換的10臺電鍋爐的單位節能量計算結果，如圖2所示。

圖2 單位節能量計算結果

依據圖2可知：本文算法能夠計算出不同用電需求下替換的10臺電鍋爐的單位節能量，具有單位節能量計算效果，可獲取電能替換后的單位節能量，并且節能量均在0.060m2.kJ以上。

結論

本文提出基于區域負荷分解與遷移學習的電能替代潛力動態估計算法，具有可靠的電能替換設備識別能力，并能夠可靠預測電能替代量，計算電能替換后的單位節能量大于0.060m2.kJ。