考慮數據分布偏移的短期居民凈負荷預測方法

王瑞臨, 趙健, 孫智卿, 宣羿

(1.上海電力大學電氣工程學院, 上海市 200090;2. 國網浙江省電力有限公司杭州供電公司,杭州市 310007)

0 引 言

隨著分布式可再生能源發電的不斷發展,凈負荷,即用戶總負荷需求與新能源出力之差,日益成為電力系統關注的問題。準確的居民凈負荷預測可以保證電力系統的可靠性,更重要的是可以促進電力系統對可再生能源發電的適應[1]。新能源發電的高隨機性為凈負荷注入了更多的不確定性,進而使得凈負荷數據分布偏移更為頻繁和嚴重。數據分布偏移是指數據的概率分布發生變化,其會導致模型在歷史數據中學習到的特征信息不再完全適用于未來數據,從而降低了數據的可預測性。在需求側,如氣溫上升[2]和電價上漲等[3]導致負荷需求數據分布發生變化。在供應側,輻照水平、風速等變化會影響可再生能源發電量的數據分布。由于凈負荷的不確定性由負荷需求的不確定性和新能源發電的不確定性組成,這些不確定性因素的綜合影響將使凈負荷數據分布的變化更加復雜和頻繁。

現有居民凈負荷預測研究可分為間接預測和直接預測。間接預測通過將凈負荷數據分解為負荷需求部分和可再生能源發電部分來降低凈負荷的巨大波動性。文獻[4]提出了一種滾動調節優化的VMD-SaE-ELM(variational mode decomposition-selfadaptive evolutionary-extreme learning machine)凈負荷超短期預測方法,減小了常規機組的調峰壓力。文獻[5]將數據分解后的誤差通過不同的影響權重與凈負荷誤差相聯系。文獻[6]通過相關性分析和網格搜索方法將凈負荷分解為光伏發電量、實際負荷和殘差。然而,間接預測依賴于分解方法和預測方法的準確性,這會導致誤差累積。

直接預測是直接使用凈負荷數據進行預測,文獻[1]提出了一種概率不確定性模型,通過貝葉斯深度學習模型同時捕獲凈負荷的隨機不確定性和模型不確定性。文獻[7]提出了一種全參數化序列深度學習模型,來學習凈負荷中的最優特征和整個概率分布。文獻[8]提出了一種基于特征加權改進的Stacking集成學習凈負荷預測方法。文獻[9]提出了基于自注意力編碼器和深度神經網絡的凈負荷預測模型,同時集成了負荷、風光、凈負荷等多個不確定量。

直接預測依賴高精度的深度學習技術,而深度學習技術默認數據滿足獨立同分布,其基于經驗風險最小化(experience risk minimization, ERM)的學習模式允許模型"不計后果"地學習數據中的特征信息。當數據分布不斷變化時,現有模型在歷史數據中學習到的特征信息不再適用于未來數據,從而使得凈負荷預測精度難以得到保證。

因此,本文提出了一種基于不變風險最小化(invariant risk minimization-uncertainty, IRM)的短期居民凈負荷預測方法,以提升凈負荷預測的精度。面對數據分布的變化,IRM考慮同時學習最小誤差和不同分布下的不變性[10],并通過學習不同數據分布下的不變特征來實現對不可見環境的魯棒性。首先,對凈負荷中的數據分布偏移問題進行了探索。其次,建立了基于不變風險最小化-不確定性加權-長短期記憶神經網絡(invariant risk minimization-uncertainty weighting-long short-term memory neural network,IRM-UW-LSTM)的凈負荷預測模型。其中,通過IRM建立了一個雙目標問題,包括準確預測和學習跨不同數據分布的不變特征;通過長短期記憶神經網絡(long short-term memory neural network,LSTM)處理時間序列數據的非線性特征;通過基于不確定性加權(uncertainty weighting,UW)的目標平衡機制避免過度實現任一目標;此外,通過引入分位數回歸方法將本文方法擴展到概率預測。最后,通過基于澳大利亞Ausgrid公司提供的真實居民電表數據從確定性預測結果、概率預測結果、不同數據分布偏移程度和不同光伏滲透率等多個維度驗證了所提方法的有效性。

1 凈負荷數據分布偏移探索

本文利用幾種常用數據分布比較方法驗證了凈負荷預測(net load forecasting,NLF)中的數據分布偏移程度高于用電量預測(electricity consumption forecasting,ECF)。用于比較的數據是澳大利亞Ausgrid公司提供的悉尼地區從2010年7月到2013年6月數百戶包含居民凈負荷和居民總用電量的數據[11]。

為了避免季節對數據分布比較的影響,選擇了四個季節中每個典型月份的數據(南半球春、夏、秋、冬分別使用10月、1月、4月和7月的數據),分別比較不同年份同一季節的數據分布偏移程度,如圖1所示。此外,為反映不同月份下的數據分布偏移情況,還將重點關注同一季節下相鄰月份的數據分布偏移程度,如圖2所示。

圖1 不同年份同一季節數據分布偏移比較Fig.1 The compare of the degree of the data distribution shift under the same season for different years

圖2 同一季節相鄰月份數據分布偏移比較Fig.2 The compare of the degree of data distribution shift adjacent months under the same season

本文采用Kolmogorov-Smirnov(KS)檢驗[12]、Kullback-Leible(KL)散度[13]和最大平均差異法(maximum mean difference,MMD)[14]進行數據分布偏移評估。從圖1可以看出,在不同年份的四個季節中,NLF的KL值和MMD值均明顯大于ECF。在KS值方面,除4月份ECF值與NLF值相差不大之外,其余年份NLF值均大于ECF值。這可能是由于KS檢驗對數據分布的中間部分更敏感,而對兩端不夠敏感。值得注意的是,由于冬季晝短夜長,光伏發電量最少,因此南半球7月份的數據分布偏移較小。從圖2中可以看出,在所有相鄰月份的數據分布偏移比較中,NLF的數據分布偏移程度大于ECF。另一個有趣的發現是,KL散度對數據分布偏移最為敏感,而MMD由于比較的是多維數據分布,敏感度較低。

通過三種統計方法,可以發現凈負荷的數據分布偏移程度大于傳統用電量數據。這表明居民凈負荷數據面臨更嚴重的數據分布偏移問題,歷史數據與未來數據的相關性將降低。此時,原有模型訓練集與測試集數據獨立同分布的前提也將被削弱,從而影響現有模型對凈負荷預測的有效性。因此,解決凈負荷預測中的數據分布偏移問題具有現實意義和挑戰性。

2 基于IRM的凈負荷預測理論和建模

2.1 IRM與數據分布偏移的關系

基于深度學習的方法在計算機視覺、語音識別和文本識別等許多應用領域取得了巨大成功[15]。然而,大多數方法依賴于使用ERM進行優化,當測試數據的分布與訓練數據的分布發生變化時,基于ERM的模型的性能會下降。IRM能夠通過學習數據跨分布的不變性來克服數據分布偏移,對未來數據具有魯棒性。需要關注以下兩個問題:1)IRM如何克服數據分布偏移;2)IRM學習的凈負荷數據中的不變特征信息是什么。

對于問題1),ERM合并來自所有訓練環境的數據,并利用訓練數據中的所有特征訓練一個模型,以最小化數據的訓練誤差。而在最小化訓練誤差的過程中,基于ERM的模型會導致模型不計后果地吸收訓練數據中發現的所有相關性[10]。此時,面對未來分布變化的數據,模型的預測精度會下降。對于IRM,以本文的凈負荷預測為例,首先將所有的凈負荷訓練數據進行合理的劃分,形成多個訓練環境。這些訓練環境下的凈負荷數據分布本身是不同的。面對未來的數據,IRM保持了部分ERM的性能,即對同一分布下的數據尋求最小訓練誤差;同時,對不同分布下的數據可以學習跨不同數據分布的不變性。

對于問題2),在數學上,本文的目的是找到式(1)所示的變化環境e中的不變信息E[Ye|(Φ(Xe)=y]:

E[Ye1|(Φ(Xe1)=y)]=
E[Ye2|(Φ(Xe2)=y)]=···=
E[YeN|(Φ(XeN)=y)]

(1)

式中:E為條件期望值;Φ:X→y為一個數據表示;e為環境;N為環境總數量;y為數據表示Φ下因變量的數值。圖3列舉了影響凈負荷數據分布的幾個主要因素。環境因素(溫度、輻照度)主要通過影響光伏出力來影響凈負荷,而經濟因素和社會因素主要通過影響居民用電需求來影響凈負荷。所有箭頭表示兩個因素之間的函數關系。圖3(a)、(b)、(c)和(d)分別表示4個時間段各因素對凈負荷的影響關系。紅色部分代表發生變化的影響因素。圖3(a)顯示了第1個時間段的所有影響關系。圖3(b)表示第2個時間段與第1個時段相比輻照度發生了變化,進而導致了凈負荷的數據分布發生偏移。圖3(c)中表示了溫度的變化,同時紅色箭頭表示經濟因素與用戶行為之間非線性關系的變化(例如,用戶的整體經濟水平沒有變化,但售電政策發生了變化)。圖3(a)、(b)、(c)中顏色不變的部分即為3個時間段內的不變特征信息。學習不變特征信息可以充分利用凈負荷歷史信息,更好地應對圖3(d)中第4年未知的凈負荷數據分布變化。

圖3 凈負荷預測中的不變特征信息示例Fig.3 Invariant feature information in the net load forecasting

2.2 IRM-LSTM模型建立

LSTM神經網絡是基于時間序列的模型,可以在歷史信息和未來信息之間建立時間關聯性。此外,LSTM網絡還可以克服循環神經網絡(recurrent neural network, RNN)中的梯度消失和梯度爆炸問題。首先描述LSTM網絡的結構,如圖4所示。

圖4 LSTM結構Fig.4 A unit of LSTM

如圖4所示,LSTM在某一特定時間步長t的輸入是前一狀態ht-1和當前輸入xt。三個門(輸入門、遺忘門和輸出門)通過4個全連接的神經元Ft、It、Ot和Gt來實現記憶信息或遺忘功能。具體來說,遺忘門決定有多少t之前的信息可以向前傳遞,輸入門控制新的輸入信息,輸出門決定在這一時間步輸出的信息。對于輸出,ht是作為下一時間步輸入的短期狀態,而ct決定長期依賴性。具體計算公式如式(2)-(5)所示。

Ft=σ(Wfx·xt+Wfh·ht-1+bf)

(2)

It=σ(Wix·xt+Wih·ht-1+bi)

(3)

Ot=σ(Wox·xt+Woh·ht-1+bo)

(4)

Gt=tanh(Wgx·xt+Wgh·ht-1+bg)

(5)

式中:Ft、It、Ot、Gt為全連接神經元;xt為輸入向量;ht-1為前一個短期狀態;Wfx、Wix、Wox和Wgx分別為矢量xt的權重;Wfh、Wih、Woh和Wgh分別為ht-1的權重;bf、bi、bo和bg為偏置。根據式(6)-(7)計算下一個時間步的輸入值ct和ht。

ct=Ft·ct-1+It·Gt

(6)

ht=Ot·tanh(ct)

(7)

根據上述LSTM的結構,LSTM通過將重要的輸入信息存儲在長期狀態中來處理時間序列問題,并根據需要長期保存,在需要時進行使用。

為了克服凈負荷預測中數據分布偏移對模型的影響,引入了IRM。IRM從多個不同數據分布的訓練環境中學習不變特征預測因子。由于環境的概念對框架至關重要,引入了文獻[16]中提出的訓練環境的概念:在所有訓練環境e∈εtr中,有不同的實驗條件,并且在每個環境中都有一個獨立同分布的樣本(Xe,Ye)。Xe是在環境e下的預測變量;Ye是目標變量。本文中e= [e1,e2,…,eN]為訓練環境,N為訓練環境數目,etest為測試環境。本文對風險定義為:

R(f)=mine∈εtrRe(f)

(8)

任一環境e的風險定義為:

Re(f)=E(Xe,Ye){L[f(Xe),Ye]}

(9)

數據表示Φ有兩個目標:

1)該數據表示能在相同訓練環境下保持準確的預測。

2)在所有e∈εtr中學習一個跨環境預測器,以學習不同數據分布下的不變特征信息。

在數學上,這兩個目標被表述為約束優化問題,如式(10):

(10)

式中:w代表分類器;Y、Z表示函數映射的輸入或輸出;其余符號同上文的定義。

式(10)是一個具有挑戰性的雙層優化問題,包含優化項Φ和w。根據文獻[10]中的詳細介紹,得到近似可解的式(11):

(11)

式中:λ∈[0,∞)為保持同分布下精確預測和不同分布下不變預測之間的正則化平衡。在居民凈負荷預測問題中,設模型的輸入訓練集的輸入數據和輸出標簽為:

Xtrain=[x1,x2,…,xn]T∈Rn×dx

(12)

Ytrain=[y1,y2,…,yn]T∈Rn×dy

(13)

(14)

式中:LIRM是為實現IRM的優化目標而簡化得到的損失函數。第一項是LSTM網絡中的ERM項,對應目標1),第二項是不變預測項,對應目標2)。

3 基于IRM-UW-LSTM模型的凈負荷預測方法

基于上述IRM理論與模型,本節將對所提出的住宅凈負荷預測方法的其余部分進行描述。具體來說,包括3個主要過程:1)數據輸入;2)目標平衡;3)擴展到概率預測。

3.1 數據輸入:特征和環境建立

1)特征建立。

表1 特征建立Table 1 Feature establishment

2)環境建立。

本文提出的方法旨在學習凈負荷數據不同分布下的不變特征信息。為了使學習到的不變特征信息有意義,需要盡可能學習具有一致性的數據。盡管可以通過精確的實驗設計為Xe創建環境e∈εtr(例如,通過隨機化Xe的某些元素),但對于凈負荷數據,其環境應盡可能使用原始歷史數據創建,而不宜采用人工干預的方式創建環境,以使預測中歷史數據與未來數據的相關性盡量不被削弱。同時,對于凈負荷預測,很難快速獲得數據分布開始偏移的具體時刻,這也是今后工作的主要方向。

RNN的輸入原則在于未來數據的輸入要在歷史數據之后。本文采用了基于并行輸入數據集的環境構建方法。以月份作為環境單位為例,首先僅針對第1年的數據(first year data,FYD)使用ERM訓練網絡,然后針對第2年的數據(second year data,SYD)使用{(1月FYD,1月SYD),(2月FYD,2月SYD),…,12月FYD, 12月SYD)}作為IRM訓練的兩個環境輸入網絡。此外,對于第3年的數據(third year data,TYD),使用{(1月FYD,1月SYD,1月TYD),(2月FYD,2月SYD,2月TYD),…,(12月FYD,12月SYD,12月TYD)}作為IRM訓練的三個環境輸入網絡。

3.2 目標平衡機制:不確定性加權

通常需要花費大量精力選擇合適的模型參數,如IRM中的平衡項λ∈[0,∞),即預測能力和不變性預測因子之間的目標平衡。否則,方程式(11)可能無法執行式(10)中的約束條件,導致性能不理想。對于式(14)中的λ∈[0,∞),可以采用多任務學習的方法對式(15)進行調整,以更好地分配目標1)和目標2)的學習權重。在多任務損失函數式(15)中,計算每個任務的權重是一項計算量極大的工作。如果模型將這些權重作為參數之一進行學習,將大大減少計算量。

L=LERM+λLIRM

(15)

式中:LERM、LIRM分別為ERM和IRM訓練結構下的損失函數。

為了實現自動選擇權重,按照Kendall等人在文獻[17]中提出的策略,將式(15)中的損失函數改寫為式(16)形式:

(16)

3.3 拓展至概率預測:分位數回歸

模型中通過凈負荷預測得到的輸出是一個條件期望函數,通過函數找到當輸入確定時的輸出期望。分位數回歸不僅是研究輸出的期望值,而是希望探索輸出的完整數據分布[9]。分位數回歸可以直接將確定性預測模型重構為區間預測形式,以將本文策略擴展到概率預測。設原始損失函數為L(yreal,ypred),結合分位數回歸得到式(17),其中q為介于(0,1)之間的分位數因子,通過控制q的取值可以得到不同分位數的上下限。

(17)

式中:LQR(q)為結合分位數后的損失函數;i和j為第i和j個數據;yreal為真實值;ypred為預測值。圖5描述了基于IRM-UW-LSTM的凈負荷預測方法的總體框架。

圖5 基于IRM-UW-LSTM的凈負荷預測整體框架Fig.5 The process of the net load forecasting method based on IRM-UW-LSTM

4 案例分析

4.1 數據集描述

本文使用澳大利亞Ausgrid公司提供的真實居民電表數據,這些數據來自悉尼數百個安裝了光伏電表的用電客戶,提供了2010年7月至2013年6月的半小時粒度的凈負荷數據和光伏發電數據。數據的詳細信息參見文獻[11]。

4.2 實驗細節描述

為了驗證本文所提方法的有效性,本文引入了多種常用的確定性和概率預測方法作為對比。其中確定性方法采用隨機森林(random forest,RF)[18-19]、LSTM[20-21]、時間卷積網絡(temporal convolutional network,TCN)[22]、卷積長短期記憶神經網絡(convolutional long short-term memory neural network,CNNLSTM)[23]。概率預測比較方法采用分位數RF(quantiles-RF, QRF)[19]、分位數LSTM(quantiles-LSTM, QLSTM)[21]、分位數CNNLSTM(quantiles-CNNLSTM, QCNNLSTM)[23]。通過網格搜索和交叉驗證確定的模型超參數如表2所示。所有測試算法均用Python實現,主要使用的軟件包有Scikit-learn、Keras和PyTorch。

表2 超參數值Table 2 Hyperparameter value

4.3 結果評估方法

本文使用了6個評估指標來評估所研究方法的預測性能。平均絕對百分比誤差(mean absolute percentage error,MAPE)、均方根誤差(root mean square error,RMSE)和歸一化均方根偏差(normalized root mean square deviation,NRMSD)作為確定性預測評估方法。此外,由于在光伏滲透率較高時,凈負荷數據可能出現接近0的值,此時MAPE的可靠性會受到影響。為了更好地克服這一問題,引入了平均反正百分誤差(mean arctangent absolute percentage error,MAAPE)[24]。將Pinball和Winkler score[1]作為概率預測評估方法。評價指標的表述如下詳述。

1)確定性預測指標。

計算MAPE和MAAPE的目的是量化實際凈負荷與預測凈負荷數據之間的絕對差異,同時全面衡量模型預測結果的好壞[25]。計算公式如下:

(18)

(19)

式中:ytest,i為實際凈負荷;ypred,i為預測凈負荷。

RMSE用來評估預測結果中極大或極小誤差的敏感性,表示如下:

(20)

NRMSE提供了歸一化的預報精度,其解釋性更強,可以對不同尺度的預測結果進行比較,表示如下:

(21)

式中:D為數據的最大值和最小值之差。MAE、MAPE、MAAPE、RMSE和NRMSD值越小,預測結果越準確。

2)概率預測的指標。

Winkler score在關注區間寬度的同時,可以很好地衡量無條件覆蓋率,是概率預測中的一個綜合評價指標。它可以表示為:

(22)

式中:yup和ydown為預測區間的上限和下限;δ=yup-ydown為預測區間的寬度;1-α為置信水平。Winkler score的值越小越好。

Pinball是另一種綜合概率預測評估指標,可表示如下:

(23)

4.4 確定性預測結果

本節的目標是將本文提出的方法與常用的確定性預測方法的預測結果進行比較。證明本文方法具有更高的確定性預測精度。不同方法下評估指標如表3所示。本文提出的IRM-UW-LSTM方法的各項評估指標MAE、MAPE、MAAPE、NRMSD和RMSE值都是最低的,說明本文提出的方法具有最高的預測精度。4項指標的誤差分別比次優方法CNNLSTM降低了9.36%、7.36%、11.74%和11.81%。同時,從表3還可以看出,傳統人工智能方法RF的誤差較大,而基于深度學習技術的LSTM、TCN方法以及組合預測方法CNNLSTM的誤差次之,這說明了數據分布偏移對現有各種類型人工智能的預測方法都有一定的影響。圖6給出了不同方法的確定性預測結果,可以觀察到本文提出的方法更接近實際值。這表明本文所提方法具有更高的凈負荷預測精度。

表3 確定性凈負荷預測結果Table 3 Deterministic net load forecasting results

圖6 不同方法下確定性凈負荷預測結果Fig.6 Deterministic net load forecasting results under different methods

4.5 概率預測結果

本節的目標是將本文提出的方法與常用的概率預測方法的預測結果進行比較,以證明本文方法具有更高的概率預測精度,如圖7所示。圖7中,紅線代表實際凈負荷,藍色由淺到深分別代表50%和90%的置信區間。通過比較圖7(a)、(b)、(c)、(d)可以直觀地看出,本文提出的方法在90%置信區間具有更緊密的預測覆蓋區間,在50%置信區間也有一定的精度提升幅度。不同方法下的概率預測評估指標如表4所示,本文所提方法的Winkler score和Pinball值最低。對于更關注無條件覆蓋率和區間寬度的指標Winkler score,與次優方法CNNLSTM相比,所提方法的誤差在置信水平50%和90%下分別減少了15.74%和9.34%。而對于指標Pinball,所提方法的誤差降低了10.69%。這表明本文所提方法具備更高的概率凈負荷預測精度,證明了將本文方法擴展到概率預測的可能性。

表4 不同方法下概率凈負荷預測評估結果Table 4 Probabilistic net load forecast evaluation results under different methods

表5 不同RNN網絡的凈負荷預測結果Table 5 Net load forecasting results for different RNN networks

圖7 凈負荷概率預測結果Fig.7 Probabilistic net load forecasting results

4.6 不同程度數據分布偏移預測結果

為了更好地體現本文所提方法在凈負荷預測過程中應對數據分布偏移的能力,本節驗證在面對不同程度的數據分布偏移時所提方法的有效性。以2013年1月至6月的數據作為測試集。圖8給出了在不同數據分布偏移程度下本文所提方法與次優方法CNNLSTM的MAAPE和RMSE。本文提出的方法在各個月份下的誤差總體上低于次優方法。所提方法相比次優方法誤差指標提升程度如圖9所示。分別觀察2013年1-6月數據分布偏移程度以及各月份精度的提高程度。兩種方法下指標的變化趨勢一致,這表明,數據分布偏移程度由小到大的順序,也就是準確度相對提高程度由小到大的順序,反映出本文提出的方法在面對較大的數據分布偏移時具有較好的改進潛力。相比之下,數據分布偏移程度越小,本文所提方法精度提高的程度也越小。

圖9 不同數據分布偏移程度下所提方法與次優方法相比MAAPE、RMSE的提升程度Fig.9 Relative improvement of proposed method compared to the second-best method under different degrees of data distribution shift

4.7 不同光伏滲透率預測結果

可再生能源發電的間歇性和不確定性是凈負荷數據分布偏移的主要原因之一。可再生能源滲透率越高,數據不確定性越大,數據分布偏移程度越高。所有用戶的總用電量、光伏發電量和凈負荷數據已知,可以通過控制無光伏發電量客戶的數量來控制光伏滲透率。假設一些客戶的光伏發電量為0(即這些客戶的用電量全部由凈負荷提供)。本文以300個客戶為固定值,構建(0,300)、(50,250)、(100,200)、(150,150)、(200,100)、(250,50)、(300,0)的實驗組,其中前者為無光伏發電出力的用戶數量,后者為有光伏發電的用戶數量。圖10給出了不同光伏滲透率下所提方法與次優方法的MAAPE和RSME。從圖10可以看出,光伏用戶越多,即光伏滲透率越高,評價指標MAAPE和RMSE的值越大。這與數據分布偏移越明顯,預測難度越大、精度越差的結論一致。此外,光伏滲透率越高,本文所提方法的精度提升程度越大,當滲透率最高時,改進幅度分別為16.062%和13.452%。本節仿真結果說明,光伏滲透率越高,數據分布偏移程度越高,本文所提方法的精度提升程度越大。這與第4.6節的結論是一致的,也反映出隨著未來光伏等新能源在電力系統中滲透率的提高,本文方法具有較大的應用潛力。

圖10 不同光伏滲透率下所提方法與次優方法的MAAPE、RMSE結果Fig.10 MAAPE and RMSE results of the proposed method and the suboptimal method under different photovoltaic permeability

4.8 不同RNN網絡結構預測結果

RNN因其處理連續數據的能力而廣泛應用于負荷預測。RNN的網絡機制使模型能夠將上一時間步產生的結果作為當前時間步輸入的一部分,從而影響當前時間步的輸出。在負荷預測領域幾種常見的RNN變體如:LSTM[21]、門控循環單元(gate recurrent unit,GRU)[26],它們除了繼承了RNN的優良預測特性外,還能更好地處理更長的時間序列數據,同時克服梯度爆炸等問題[27]。本節比較了IRM-RNN、IRM-LSTM和IRM-GRU的預測結果,結果表明在利用本文所提方法克服凈負荷數據分布偏移時,LSTM是更優的選擇。表5給出了不同RNN網絡的凈負荷預測結果,可知,IRM-LSTM具有更好的預測精度,與IRM-RNN和IRM-GRU相比,MAAPE分別提高了31.6%和7.96%。由于張量運算較少,GRU的計算速度更具優勢。表6給出了不同RNN網絡計算時間,從表6可以看出,IRM-GRU在訓練時間方面更占優勢。結果表明,IRM并沒有改變RNN網絡本身的優勢,這進一步說明了本文方法的合理性,同時,未來可以根據預測需要選擇更快或更準確的方法。

表6 不同RNN網絡的計算時間Table 6 Computational time for different RNN network

5 結 論

由于更多不確定性的注入,分布式能源的廣泛部署大大降低了凈負荷的可預測性。更高的不確定性使得凈負荷數據分布偏移更為頻繁和嚴重。針對此問題,本文通過學習不同凈負荷數據分布下的不變特征信息,提出了一種基于IRM-UW-LSTM的短期居民凈負荷預測方法。該方法不同于現有方法,減少了模型對測試集與訓練集數據獨立同分布的依賴。通過Ausgrid公司提供的真實凈負荷數據驗證了本文方法可以通過克服數據分布偏移問題提高確定性和概率凈負荷預測精度。而且,結果表明,分布偏移程度越高,該方法與其他方法相比改進潛力越大。此外,隨著可再生能源在電力系統中滲透率的提高,本文方法具有更高的應用潛力。