中國(guó)儲(chǔ)能網(wǎng)訊：隨著人們對(duì)生產(chǎn)生活舒適度要求的提高，同時(shí)由于極端天氣頻發(fā)、廣發(fā)，使得溫度敏感負(fù)荷不斷攀升，負(fù)荷峰值不斷刷新紀(jì)錄，電力保供壓力逐漸增加。2022年11月國(guó)家能源局發(fā)布《電力現(xiàn)貨市場(chǎng)基本規(guī)則（征求意見(jiàn)稿）》，要求推動(dòng)虛擬電廠(chǎng)等新興市場(chǎng)主體參與電力現(xiàn)貨交易，充分激發(fā)和釋放用戶(hù)側(cè)靈活調(diào)節(jié)能力。國(guó)家能源局2023年3月發(fā)布的《關(guān)于加快推進(jìn)能源數(shù)字化智能化發(fā)展的若干意見(jiàn)》強(qiáng)調(diào)要進(jìn)一步提高負(fù)荷預(yù)測(cè)精度。上海的密集商業(yè)樓宇虛擬電廠(chǎng)中溫度敏感負(fù)荷占比較大，準(zhǔn)確的溫度敏感負(fù)荷預(yù)測(cè)為虛擬電廠(chǎng)制定需求響應(yīng)方案、參與電力市場(chǎng)交易提供了必要的參考依據(jù)，尤其是在迎峰度夏/度冬期間的極端高溫、寒潮時(shí)，是虛擬電廠(chǎng)調(diào)峰的重要場(chǎng)景。但目前對(duì)于極端氣象場(chǎng)景的預(yù)測(cè)精度往往較低，準(zhǔn)確把握溫度敏感負(fù)荷大小能夠幫助虛擬電廠(chǎng)在發(fā)電側(cè)綜合評(píng)估區(qū)域內(nèi)分類(lèi)分布式發(fā)電機(jī)組的攀峰響應(yīng)能力，在用電側(cè)可以及時(shí)下達(dá)需求響應(yīng)邀約以降低部分負(fù)荷，緩解緊張的供需形勢(shì)。
《中國(guó)電力》2024年第1期刊發(fā)了周穎等撰寫(xiě)的《面向虛擬電廠(chǎng)運(yùn)營(yíng)的溫度敏感負(fù)荷分析與演變趨勢(shì)研判》一文。文章為支撐虛擬電廠(chǎng)運(yùn)營(yíng)，精準(zhǔn)預(yù)測(cè)虛擬電廠(chǎng)在寒潮天氣下的負(fù)荷大小，通過(guò)對(duì)負(fù)荷的分解，提取出溫度敏感負(fù)荷，提高氣象因素與負(fù)荷的相關(guān)性，并采用改進(jìn)的時(shí)間序列生成對(duì)抗網(wǎng)絡(luò)，擴(kuò)充寒潮期間溫度敏感負(fù)荷數(shù)據(jù)，增加樣本訓(xùn)練量，最后采用卷積-長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)對(duì)寒潮期間的日最大負(fù)荷進(jìn)行預(yù)測(cè)。
隨著極端天氣頻發(fā)，溫度敏感負(fù)荷用電逐年攀升，溫度敏感負(fù)荷作為虛擬電廠(chǎng)優(yōu)質(zhì)的調(diào)控資源，亟須分析氣象變化對(duì)于此類(lèi)負(fù)荷的影響，由于疊加極端高溫、大規(guī)模寒潮等異常天氣的影響，溫度敏感負(fù)荷波動(dòng)劇烈，常規(guī)分析預(yù)測(cè)方法難以適應(yīng)極端氣象場(chǎng)景。針對(duì)寒潮天氣下溫度敏感負(fù)荷樣本數(shù)據(jù)及預(yù)測(cè)精度不足的問(wèn)題，提出寒潮天氣小樣本條件下的溫度敏感負(fù)荷日最大負(fù)荷預(yù)測(cè)方法。該方法先采用時(shí)序?qū)股删W(wǎng)絡(luò)（TimeGAN）擴(kuò)充寒潮期間小樣本數(shù)據(jù)，再采用卷積-長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（CNN-LSTM）對(duì)寒潮期間的日最大負(fù)荷進(jìn)行預(yù)測(cè)。以國(guó)內(nèi)某省近兩年迎峰度冬期間數(shù)據(jù)進(jìn)行模型驗(yàn)證，結(jié)果表明所提模型優(yōu)于其他模型的預(yù)測(cè)結(jié)果，在驗(yàn)證集上日最大負(fù)荷的預(yù)測(cè)精度為99.5%。
01 溫度敏感負(fù)荷分解與影響因素分析
1.1 溫度敏感負(fù)荷分解方法
1.2 影響負(fù)荷的氣象因素選取
1）體感溫度
2）人體舒適度
3）寒濕指數(shù)
1.3 日類(lèi)型處理
每日負(fù)荷與日類(lèi)型變化也有關(guān)系，通常情況下，工作日的負(fù)荷通常大于休息日負(fù)荷，一周內(nèi)最大負(fù)荷往往發(fā)生在星期三或星期四。負(fù)荷存在一定周期性，本文在預(yù)測(cè)時(shí)將考慮日類(lèi)型的影響，為使日類(lèi)型特征間的距離計(jì)算更加合理，將一周七天分別進(jìn)行獨(dú)熱編碼（one-hot encoding）。
02 極端天氣小樣本條件下負(fù)荷短期預(yù)測(cè)
2.1 基于TimeGAN的寒潮負(fù)荷、氣象數(shù)據(jù)擴(kuò)充
根據(jù)寒潮天氣標(biāo)準(zhǔn)，大多數(shù)區(qū)域全年一般發(fā)生2~4次寒潮，屬于小樣本事件，神經(jīng)網(wǎng)絡(luò)在小樣本預(yù)測(cè)中精度往往較低。因此，先要根據(jù)寒潮數(shù)據(jù)特性，生成相關(guān)負(fù)荷、氣象數(shù)據(jù)。在數(shù)據(jù)生成領(lǐng)域，生成對(duì)抗網(wǎng)絡(luò) （generative adversarial networks，GAN）常用于圖像識(shí)別，在音頻、電力負(fù)荷這類(lèi)序列數(shù)據(jù)上的應(yīng)用可以看作是這些方法的擴(kuò)展。該算法通過(guò)生成器與判別器的博弈，從隨機(jī)分布的數(shù)據(jù)逐漸學(xué)習(xí)真實(shí)樣本數(shù)據(jù)的特征分布，使得判別器最終無(wú)法區(qū)分生成對(duì)抗網(wǎng)絡(luò)輸出生成樣本與輸入的真實(shí)樣本。TimeGAN（time-series generative adversarial networks）是在GAN的基礎(chǔ)上，結(jié)合自回歸模型，不僅可以模擬初始數(shù)據(jù)的分布，還能保留數(shù)據(jù)的動(dòng)態(tài)時(shí)序相依特性。TimeGAN通過(guò)滑動(dòng)窗口的方式，可將二維時(shí)間序列，切片為一系列的三維樣本空間。TimeGAN由嵌入函數(shù)、恢復(fù)函數(shù)、序列生成器和序列鑒別器組成，前2個(gè)組件組成自編碼器，后2個(gè)組成對(duì)抗網(wǎng)絡(luò)，如圖1 a)所示。時(shí)序數(shù)據(jù)有靜態(tài)特征與動(dòng)態(tài)特征之分，前者不會(huì)因?yàn)闀r(shí)間而改變的特征，例如用戶(hù)身份信息；后者隨著時(shí)間而改變，例如體溫、血壓、氣溫等?？紤]到負(fù)荷與氣象數(shù)據(jù)均為動(dòng)態(tài)特征，本文將損失優(yōu)化函數(shù)中的靜態(tài)特性相關(guān)項(xiàng)去除，得到改進(jìn)的TimeGAN，如圖1 b)所示。實(shí)線(xiàn)表示對(duì)應(yīng)函數(shù)計(jì)算，虛線(xiàn)表示重復(fù)計(jì)算過(guò)程，橙色線(xiàn)表示損失計(jì)算，其神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程為
圖1 TimeGAN架構(gòu)及本文改進(jìn)的TimeGAN架構(gòu)
Fig.1 The TimeGAN architecture and the improved TimeGAN architecture in this paper
2.2 基于CNN-LSTM的負(fù)荷預(yù)測(cè)模型
2.2.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）是一種深度學(xué)習(xí)模型，CNN因其具有高效的特征提取能力，在電網(wǎng)故障智能識(shí)別、非侵入檢測(cè)等領(lǐng)域已有大量應(yīng)用。卷積層和池化層是CNN的核心組成部分。卷積層通過(guò)共享權(quán)重和局部連接的方式，可對(duì)電力負(fù)荷數(shù)據(jù)進(jìn)行有效的非線(xiàn)性局部特征提取，而池化層則扮演著降低特征維度的角色，以生成更為關(guān)鍵的特征信息，提高模型的魯棒性和泛化能力。
2.2.2 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM）
相較于循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN），LSTM通過(guò)引入遺忘門(mén)、輸入門(mén)和輸出門(mén)的邏輯控制單元進(jìn)行網(wǎng)絡(luò)中神經(jīng)元的狀態(tài)保持與更新，自動(dòng)調(diào)整信息的流動(dòng)，避免信息的丟失或重疊。LSTM架構(gòu)中，輸入門(mén)圖片用于控制有多少新信息可以進(jìn)入LSTM單元；遺忘門(mén)ft用于控制前一個(gè)記憶單元的輸出是否傳遞到當(dāng)前時(shí)刻的記憶單元中；輸出門(mén)ot控制記憶單元的輸出狀態(tài)，通過(guò)輸出門(mén)，LSTM可以有選擇地輸出記憶單元中的信息，靈活地提供給后續(xù)的層或模型使用。LSTM通過(guò)學(xué)習(xí)負(fù)荷及氣象數(shù)據(jù)的時(shí)間相關(guān)性，加快網(wǎng)絡(luò)收斂速度，有助于提高短期電力負(fù)荷預(yù)測(cè)精度。LSTM網(wǎng)絡(luò)計(jì)算步驟如式（12）所示。
2.2.3 TimeGAN-CNN-LSTM模型結(jié)構(gòu)
本文所設(shè)計(jì)的TimeGAN-CNN-LSTM結(jié)構(gòu)如圖2所示。首先，數(shù)據(jù)經(jīng)過(guò)關(guān)鍵特征篩選后，進(jìn)入TimeGAN進(jìn)行寒潮數(shù)據(jù)擴(kuò)充，隨后通過(guò)包含1層卷積層的卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行特征提取，每層包含3×3個(gè)卷積核，步長(zhǎng)為2。接著，使用1層池化層對(duì)數(shù)據(jù)進(jìn)行篩選，并使用1層Flatten層將數(shù)據(jù)扁平化。經(jīng)過(guò)篩選和處理后的數(shù)據(jù)輸入包含1層LSTM網(wǎng)絡(luò)層的LSTM網(wǎng)絡(luò)中進(jìn)行模型構(gòu)建和訓(xùn)練。在LSTM層中，本文設(shè)置了20個(gè)神經(jīng)元，滑動(dòng)窗口大小設(shè)為7。使用全連接層對(duì)數(shù)據(jù)特征進(jìn)行增強(qiáng)，并將增強(qiáng)后的結(jié)果輸出。為了調(diào)節(jié)模型參數(shù)，選擇均方根誤差作為損失函數(shù)，并結(jié)合Adam優(yōu)化器使用驗(yàn)證集數(shù)據(jù)進(jìn)行優(yōu)化，更好地調(diào)整模型參數(shù)，以提高模型的準(zhǔn)確性和性能。
圖2 TimeGAN-CNN-LSTM模型流程示意
Fig.2 The TimeGAN-CNN-LSTM model flowchart
03 算例分析
本文采用的數(shù)據(jù)為2021-11-15—2022-02-15與2022年12月某省的負(fù)荷數(shù)據(jù)和氣象數(shù)據(jù)（來(lái)自氣象網(wǎng)站），氣象指標(biāo)采用地市每日用電量的加權(quán)平均，合成該省氣象指標(biāo)，具體步驟為：將各地市售電量與全省售電量的占比作為權(quán)重，對(duì)各地市的每日氣象數(shù)據(jù)求加權(quán)平均，以省日最低氣溫Tmin為例，可表示為
氣象數(shù)據(jù)時(shí)間顆粒度為一日一點(diǎn)。將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集，其中以小樣本擴(kuò)充的數(shù)據(jù)與2021-11-15—2022-01-15數(shù)據(jù)作為訓(xùn)練集、2022-01-16—2022-02-15數(shù)據(jù)作為驗(yàn)證集、以2022-12-13—12-20該省寒潮期間的數(shù)據(jù)作為測(cè)試集。本文模型的訓(xùn)練及驗(yàn)證均在TensorFlow2.0深度學(xué)習(xí)框架實(shí)現(xiàn)。
為了驗(yàn)證本文所提算法的有效性，分別計(jì)算總負(fù)荷、基礎(chǔ)負(fù)荷以及溫度敏感負(fù)荷與各氣象指標(biāo)的相關(guān)系數(shù)。各因素與日最大負(fù)荷的相關(guān)性如表1所示。
由表1可知，通過(guò)負(fù)荷分解得到的溫度敏感負(fù)荷與氣象的相關(guān)性較總負(fù)荷與氣象的相關(guān)性普遍升高，因此，本文選擇與負(fù)荷相關(guān)性最大的2種二次氣象指標(biāo)（體感溫度、人體舒適度）以及平均溫度作為預(yù)測(cè)模型氣象輸入?yún)?shù)。
3.1 生成數(shù)據(jù)分析
本文通過(guò)Q-Q圖檢驗(yàn)生成數(shù)據(jù)和原始數(shù)據(jù)是否滿(mǎn)足同一分布，若圖中的散點(diǎn)分布在對(duì)角線(xiàn)的周?chē)?，表示生成?shù)據(jù)和原始數(shù)據(jù)的分布接近，同時(shí)根據(jù)對(duì)生成數(shù)據(jù)和原始數(shù)據(jù)的分布數(shù)據(jù)進(jìn)行高斯函數(shù)擬合，可直觀(guān)看到分布差異。
本文對(duì)2021-11-15—2022-02-15數(shù)據(jù)中滿(mǎn)足寒潮條件的樣本進(jìn)行篩選，得到4輪寒潮數(shù)據(jù)，每輪寒潮大概影響5~7天的負(fù)荷，因此得到寒潮樣本數(shù)據(jù)為23天，每天數(shù)據(jù)包括日敏感負(fù)荷、平均溫度、體感溫度、人體舒適度、獨(dú)熱編碼的日類(lèi)型數(shù)據(jù)。采用TimeGAN算法對(duì)各類(lèi)數(shù)據(jù)擴(kuò)充至552組，圖3、圖4為平均溫度、用電負(fù)荷的Q-Q圖和真實(shí)值與生成值的概率分布情況。原始數(shù)據(jù)與生成數(shù)據(jù)的分布大致相同，說(shuō)明TimeGAN算法成功地對(duì)氣象特征和溫度敏感負(fù)荷特征進(jìn)行了學(xué)習(xí)，并生成帶有真實(shí)樣本特征的新樣本。
圖3 平均溫度的合成樣本與真實(shí)樣本分布情況
Fig.3 Distribution of synthetic and real samples of average temperature
圖4 負(fù)荷的合成樣本與真實(shí)樣本分布情況
Fig.4 Distribution of synthetic and real samples of load
3.2 預(yù)測(cè)精度分析
為驗(yàn)證預(yù)測(cè)精度，本文采用平均絕對(duì)百分比誤差（EMAP）、平均絕對(duì)誤差（EMA）作為評(píng)價(jià)指標(biāo)，相關(guān)公式為
為進(jìn)一步說(shuō)明本文模型在寒潮期間負(fù)荷預(yù)測(cè)中的優(yōu)勢(shì)，對(duì)2022年12月中旬的一次寒潮期間的負(fù)荷進(jìn)行預(yù)測(cè)。圖5是采用不同預(yù)測(cè)算法直接對(duì)總負(fù)荷進(jìn)行預(yù)測(cè)的對(duì)比結(jié)果，圖6是溫度敏感負(fù)荷+基礎(chǔ)負(fù)荷的預(yù)測(cè)結(jié)果，同時(shí)為了證明本文所提算法有效性，將本文模型與目前常用方法對(duì)比。各模型在訓(xùn)練集上的誤差對(duì)比如表2所示。
圖5 不同算法對(duì)總負(fù)荷的預(yù)測(cè)結(jié)果
Fig.5 The prediction results of each algorithm for total load direct prediction
圖6 對(duì)各算法溫度敏感負(fù)荷預(yù)測(cè)值+基礎(chǔ)負(fù)荷的預(yù)測(cè)結(jié)果
Fig.6 The prediction results of each algorithm with the predicted value of temperature sensitive load + basic load
預(yù)測(cè)結(jié)果表明，通過(guò)將總負(fù)荷分解為溫度敏感負(fù)荷與基礎(chǔ)負(fù)荷，可提高各類(lèi)算法對(duì)于總負(fù)荷的預(yù)測(cè)精度，5種預(yù)測(cè)模型的平均絕對(duì)誤差平均降低了27.70%，百分比誤差平均降低了27.13%，驗(yàn)證了負(fù)荷分解在提高短期預(yù)測(cè)精度上的有效性；在數(shù)據(jù)擴(kuò)充之前，其他算法由于寒潮樣本不足，對(duì)于寒潮期間負(fù)荷的攀升速度預(yù)測(cè)過(guò)低，本文所提算法在寒潮期間平均絕對(duì)誤差僅為39.98萬(wàn)kW，平均絕對(duì)百分比誤差為0.46%。
04 結(jié)論
本文基于多類(lèi)型氣象指標(biāo)，提出一種基于負(fù)荷分解及小樣本生成的CNN-LSTM網(wǎng)絡(luò)模型，以中國(guó)某省數(shù)據(jù)進(jìn)行模型訓(xùn)練。得到以下結(jié)論。
1）采用負(fù)荷分解得到的溫度敏感負(fù)荷與體感溫度、人體舒適度等二次氣象指標(biāo)的相關(guān)性普遍大于總負(fù)荷與此類(lèi)指標(biāo)的相關(guān)性，并高于與單一氣象的相關(guān)性。通過(guò)負(fù)荷分解與二次氣象指標(biāo)，選擇與溫度敏感負(fù)荷相關(guān)性較高的指標(biāo)，可進(jìn)一步提升溫度敏感負(fù)荷的預(yù)測(cè)精度。
2）采用TimeGAN算法對(duì)學(xué)習(xí)寒潮期間的負(fù)荷及氣象數(shù)據(jù)的時(shí)序特征，并對(duì)樣本進(jìn)行擴(kuò)充，從生成數(shù)據(jù)與原始數(shù)據(jù)的概率分布和實(shí)際預(yù)測(cè)精確度效果可知，生成數(shù)據(jù)在保留原始數(shù)據(jù)分布特征的基礎(chǔ)上，彌補(bǔ)了寒潮期間負(fù)荷樣本過(guò)少、預(yù)測(cè)模型難以學(xué)習(xí)其時(shí)序特征的不足。
3）本文選用的基于CNN-LSTM預(yù)測(cè)模型在輸入多維特征參數(shù)下可以充分考慮溫度敏感負(fù)荷的時(shí)序特性，提高對(duì)歷史負(fù)荷、氣象參數(shù)的利用率，提高在短期電力負(fù)荷預(yù)測(cè)中的預(yù)測(cè)精度，有利于虛擬電廠(chǎng)提前安排運(yùn)營(yíng)計(jì)劃。
4）未來(lái)隨著極端天氣的頻發(fā)，溫度敏感負(fù)荷占比逐年升高，將愈發(fā)成為虛擬電廠(chǎng)中重要的調(diào)控資源，可在負(fù)荷預(yù)測(cè)的基礎(chǔ)上，進(jìn)一步研究極端天氣下溫度敏感負(fù)荷可調(diào)節(jié)潛力，支撐虛擬電廠(chǎng)調(diào)控資源的挖掘。
