隨著“雙碳”進(jìn)程的不斷深入推進(jìn)，我國(guó)能源電力高質(zhì)量發(fā)展面臨新形式和新任務(wù)。電力系統(tǒng)作為能源系統(tǒng)的重要組成部分及“雙碳”目標(biāo)的主要參與者、推動(dòng)者，其源網(wǎng)荷儲(chǔ)等關(guān)鍵環(huán)節(jié)正在面臨深刻變革。

傳統(tǒng)電力系統(tǒng)的電源特性決定其有足夠的轉(zhuǎn)動(dòng)慣量與發(fā)電靈活性，在保持穩(wěn)定性的基礎(chǔ)上能夠?qū)崿F(xiàn)發(fā)電側(cè)緊隨負(fù)荷波動(dòng)變化的“源隨荷動(dòng)”發(fā)展模式。在新型電力系統(tǒng)構(gòu)建過程中，電源呈現(xiàn)出多能化、多層化、多樣化，風(fēng)電、光伏等新能源占比逐步提升，其波動(dòng)幅度與頻次增加，大量的不確定性、隨機(jī)性造成電網(wǎng)靈活調(diào)節(jié)能力日趨緊張，加之涉及儲(chǔ)能材料及其成本的限制，電能依舊無法大量?jī)?chǔ)存，進(jìn)而導(dǎo)致棄電與缺電交互出現(xiàn)，因此源荷缺乏良性互動(dòng)成為“雙碳”背景下能源綠色轉(zhuǎn)型中亟待解決的問題。構(gòu)建以新能源為主體的新型電力系統(tǒng)，需從傳統(tǒng)模式下“源隨荷動(dòng)”的穩(wěn)定電網(wǎng)逐步轉(zhuǎn)變?yōu)椤霸春苫?dòng)”的非完全實(shí)時(shí)平衡、集中--分布協(xié)同控制的波動(dòng)電網(wǎng)，以適應(yīng)低慣量、弱靈活性的新型電力系統(tǒng)發(fā)電特性。

新能源的接入對(duì)電力系統(tǒng)調(diào)度計(jì)劃的制定提出了新的挑戰(zhàn)，面對(duì)新型電力系統(tǒng)背景下發(fā)電側(cè)靈活性受限問題，要保障系統(tǒng)的穩(wěn)定運(yùn)行，用戶側(cè)必須深度參與系統(tǒng)運(yùn)行的調(diào)節(jié)，多時(shí)間尺度、高精度的電力負(fù)荷建模、預(yù)測(cè)以及優(yōu)化對(duì)新型電力系統(tǒng)的運(yùn)行、維護(hù)和規(guī)劃至關(guān)重要。

1電力系統(tǒng)負(fù)荷預(yù)測(cè)場(chǎng)景

首隨著電網(wǎng)需求側(cè)管理的日益普及與負(fù)荷調(diào)控的日趨深入，電力用戶不再同過去一樣僅僅作為被動(dòng)的電力需求者，傳統(tǒng)剛性負(fù)荷的特性逐漸轉(zhuǎn)變，取而代之的柔性負(fù)荷成為電網(wǎng)負(fù)荷調(diào)控的重點(diǎn)對(duì)象。電力市場(chǎng)改革促使多種角色場(chǎng)景應(yīng)運(yùn)而生，負(fù)荷預(yù)測(cè)應(yīng)用場(chǎng)景逐步多樣化、層次化，合理分析負(fù)荷場(chǎng)景典型特征并為之選取精準(zhǔn)預(yù)測(cè)模型成為當(dāng)今電力產(chǎn)業(yè)發(fā)展的重要課題。不同負(fù)荷預(yù)測(cè)場(chǎng)景總結(jié)歸納如下：

1.1區(qū)域級(jí)負(fù)荷預(yù)測(cè)

負(fù)荷特性分析工作是電力系統(tǒng)負(fù)荷預(yù)測(cè)的重要前提，了解并掌握預(yù)測(cè)供電區(qū)域內(nèi)的負(fù)荷特性變化有助于地區(qū)電網(wǎng)合理規(guī)劃及優(yōu)化調(diào)度。地區(qū)電網(wǎng)的區(qū)域級(jí)負(fù)荷特性分析與預(yù)測(cè)是我國(guó)負(fù)荷研究工作的重心。

以分區(qū)域分時(shí)段負(fù)荷曲線為研究對(duì)象，綜合分析天氣情況、社會(huì)經(jīng)濟(jì)發(fā)展態(tài)勢(shì)、節(jié)假日等外部因素對(duì)于區(qū)域級(jí)負(fù)荷的影響，通過三次樣條插值、影響因子賦值等計(jì)算方法將非量化因素轉(zhuǎn)化為預(yù)測(cè)模型可以識(shí)別的數(shù)學(xué)量，挖掘負(fù)荷內(nèi)在變化規(guī)律與外部影響因素間的非線性關(guān)系與復(fù)雜協(xié)同作用，細(xì)化分析區(qū)域級(jí)負(fù)荷特性并總結(jié)其發(fā)展變化態(tài)勢(shì)?；谪?fù)荷特性分析，區(qū)域級(jí)負(fù)荷預(yù)測(cè)模型需將高維負(fù)荷數(shù)據(jù)通過算法分析訓(xùn)練及模型交互融合，充分挖掘數(shù)據(jù)間的潛在關(guān)聯(lián)，進(jìn)而得到精度相對(duì)較高的預(yù)測(cè)結(jié)果。

區(qū)域級(jí)負(fù)荷預(yù)測(cè)模型評(píng)價(jià)體系一般以相對(duì)誤差、平均相對(duì)誤差、均方根誤差為基準(zhǔn)，通過數(shù)值比較進(jìn)行模型預(yù)測(cè)效果判斷。具體指標(biāo)計(jì)算方法如下：

1. 相對(duì)誤差

1. 平均相對(duì)誤差

1. 均方根誤差

式中，pk代表第k個(gè)負(fù)荷采樣點(diǎn)的預(yù)測(cè)值，yk代表第k個(gè)負(fù)荷采樣點(diǎn)的實(shí)際值，n為短期負(fù)荷預(yù)測(cè)每日預(yù)測(cè)點(diǎn)的個(gè)數(shù)。

1.2母線負(fù)荷預(yù)測(cè)

作為系統(tǒng)區(qū)域級(jí)負(fù)荷的底層分布組成部分，母線負(fù)荷通常為由變電站的主變壓器共給的終端負(fù)荷總和，其預(yù)測(cè)精度對(duì)于電網(wǎng)負(fù)荷調(diào)控、優(yōu)化調(diào)度及精益化運(yùn)行決策有著重要影響。與區(qū)域級(jí)宏觀負(fù)荷特性不同，由于受供電區(qū)域內(nèi)用戶自身用電行為影響，母線負(fù)荷的負(fù)荷慣性較小，規(guī)律性較差，因此需要長(zhǎng)時(shí)間尺度的海量歷史負(fù)荷數(shù)據(jù)支撐預(yù)測(cè)模型的構(gòu)建。

母線負(fù)荷預(yù)測(cè)方法一般以聚類、擬合等數(shù)理統(tǒng)計(jì)算法為理論基礎(chǔ)，考慮到非線性特征及波動(dòng)性明顯，需采用人工智能算法構(gòu)建預(yù)測(cè)模型。

利用Kears深度學(xué)習(xí)框架調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，避免了相似日等相關(guān)特征變量選取問題，實(shí)現(xiàn)了高精度自適應(yīng)變電站負(fù)荷預(yù)測(cè)。

母線負(fù)荷預(yù)測(cè)模型性能評(píng)估具有其獨(dú)立的評(píng)估度量體系，通常按照以下的母線負(fù)荷預(yù)測(cè)準(zhǔn)確率RT為基準(zhǔn)進(jìn)行預(yù)測(cè)結(jié)果精度評(píng)價(jià)：

（4）

（5）

（6）

式中，RT代表當(dāng)日母線負(fù)荷預(yù)測(cè)準(zhǔn)確率，σK為時(shí)段t所有母線誤差的均方根，en,t為單母線誤差。

1.3居民住宅負(fù)荷預(yù)測(cè)

對(duì)于城市用電負(fù)荷而言，用戶側(cè)的居民住宅負(fù)荷占比較大，其主觀性的差異與用電電器的多樣性對(duì)城市電網(wǎng)運(yùn)行時(shí)的應(yīng)變能力與穩(wěn)定性提出了較大的挑戰(zhàn)?？紤]到居民住宅具有集群效應(yīng)，且獨(dú)立用戶間的家用電器種類與用電習(xí)慣不盡相同，一般依據(jù)自上而下的負(fù)荷預(yù)測(cè)思想，利用相關(guān)聚類算法對(duì)海量居民住宅負(fù)荷數(shù)據(jù)進(jìn)行聚類劃分后再建立差異化預(yù)測(cè)模型，避免海量數(shù)據(jù)預(yù)測(cè)效率較低的問題。

作為需求響應(yīng)重要參與者，電力用戶的住宅樓宇中擁有大量以可平移、可中斷負(fù)荷形式存在的可調(diào)度需求響應(yīng)資源，其參與電力系統(tǒng)削峰填谷的潛力巨大，居民住宅樓宇負(fù)荷分布如圖1所示。通過對(duì)用戶可調(diào)節(jié)負(fù)荷曲線精確預(yù)測(cè)，電力公司及負(fù)荷聚合商能夠分析評(píng)估用電負(fù)荷需求響應(yīng)潛力，通過分時(shí)電價(jià)引導(dǎo)用戶參與需求響應(yīng)。

圖1 居民住宅樓宇負(fù)荷分布

考慮到電力市場(chǎng)改革與綠色電力蓬勃發(fā)展，充分考慮用戶差異化的用電習(xí)慣、消費(fèi)心理及當(dāng)今電熱氣耦合模式，構(gòu)建基于需求響應(yīng)信號(hào)的LSTM超短期負(fù)荷預(yù)測(cè)模型，驗(yàn)證了此模型對(duì)于計(jì)及需求響應(yīng)信號(hào)情況下的明顯優(yōu)勢(shì)。

以需求響應(yīng)為前提進(jìn)行負(fù)荷預(yù)測(cè)并建立分布式電源與智能家電之間的新型供需互動(dòng)模型，對(duì)未來智能電網(wǎng)的建設(shè)規(guī)劃、深入挖掘用戶側(cè)參與需求響應(yīng)的潛力、建立切實(shí)可行的新型源--荷互動(dòng)模型、保障用電高峰期電網(wǎng)的安全高效運(yùn)行等具有重要的理論和實(shí)踐意義。

1.4低壓配電臺(tái)區(qū)負(fù)荷預(yù)測(cè)

低壓配電臺(tái)區(qū)主要為 35kV或 10kV配電變壓器供電范圍內(nèi)的所有用戶集合，其數(shù)量取決于配電變壓器臺(tái)數(shù)及其配電范圍。典型低壓配電臺(tái)區(qū)負(fù)荷由同一配電臺(tái)區(qū)內(nèi)的居民用戶負(fù)荷、工業(yè)負(fù)荷及商業(yè)負(fù)荷組成，一般而言，同一配電所內(nèi)包含多個(gè)配電臺(tái)區(qū)，臺(tái)區(qū)負(fù)荷數(shù)量?jī)H次于前文所述的用戶住宅負(fù)荷。配電臺(tái)區(qū)負(fù)荷預(yù)測(cè)旨在根據(jù)精準(zhǔn)的預(yù)測(cè)結(jié)果指導(dǎo)相關(guān)配網(wǎng)工作、獲取配電變壓器裕度指標(biāo)，進(jìn)一步合理化安排檢修計(jì)劃，為實(shí)現(xiàn)事前預(yù)警、調(diào)配搶修資源奠定堅(jiān)實(shí)基礎(chǔ)，為提高臺(tái)區(qū)供電可靠性與運(yùn)行經(jīng)濟(jì)型提供保障。

選取同一區(qū)域內(nèi)的三個(gè)低壓配電臺(tái)區(qū)數(shù)據(jù)，利用經(jīng)細(xì)菌趨化算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷數(shù)據(jù)預(yù)測(cè)，結(jié)合負(fù)荷狀態(tài)結(jié)果進(jìn)行臺(tái)區(qū)內(nèi)低壓變壓器負(fù)荷率、容載比等裕度指標(biāo)分析，綜合損耗及負(fù)荷預(yù)測(cè)數(shù)據(jù)得出配電變壓器經(jīng)濟(jì)運(yùn)行方式。在LSTM模型基礎(chǔ)上添加循環(huán)跳躍 組件與線性自回歸組件，構(gòu)建具有捕獲配電臺(tái)區(qū)負(fù)荷短期局部依賴關(guān)系能力的LSTNet預(yù)測(cè)模型，通過訓(xùn)練某小區(qū)一公共變壓器的負(fù)荷數(shù)據(jù)，表明 LSTNet 模型在臺(tái)區(qū)負(fù)荷變化呈現(xiàn)強(qiáng)烈波動(dòng)時(shí)能夠較好地捕捉其變化趨勢(shì)，緩解了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對(duì)負(fù)荷數(shù)據(jù)極端值不敏感的問題。

由于配電臺(tái)區(qū)具有較為明顯的用電差異性，其負(fù)荷規(guī)律有較強(qiáng)隨機(jī)性，單一預(yù)測(cè)模型的預(yù)測(cè)誤差較大，多數(shù)負(fù)荷預(yù)測(cè)模型難以投入實(shí)際應(yīng)用。

1.5綜合能源系統(tǒng)負(fù)荷預(yù)測(cè)

作為能源互聯(lián)網(wǎng)的物理載體，綜合能源系統(tǒng) (Integrated Energy System ，IES)集成多種形式的能量供應(yīng)、轉(zhuǎn)換和儲(chǔ)存設(shè)備，實(shí)現(xiàn)不同類型能源在 源、網(wǎng)、荷、儲(chǔ)等環(huán)節(jié)的耦合，促成多個(gè)能源系統(tǒng)間的互動(dòng)互聯(lián)與協(xié)同運(yùn)行。

由于多類能源間的物理特性差異及耦合效應(yīng)的必然存在，綜合能源系統(tǒng)存在明顯的負(fù)荷隨機(jī)波動(dòng)性，其負(fù)荷預(yù)測(cè)準(zhǔn)確性大大影響系統(tǒng)優(yōu)化調(diào)度與協(xié)調(diào)規(guī)劃。綜合能源系統(tǒng)負(fù)荷預(yù)測(cè)框架如圖2所示。

圖2 綜合能源系統(tǒng)負(fù)荷預(yù)測(cè)框架

由從用戶級(jí)綜合能源系統(tǒng)入手，考慮到用戶級(jí)存在負(fù)荷類型多、規(guī)模小、波動(dòng)大等特性，作者結(jié)合多通道卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短期記憶循神經(jīng)網(wǎng)絡(luò)構(gòu)建 MCNN-LSTM 負(fù)荷預(yù)測(cè)模型，通過對(duì)電、熱、氣、冷等多個(gè)用戶級(jí)基本負(fù)荷單元進(jìn)行圖像特征重構(gòu)及融合，更好地挖掘各類型負(fù)荷間的潛在關(guān)系，避免混合型負(fù)荷造成的模型預(yù)測(cè)結(jié)果混雜影響， 同時(shí)組合神經(jīng)網(wǎng)絡(luò)的應(yīng)用大大提高了預(yù)測(cè)精度。通過標(biāo)簽劃分方法將負(fù)荷類型及其影響因素分別歸納至靜態(tài)標(biāo)簽與動(dòng)態(tài)標(biāo)簽，充分分析多元負(fù)荷間的相關(guān)性與變化趨勢(shì)構(gòu)建 CNN-LSTM負(fù)荷預(yù)測(cè)模型，依據(jù)標(biāo)簽內(nèi)容針對(duì)性進(jìn)行差異性預(yù)測(cè)，通過利用由電、熱、氣三類能源組成的區(qū)域級(jí)綜合能源系統(tǒng)真實(shí)負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練，此模型能夠較準(zhǔn)確地預(yù)測(cè)三種能源耦合后的各自獨(dú)立負(fù)荷情況，預(yù)測(cè)精度較高。

2基于智能算法的負(fù)荷預(yù)測(cè)模型

負(fù)荷預(yù)測(cè)發(fā)展初期主要以數(shù)學(xué)算法理論為建模基礎(chǔ)，傳統(tǒng)負(fù)荷預(yù)測(cè)將電力負(fù)荷數(shù)據(jù)看作時(shí)間序列數(shù)據(jù)加以處理，預(yù)測(cè)方法主要包括時(shí)間序列法、回歸分析法、灰色預(yù)測(cè)法、卡爾曼濾波法等。當(dāng)今發(fā)展態(tài)勢(shì)下，電力負(fù)荷種類、數(shù)量及其外部影響因素不斷增多，加之新能源發(fā)電占比增加帶來的負(fù)荷端主動(dòng)性荷被動(dòng)不確定性增強(qiáng)，傳統(tǒng)負(fù)荷預(yù)測(cè)模型難以滿足新型電力系統(tǒng)的高要求。人工智能技術(shù)憑借其非線性擬合等能力，在負(fù)荷建模及預(yù)測(cè)、負(fù)荷優(yōu)化等方面取得突破，基于人工智能技術(shù)的智能算法模型能夠較好捕捉當(dāng)今電力負(fù)荷的非線性特征，大大提高了負(fù)荷預(yù)測(cè)精度，成為當(dāng)今負(fù)荷預(yù)測(cè)的主流模型。

2.1 單一預(yù)測(cè)模型

2.1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)一般具有輸入層、隱含層及輸出層三層網(wǎng)絡(luò)結(jié)構(gòu)，用于負(fù)荷預(yù)測(cè)時(shí)，歷史負(fù)荷及 其影響因素進(jìn)行數(shù)值量化后作為輸入數(shù)據(jù)，在隱含層內(nèi)經(jīng)過激勵(lì)函數(shù)的擬合處理，多次循環(huán)、迭代誤差反向傳輸過程，以此減小網(wǎng)絡(luò)訓(xùn)練結(jié)果與已知實(shí)際真實(shí)值之間的誤差，最終由輸出層得到預(yù)測(cè)結(jié)果。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

其中wi 、wj 分別代表輸入層與隱含層間的權(quán)重、隱含層與輸出層間的權(quán)重，X代表輸入量，y 代表神經(jīng)網(wǎng)絡(luò)的輸出量，Y代表數(shù)據(jù)真實(shí)值，E代表真實(shí)值與預(yù)測(cè)值之間的差值。

與傳統(tǒng)的算法相比，BP神經(jīng)網(wǎng)絡(luò)具有更好的模型泛化能力與非線性映射能力，其柔性的網(wǎng)絡(luò)結(jié)構(gòu)使之成為應(yīng)用為廣泛的人工神經(jīng)網(wǎng)絡(luò)之一。

傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)具有訓(xùn)練速度慢、易陷入局部極小值、易出現(xiàn)過擬合等缺點(diǎn)，應(yīng)用于負(fù)荷預(yù)測(cè)時(shí)，常通過加入遺傳算法、粒子群優(yōu)化算法等對(duì)其網(wǎng)絡(luò)內(nèi)部各層權(quán)值及閾值進(jìn)行優(yōu)化，有效提高BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練精度與可靠性。

考慮到過多歷史負(fù)荷數(shù)據(jù)的輸入將大大增加神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的復(fù)雜度，隨機(jī)分布式嵌入框架及BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測(cè)模型，采用核密度估計(jì)法擬合多個(gè)預(yù)測(cè)結(jié)果，通過聚合估計(jì)法得出負(fù)荷最終預(yù)測(cè)值，有效改善數(shù)據(jù)維度對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度的影響。

2.1.2 傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)的三層網(wǎng)絡(luò)結(jié)構(gòu)為全連接，且層間節(jié)點(diǎn)相互無連接，因此難以體現(xiàn)先后輸出數(shù)據(jù)的關(guān)聯(lián)關(guān)系。循環(huán)神經(jīng)網(wǎng)絡(luò)（ Recurrent Neural Network ，RNN）在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，為隱含層各節(jié)點(diǎn)提供前序連接與后序連接，用以記錄前序信息并將其應(yīng)用于后序輸出計(jì)算中。RNN 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖如圖 4 所示。

圖 4 RNN 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

考慮到RNN隱含層的基本循環(huán)體單元較多， 對(duì)多個(gè)循環(huán)體單元的權(quán)值進(jìn)行 Xaier 初始化， 以保證初始權(quán)值的可靠性，進(jìn)而利用隨機(jī)梯度下降算法優(yōu)化的多尺度循環(huán)神經(jīng)網(wǎng)絡(luò)RNN進(jìn)行短期負(fù)荷預(yù)測(cè)。通過具有自適應(yīng)能力的指數(shù)加權(quán) 平均調(diào)整方案進(jìn)行數(shù)據(jù)插值，以減少量測(cè)數(shù)據(jù)準(zhǔn) 確性對(duì) RNN 模型負(fù)荷預(yù)測(cè)結(jié)果的影響。

由于RNN具有短時(shí)記憶特性，難以保證時(shí)間跨度較大的負(fù)荷序列信息傳遞的準(zhǔn)確性。同時(shí)隨 著多層循環(huán)訓(xùn)練， 內(nèi)部梯度不斷減小，RNN 容易出現(xiàn)梯度消失和梯度爆炸等問題，因此 RNN 并不適用于長(zhǎng)時(shí)間序列訓(xùn)練。

2.1.3 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的內(nèi)部循環(huán)單元結(jié)構(gòu)無法 傳遞前序特征信號(hào)與后序特征信號(hào)的函數(shù)關(guān)系， 為此基于循環(huán)神經(jīng)網(wǎng)絡(luò)改進(jìn)所得長(zhǎng)短期記憶神經(jīng) 網(wǎng)絡(luò)（Long Short-Term Memory ，LSTM），其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖5所示。

LSTM 保留了RNN基本結(jié)構(gòu)中相鄰時(shí)間節(jié)點(diǎn)的隱含層傳遞關(guān)系，在循環(huán)體內(nèi)部更新加入遺忘 門、輸入門和輸出門，對(duì)前序信息進(jìn)行記憶、提取并篩選，進(jìn)一步增強(qiáng)后續(xù)特征信號(hào)與前序特征信號(hào)間的關(guān)聯(lián)程度，有效解決傳統(tǒng) RNN在長(zhǎng)時(shí)間序列訓(xùn)練時(shí)出現(xiàn)的梯度消失與梯度爆炸問題。

圖 5 LSTM網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

LSTM保為充分發(fā)揮LSTM在處理長(zhǎng)時(shí)間序列大數(shù)據(jù)集時(shí)性能較好的顯著優(yōu)勢(shì)，利用互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解將電力負(fù)荷分解為不同頻率的分量，其中建立經(jīng)貝葉斯優(yōu)化的LSTM預(yù)測(cè)模型對(duì)復(fù)雜高頻分量進(jìn)行預(yù)測(cè)，進(jìn)一步提高波動(dòng)大、規(guī)律性差的負(fù)荷高頻分量的預(yù)測(cè)精度。基于互信息理論對(duì)所選取的電力負(fù)荷進(jìn)行最大相關(guān)最小冗余特征變量選擇（mRMR），以此擇出最優(yōu)輸入變量集合，并通過 LSTM 進(jìn)行用戶日前電力負(fù)荷預(yù)測(cè)。結(jié)果表明，mRMR-LSTM 模型能夠更好地處理波動(dòng)較大、隨機(jī)性較強(qiáng)的用戶電力負(fù)荷序列。

2.1.4 門控循環(huán)單元

門控循環(huán)單元（Gated Recurrent Unit ，GRU）為長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)單元的簡(jiǎn)化變體，其將LSTM循環(huán)體內(nèi)部的遺忘門與輸入門合并為更新門，將輸出門替換為重置門，有效對(duì)前序信息進(jìn)行記憶或遺忘，可以同時(shí)兼顧電力負(fù)荷序列的時(shí)序性與非線性，大大減少了參數(shù)數(shù)量，降低了網(wǎng)絡(luò)訓(xùn)練難度。

圖 6 GRU 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

考慮到單一的GRU網(wǎng)絡(luò)在處理非連續(xù)性長(zhǎng)時(shí)間序列時(shí)難以對(duì)序列特征做差異化區(qū)分，利用譜聚類算法對(duì)用電負(fù)荷進(jìn)行聚類劃分，通過模型融合算法動(dòng)態(tài)調(diào)節(jié)多種GRU模型在整體預(yù)測(cè)模 型中的權(quán)重，動(dòng)態(tài)融合淺層、深層及多層疊加的各類 GRU網(wǎng)絡(luò)，提高聚類劃分下GRU預(yù)測(cè)模型 的預(yù)測(cè)精度與泛化能力。

為減少單一GRU模型存在的長(zhǎng)時(shí)間序列信息丟失問題，在GRU負(fù)荷預(yù)測(cè)模型中加入 注意力（Attention）機(jī)制模塊，提高對(duì)負(fù)荷序列關(guān) 鍵特征的捕捉能力，進(jìn)一步減小負(fù)荷序列長(zhǎng)度對(duì) 預(yù)測(cè)精度的影響。對(duì)歷史電力負(fù)荷進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解，構(gòu)建EMD- GRU-Attention 混合預(yù)測(cè)模型，較好地捕捉了負(fù)荷數(shù)據(jù)的時(shí)序性與復(fù)雜非線性關(guān)系。 此外，GRU- Attention 預(yù)測(cè)模型也較為廣泛地應(yīng)用于具有強(qiáng)耦合性質(zhì)的綜合能源系統(tǒng)冷、熱、電負(fù)荷的預(yù)測(cè)中，借助多任務(wù)學(xué)習(xí)中的權(quán)重共享機(jī)制提取不同類型負(fù)荷間的耦合信息，進(jìn)一步提高大波動(dòng)下單一負(fù)荷預(yù)測(cè)精度。

2.1.5 卷積神經(jīng)網(wǎng)絡(luò)

考慮到循環(huán)神經(jīng)網(wǎng)絡(luò)無法提取序列的空間特征，研究學(xué)者提出依靠卷積神經(jīng)網(wǎng)絡(luò)模型提取序列的時(shí)間特征與空間特征。卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Networks ，CNN）在 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上將隱含層替換為卷積層與池化層， 高維電力負(fù)荷相關(guān)數(shù)據(jù)進(jìn)行預(yù)處理后經(jīng)輸入層輸入網(wǎng)絡(luò)模型，經(jīng)卷積層的卷積計(jì)算提取不同數(shù)據(jù)間的關(guān)聯(lián)特征，經(jīng)池化層池化后實(shí)現(xiàn)特征值篩選與降維，從而減少系統(tǒng)需要優(yōu)化的參數(shù)數(shù)量， 降低了人為提取特征帶來的預(yù)測(cè)誤差。CNN網(wǎng)絡(luò)拓?fù)鋱D如圖7所示。

圖 7 CNN 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能 力及圖像特征提取能力，用于負(fù)荷預(yù)測(cè)時(shí)可將負(fù)荷數(shù)據(jù)及相關(guān)影響因素進(jìn)行圖像化排列，充分發(fā)揮CNN在網(wǎng)絡(luò)訓(xùn)練中的自學(xué)習(xí)、自適應(yīng)優(yōu)勢(shì)， 通過提取圖像數(shù)據(jù)關(guān)鍵特征來減小CNN處理序列數(shù)據(jù)時(shí)出現(xiàn)的過擬合問題。

卷積時(shí)間網(wǎng)絡(luò)在處理長(zhǎng)時(shí)間序列時(shí)常存在視 野區(qū)間有限、難以提取全部時(shí)序特征等問題， 針對(duì)此問題，在傳統(tǒng)CNN基礎(chǔ)上引入擴(kuò)張卷積、因果卷積及殘差網(wǎng)絡(luò)，構(gòu)成具有更強(qiáng)時(shí)序特征捕捉能力的時(shí)序卷積神經(jīng)網(wǎng)絡(luò)（TCN）負(fù)荷預(yù)測(cè)模型，通過對(duì)小型綜合能源系統(tǒng)負(fù)荷數(shù)據(jù)進(jìn)行分析預(yù)測(cè)，驗(yàn)證了此改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型具有更高特征辨識(shí)能力及穩(wěn)定性。

2.1.6 圖神經(jīng)網(wǎng)絡(luò)

圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks ，GNN）主要包括圖卷積神經(jīng)網(wǎng)絡(luò)、圖記憶力網(wǎng)絡(luò)等，是一種新興的專門處理圖數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型，其具備同時(shí)挖掘節(jié)點(diǎn)內(nèi)特征信息與節(jié)點(diǎn)間的相關(guān)性信息的優(yōu)越能力，在負(fù)荷預(yù)測(cè)領(lǐng)域能夠較好地捕捉負(fù)荷序列的時(shí)間連續(xù)性與空間關(guān)聯(lián)性。利用圖神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè)時(shí)，需將歷史負(fù)荷數(shù)據(jù)進(jìn)行預(yù)先聚類處理，利用同族負(fù)荷數(shù)據(jù)的時(shí)間序列特征與空間關(guān)聯(lián)性特征構(gòu)建局部時(shí)空?qǐng)D，利用圖聚合函數(shù)將自身特征信息與相鄰節(jié)點(diǎn)特征信息進(jìn)行聚合，將最終信息平均值輸入至神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)一般預(yù)測(cè)流程如圖8所示。

圖8 圖神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

利用 K-means 聚類算法將用電集群進(jìn)行分組，將每組用戶聚合的負(fù)荷序列作為節(jié)點(diǎn)特 征，建立面向用戶集群負(fù)荷預(yù)測(cè)的圖結(jié)構(gòu)數(shù)據(jù)，構(gòu)建并訓(xùn)練自適應(yīng)時(shí)空同步圖卷積神經(jīng)網(wǎng)絡(luò)模型，充分挖掘居民用電負(fù)荷的時(shí)空關(guān)聯(lián)性，通過提取圖像特征提高預(yù)測(cè)精度，但由于圖神經(jīng)網(wǎng)絡(luò)捕獲時(shí)間依賴關(guān)系的能力有限，預(yù)測(cè)精度仍有待提升。為進(jìn)一步提高 GNN的時(shí)間特征提取能力，利用圖神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)組合模型進(jìn)行配電網(wǎng)負(fù)荷時(shí)空預(yù)測(cè)，其中，利用圖卷積網(wǎng)絡(luò)捕獲電力網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、獲得空間依賴性，利用門控遞歸單元捕捉負(fù)荷信息的動(dòng)態(tài)變化、獲取時(shí)間依賴性，發(fā)揮兩種神經(jīng)網(wǎng)絡(luò)自身特性，提高時(shí)空兩維負(fù)荷預(yù)測(cè)的準(zhǔn)確性。

2.2 組合預(yù)測(cè)模型

一直以來，高穩(wěn)定性和準(zhǔn)確度都是負(fù)荷預(yù)測(cè)模 型訓(xùn)練所追求的目標(biāo)，但單一的模型算法往往存在自身固有缺陷，僅僅憑借調(diào)整算法內(nèi)部參數(shù)難以減弱甚至消除缺陷所帶來的結(jié)果誤差。當(dāng)今，以參數(shù)耦合方式、流程組合方式、算法融合方式為基本構(gòu)成的組合模型在負(fù)荷預(yù)測(cè)領(lǐng)域逐步興起，較好地結(jié)合各個(gè)單一負(fù)荷預(yù)測(cè)模型的自身特長(zhǎng)，改善因單一模型自身固有缺陷導(dǎo)致的預(yù)測(cè)精度受限問題。

2.2.1 CNN-LSTM 模型

卷積神經(jīng)網(wǎng)絡(luò)可以較好地提取長(zhǎng)時(shí)間序列的空間特征，但難以準(zhǔn)確地提取出序列的時(shí)間特征，長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)憑借其記憶功能能夠準(zhǔn)確提取序列時(shí)間特征信息，但自身短時(shí)記憶的固有缺陷容易丟失序列信息。因此，單一CNN與LSTM負(fù)荷預(yù)測(cè)模型在面對(duì)多維負(fù)荷數(shù)據(jù)序列常出現(xiàn)多維特征信息提取不充分、序列信息結(jié)構(gòu)混亂等問題。

CNN-LSTM 組合模型可由 CNN 層提取序列空間特征，負(fù)荷序列經(jīng) CNN 處理后輸入LSTM進(jìn)行時(shí)序特征提取并進(jìn)行負(fù)荷預(yù)測(cè)，充分集成 CNN與LSTM 兩類神經(jīng)網(wǎng)絡(luò)模型的固有優(yōu)勢(shì)，有效減少單一模型在預(yù)測(cè)方面體現(xiàn)出的序列丟失、時(shí)序特征捕獲不完全等問題。CNN-LSTM 模型網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖9所示。

圖9 CNN-LSTM 模型網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

CNN-LSTM 預(yù)測(cè)模型在綜合能源系統(tǒng)負(fù)荷預(yù)測(cè)、居民住宅負(fù)荷預(yù)測(cè)等方面應(yīng)用廣泛，其較強(qiáng)的時(shí)空特征捕捉特性能夠差異化跟蹤綜合能源系統(tǒng)及居民住宅內(nèi)各類負(fù)荷變化情況，有效提高具有耦合性質(zhì)的獨(dú)立負(fù)荷預(yù)測(cè)精度。進(jìn)一步研究了居民住宅內(nèi)家用電器的能耗情況，通過對(duì)電熱水器與變頻空調(diào)的能耗監(jiān)測(cè)與預(yù)測(cè)，表明 CNN-LSTM 組合模型可以 很好地預(yù)測(cè)住宅內(nèi)能耗占比較大的家用電器使用情況。

在系統(tǒng)區(qū)域級(jí)負(fù)荷預(yù)測(cè)方面，運(yùn)用 CNN 充分提取各分量的潛在特征并作為 LSTM 網(wǎng)絡(luò)輸入對(duì)各分量進(jìn)行預(yù)測(cè)，明顯縮短負(fù)荷預(yù)測(cè)時(shí)間，有效提升負(fù)荷預(yù)測(cè)精度。由于傳統(tǒng) CNN- LSTM 模型只在結(jié)構(gòu)上實(shí)現(xiàn)兩個(gè)單體網(wǎng)絡(luò)的順序鏈接，為進(jìn)一步提高訓(xùn)練性能，在整體結(jié)構(gòu)上，可引入時(shí)序注意力機(jī)制及通道注意力機(jī)制來強(qiáng)化負(fù)荷序列特征提取能力；在單一網(wǎng)絡(luò)上，可建立具有雙向遞歸反饋的雙向長(zhǎng)短期記憶循環(huán)網(wǎng)絡(luò) BiLSTM，利用給 L1正則化對(duì)特征數(shù)據(jù)進(jìn)行特征篩選后通過CNN-BiLSTM模型進(jìn)行負(fù)荷預(yù)測(cè)，進(jìn)一步增強(qiáng)模型預(yù)測(cè)性能。

2.2.2 CNN-GRU 模型

門控循環(huán)單元GRU簡(jiǎn)化了LSTM的內(nèi)部單元結(jié)構(gòu)，在保證較高預(yù)測(cè)精度的同時(shí)可有效縮短模型的訓(xùn)練時(shí)間，因此更適用于負(fù)荷預(yù)測(cè)領(lǐng)域。使用GRU網(wǎng)絡(luò)雖然可以考慮時(shí)序性數(shù)據(jù)的歷史規(guī)律，但是需人工構(gòu)造特征關(guān)系，不能充分挖掘非連續(xù)特征在高維空間中的聯(lián)系，因此考慮結(jié)合其他網(wǎng)絡(luò)以提升對(duì)負(fù)荷特征的挖掘能力。與CNN-LSTM 模型相比，CNN-GRU 模型結(jié)構(gòu)更為簡(jiǎn)單，大大縮減了循環(huán)單元的參數(shù)數(shù)量與網(wǎng)絡(luò)訓(xùn)練時(shí)間，進(jìn)一步增強(qiáng)了時(shí)空關(guān)聯(lián)特征提取能力。

對(duì)負(fù)荷數(shù)據(jù)進(jìn)行 k-means 聚類劃分后， 采用 CNN 網(wǎng)絡(luò)提取特征與負(fù)荷因素在高維空間的 聯(lián)系，構(gòu)造時(shí)序序列的特征向量并輸入到三層GRU網(wǎng)絡(luò)中，通過訓(xùn)練 GRU 網(wǎng)絡(luò)輸出負(fù)荷預(yù)測(cè)值， 此模型在保持較快訓(xùn)練速度的同時(shí)，具有較高的預(yù)測(cè)精度?；A(chǔ)上引入Attention 機(jī)制，通過映射加權(quán)和學(xué)習(xí)參數(shù)矩陣賦予 GRU 隱含狀態(tài)不同的權(quán)重，以此減少序列信息的遺忘丟失，與未加 Attention 機(jī)制的預(yù)測(cè)模型相比，預(yù)測(cè)誤差明顯減小。在 GRU網(wǎng)絡(luò)基礎(chǔ)上建立雙向門控循環(huán)單元BiGRU，對(duì)負(fù)荷數(shù)據(jù)特征進(jìn)行特征初篩后，通過經(jīng)貝葉斯算法優(yōu)化的CNN-BiGRU 模型進(jìn)行預(yù)測(cè)，此模型得到的負(fù)荷曲線更加平滑，峰谷預(yù)測(cè)值及變化趨勢(shì)更加接近真實(shí)值，預(yù)測(cè)精度較高。

2.2.3 RNN-ResNet 模型

高維的電力系統(tǒng)負(fù)荷數(shù)據(jù)通常需要結(jié)構(gòu)復(fù)雜、層數(shù)較多的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以此提高負(fù)荷特征提取的完整性與預(yù)測(cè)結(jié)果的準(zhǔn)確性。由于神經(jīng)網(wǎng)絡(luò)層數(shù)疊加及多種神經(jīng)網(wǎng)絡(luò)耦合互聯(lián)，面對(duì)高維度海量數(shù)據(jù)時(shí)模型訓(xùn)練速度較慢，且當(dāng)訓(xùn)練達(dá)到一定次數(shù)與深度時(shí)，卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等將出現(xiàn)精度飽和甚至下降的“模型退化現(xiàn)象”。深度殘差網(wǎng)絡(luò)（Residual Network ，ResNet）由多個(gè)殘差塊堆疊而成，其內(nèi)部的殘差塊結(jié)構(gòu)不會(huì)增加網(wǎng)絡(luò)模型參數(shù)數(shù)量與計(jì)算復(fù)雜度，可以有效緩解其他神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度慢及模型退化問題， 因此深度殘差網(wǎng)絡(luò)已被用于組合神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型中配合其他循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)訓(xùn)練，其組合模型網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖10所示。

圖 10 RNN-ResNet 模型網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

綜合上述分析，經(jīng)過長(zhǎng)時(shí)間的發(fā)展，電力系統(tǒng)短期負(fù)荷預(yù)測(cè)技術(shù)更加趨于智能化，預(yù)測(cè)模型越發(fā)復(fù)雜，預(yù)測(cè)精度隨之不斷提高。雖然已經(jīng)存在較為成熟的短期負(fù)荷預(yù)測(cè)理論，但隨著新型電力系統(tǒng)的發(fā)展，傳統(tǒng)的負(fù)荷預(yù)測(cè)理論已難以滿足當(dāng)前環(huán)境下對(duì)于負(fù)荷預(yù)測(cè)的要求，提出預(yù)測(cè)精度 更高、預(yù)測(cè)過程更穩(wěn)定、泛化能力更強(qiáng)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)模型仍為當(dāng)前的重要研究方向。

3安科瑞光儲(chǔ)充一體化方案

安科瑞為新能源工程包括分布式光伏、儲(chǔ)能、充電站提供軟硬件一體化解決方案，圖11為一個(gè)包含分布式光伏、儲(chǔ)能、汽車充電站和傳統(tǒng)用電負(fù)荷組成的新型10kV配電網(wǎng)，由10kV開閉所、10kV并網(wǎng)分布式光伏系統(tǒng)、10kV并網(wǎng)儲(chǔ)能系統(tǒng)、電動(dòng)汽車充電站以及其它負(fù)荷組成。

圖11 安科瑞分布式光伏、儲(chǔ)能、充電樁的10kV配電系統(tǒng)