基于云計(jì)算平臺(tái)實(shí)現(xiàn)電網(wǎng)短期負(fù)荷預(yù)測(cè)算法的研究

,,志遠(yuǎn),

(國(guó)網(wǎng)烏魯木齊供電公司,新疆 烏魯木齊 830011)

0 引 言

電力工業(yè)的根本目標(biāo)是通過(guò)科學(xué)的規(guī)劃最大限度地提高發(fā)電和用電效率，提高電力系統(tǒng)運(yùn)行的經(jīng)濟(jì)性。而電力負(fù)荷預(yù)測(cè)一直是電力系統(tǒng)有效規(guī)劃和經(jīng)濟(jì)運(yùn)行的重要組成部分。

短期電網(wǎng)負(fù)荷預(yù)測(cè)是電力系統(tǒng)運(yùn)行決策的關(guān)鍵，對(duì)電力系統(tǒng)的機(jī)組組合、減少發(fā)電備用、提高經(jīng)濟(jì)調(diào)度、保持系統(tǒng)可靠性以及維護(hù)調(diào)度都有重要意義[1-2]。近年來(lái)，準(zhǔn)確的短期電網(wǎng)負(fù)荷預(yù)測(cè)在電力市場(chǎng)管制中得到了更大的重視和面臨更大的挑戰(zhàn)。

短期電網(wǎng)負(fù)荷預(yù)測(cè)算法需要處理從一個(gè)小時(shí)到幾天的負(fù)載預(yù)測(cè)。由于短期負(fù)載具有極大的隨機(jī)性，因此短期電網(wǎng)負(fù)荷預(yù)測(cè)的復(fù)雜性對(duì)電力運(yùn)營(yíng)者是一個(gè)極大挑戰(zhàn)。在過(guò)去的幾十年里，人們提出了許多預(yù)測(cè)模型。這些預(yù)測(cè)模型可以分為傳統(tǒng)模型或基于機(jī)器學(xué)習(xí)的模型。前者包括時(shí)間序列預(yù)測(cè)器，如自回歸移動(dòng)平均外生變量模型[3]。這些傳統(tǒng)模型是基于線性回歸模型，不能準(zhǔn)確代表復(fù)雜負(fù)載的非線性特征[4]。不同的機(jī)器學(xué)習(xí)技術(shù)也被用于短期電網(wǎng)負(fù)荷預(yù)測(cè)，如人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)[5]、徑向基函數(shù)(radial basis function,RBF)[6]、模糊神經(jīng)模型[7]和支持向量回歸[8]。

預(yù)測(cè)過(guò)程依賴(lài)于對(duì)某一國(guó)家或地區(qū)電力需求歷史數(shù)據(jù)的分析，還可以考慮許多其他因素，如天氣預(yù)報(bào)和商業(yè)計(jì)劃。因此，需要整個(gè)歷史數(shù)據(jù)來(lái)訓(xùn)練預(yù)測(cè)模型，但是這樣的方法其缺點(diǎn)是，如果考慮到新的信息則所有參數(shù)都可能需要重新訓(xùn)練。此外，這種龐大的數(shù)據(jù)量和預(yù)期的復(fù)雜預(yù)測(cè)過(guò)程導(dǎo)致需要大量的計(jì)算能力。研究人員試圖找到近似方法來(lái)最小化這一數(shù)據(jù)量，并將所需的計(jì)算能力降到最低。這些研究試圖盡量減少數(shù)據(jù)采樣量等。許多方法解決了這些回溯問(wèn)題，其中一個(gè)采用了中的局部預(yù)測(cè)器[9-10]。

經(jīng)濟(jì)約束在任何算法研究中都起著主要作用。云計(jì)算的出現(xiàn)解決了研究人員和開(kāi)發(fā)人員面臨的許多經(jīng)濟(jì)問(wèn)題。在云計(jì)算技術(shù)之前，超級(jí)計(jì)算機(jī)是獲得巨大計(jì)算能力的唯一合適選擇，顯然這是一個(gè)非常昂貴的選擇。有許多計(jì)算系統(tǒng)可以提供巨大的計(jì)算能力，如分布式系統(tǒng)、網(wǎng)格計(jì)算、互聯(lián)網(wǎng)計(jì)算以及量子計(jì)算等，但云計(jì)算技術(shù)是最具性?xún)r(jià)比的選擇，獲得了廣泛的商業(yè)應(yīng)用。為此，一些研究試圖借助云計(jì)算技術(shù)為短期負(fù)荷預(yù)測(cè)提供足夠的計(jì)算能力[11-13]。

1 基于支持向量回歸的短期負(fù)荷預(yù)測(cè)算法

一般來(lái)說(shuō)，電力負(fù)荷由不同的消耗單元組成。各種因素都影響著電力負(fù)荷的變化，如天氣、重大事件、經(jīng)濟(jì)因素和隨機(jī)因素。短期負(fù)荷預(yù)測(cè)可以被認(rèn)為是一個(gè)多變量預(yù)測(cè)問(wèn)題。它可以作為回歸問(wèn)題的函數(shù)來(lái)求解。次日負(fù)荷為回歸模型的輸出，歷史負(fù)荷數(shù)據(jù)及其影響因素為回歸模型的輸入。歷史數(shù)據(jù)庫(kù)提供訓(xùn)練數(shù)據(jù)。該回歸問(wèn)題的最終目標(biāo)是從歷史負(fù)荷數(shù)據(jù)及其影響因素中找到一個(gè)具有良好泛化能力的預(yù)測(cè)負(fù)荷映射函數(shù)。歷史負(fù)荷數(shù)據(jù)被分為兩個(gè)不同的數(shù)據(jù)集：一個(gè)是訓(xùn)練數(shù)據(jù)集用來(lái)訓(xùn)練回歸模型；另一個(gè)是測(cè)試數(shù)據(jù)集用來(lái)評(píng)估訓(xùn)練后的回歸模型[14]。

基于統(tǒng)計(jì)學(xué)習(xí)理論提出的支持向量回歸(support vector regression,SVR)[15]已被研究作為一種有前景的電力負(fù)荷預(yù)測(cè)方法。其優(yōu)勢(shì)主要來(lái)自于采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，并作為經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則的替代方案，它可以通過(guò)求解二次問(wèn)題來(lái)獲得最優(yōu)的全局解。

SVR的執(zhí)行有兩個(gè)主要特征：二次規(guī)劃和核函數(shù)。二次規(guī)劃問(wèn)題將用線性約束求解得到SVR的參數(shù)。核函數(shù)的靈活性使該技術(shù)能夠搜索寬范圍的解空間。SVR的主要目標(biāo)是通過(guò)非線性映射將數(shù)據(jù)x映射到高維特征空間，并在該特征空間中執(zhí)行線性回歸[16-17]：

f(x)=〈w,x〉+b

(1)

式中：<.，.>表示點(diǎn)積；w包含必須從數(shù)據(jù)中估計(jì)的系數(shù)；b是一個(gè)實(shí)常數(shù)。使用Vaunink的ε-不敏感損失函數(shù)[18]，將整體優(yōu)化為

(2)

約束條件為

(3)

(4)

約束條件為

(5)

輸出是一個(gè)獨(dú)特的全局優(yōu)化結(jié)果，其形式如下：

(6)

式中，Q(xi，x)是核函數(shù)。在SVR中采用核函數(shù)，所有必要的計(jì)算可以直接在輸入空間中計(jì)算。核函數(shù)存在各種各樣的內(nèi)核，如線性、雙曲正切、高斯徑向基函數(shù)、多項(xiàng)式等[19]。在這里，使用常用的RBF內(nèi)核：

Q(xi,x)=e-γ‖xi-x‖2

(7)

SVR的參數(shù)C、γ和ε在SVR的性能中起著至關(guān)重要的作用。因此，選擇這些參數(shù)的正確值可以最大限度地減少預(yù)測(cè)誤差?；诤说腟VRs需要計(jì)算數(shù)據(jù)集中每個(gè)點(diǎn)之間的距離函數(shù)

(8)

基于SVR解決短期電網(wǎng)負(fù)荷預(yù)測(cè)問(wèn)題可以歸納為以下步驟：

1)加載歷史數(shù)據(jù)并將其分為訓(xùn)練集和驗(yàn)證集；

2)準(zhǔn)確確定SVR的參數(shù)；

3)使用定義的參數(shù)訓(xùn)練SVR以獲得支持向量和相應(yīng)的系數(shù)；

4) 利用式(6)得到預(yù)測(cè)的負(fù)載。

2 實(shí)驗(yàn)驗(yàn)證

為檢驗(yàn)云計(jì)算平臺(tái)在電力負(fù)荷預(yù)測(cè)領(lǐng)域的影響，實(shí)驗(yàn)旨在測(cè)試兩點(diǎn)：一是使用Azure ML實(shí)現(xiàn)負(fù)荷預(yù)測(cè)技術(shù)的準(zhǔn)確性；二是測(cè)試執(zhí)行時(shí)間的改進(jìn)。

2.1 數(shù)據(jù)集

該數(shù)據(jù)集收集了從2016年1月至2017年12月的0.5 h電力負(fù)荷、2016年至2017年的日平均溫度以及2016年至2017年的假期信息。目標(biāo)是預(yù)測(cè)2018年1月的每日最大負(fù)荷，并用2018年1月的負(fù)荷實(shí)際值驗(yàn)證計(jì)算預(yù)測(cè)值。

2.2 實(shí)驗(yàn)平臺(tái)

設(shè)計(jì)實(shí)驗(yàn)的實(shí)現(xiàn)有兩個(gè)選擇：本地實(shí)現(xiàn)和基于云的實(shí)現(xiàn)。對(duì)于本地實(shí)現(xiàn)，可使用臺(tái)式計(jì)算機(jī)及使用MATLAB軟件實(shí)現(xiàn)所提出的算法。臺(tái)式計(jì)算機(jī)具有以下規(guī)格： Microsoft Windows 10，Intel Core i7 2.7 GHz，RAM 16 GB。 對(duì)于基于云的實(shí)現(xiàn)，則用Azure ML[20]。

2.3 性能指標(biāo)

實(shí)驗(yàn)考慮了兩個(gè)主要的性能指標(biāo)：第1個(gè)也是最重要的一個(gè)是執(zhí)行時(shí)間(TExecution)；第2個(gè)是預(yù)測(cè)準(zhǔn)確性。所有實(shí)驗(yàn)將使用4個(gè)度量來(lái)評(píng)估預(yù)測(cè)準(zhǔn)確度：平均絕對(duì)百分比誤差(MAPE)、最大誤差幅度(MAX)、平均絕對(duì)誤差(MAE)和歸一化均方誤差(NMSE)。這些值由式(9)至式(13)定義：

(9)

MAX=max(|Ai-Pi|)

(10)

(11)

(12)

(13)

2.4 結(jié)果與討論

實(shí)驗(yàn)包括了4種不同的實(shí)驗(yàn)方案，用以比較和評(píng)估所提出的基于SVR算法的短期電網(wǎng)負(fù)荷模型在云計(jì)算平臺(tái)和單機(jī)計(jì)算平臺(tái)上的性能差異。

所有這些實(shí)驗(yàn)方案的目標(biāo)是使用訓(xùn)練集訓(xùn)練上面所述的預(yù)測(cè)模型，再使用這個(gè)預(yù)測(cè)模型來(lái)預(yù)測(cè)2018年1月的31天內(nèi)的最大日負(fù)荷，并與實(shí)際負(fù)荷進(jìn)行比較。所提出的各實(shí)驗(yàn)方案的訓(xùn)練數(shù)據(jù)有所不同，如表1所示。

表1 實(shí)驗(yàn)方案的數(shù)據(jù)集

4種實(shí)驗(yàn)方案的執(zhí)行結(jié)果如表2、圖1和圖2所示。結(jié)果表明，使用云計(jì)算平臺(tái)的執(zhí)行時(shí)間遠(yuǎn)遠(yuǎn)少于使用基于本地機(jī)器的單機(jī)計(jì)算平臺(tái)的執(zhí)行時(shí)間。特別是在訓(xùn)練數(shù)據(jù)相對(duì)較大的在實(shí)驗(yàn)方案2中，云計(jì)算平臺(tái)與單機(jī)計(jì)算平臺(tái)的執(zhí)行時(shí)間相比，時(shí)間執(zhí)行的改進(jìn)在10倍以上。值得指出的是，在云計(jì)算平臺(tái)上進(jìn)行的第2次實(shí)驗(yàn)時(shí)比第1次運(yùn)行更快，例如，實(shí)驗(yàn)方案2的第2次執(zhí)行時(shí)間等于9 s，遠(yuǎn)低于第1次的72 s。此外，從預(yù)測(cè)精度來(lái)看，兩者幾乎相同，在實(shí)驗(yàn)方案4的情況下實(shí)現(xiàn)了最佳預(yù)測(cè)精度為2.04%。

圖1 單機(jī)平臺(tái)和云平臺(tái)執(zhí)行時(shí)間對(duì)比

3 結(jié) 論

前面提出了一種基于支持向量回歸預(yù)測(cè)(SVR)算法短期電網(wǎng)負(fù)荷模型，并通過(guò)實(shí)驗(yàn)分別在云計(jì)算平臺(tái)和單機(jī)計(jì)算平臺(tái)上實(shí)現(xiàn)了該模型。在兩個(gè)平臺(tái)的對(duì)比實(shí)驗(yàn)中，選擇執(zhí)行時(shí)間和預(yù)測(cè)精度作為性能指標(biāo)。對(duì)于所使用的實(shí)驗(yàn)數(shù)據(jù)集，單機(jī)計(jì)算平臺(tái)和云計(jì)算平臺(tái)實(shí)現(xiàn)的算法預(yù)測(cè)精度是相同的；但是，在云計(jì)算平臺(tái)實(shí)現(xiàn)的算法執(zhí)行時(shí)間顯著減小。一般來(lái)說(shuō)，SVR并不推薦用于大型數(shù)據(jù)集，因?yàn)樗挠?jì)算成本很高，而前面采用云計(jì)算平臺(tái)體現(xiàn)了較好的計(jì)算效率，因此所進(jìn)行的實(shí)驗(yàn)結(jié)果可為相關(guān)研究提供借鑒。

表2 實(shí)驗(yàn)結(jié)果

圖2 各個(gè)實(shí)驗(yàn)方案下預(yù)測(cè)值和實(shí)際值的偏差