電力負(fù)荷預(yù)測(cè)研究綜述

錢育樹(shù),孔鈺婷,黃 聰

(1.中國(guó)能源建設(shè)集團(tuán)新疆電力設(shè)計(jì)院有限公司, 新疆 烏魯木齊 830002;2.新疆工程學(xué)院信息工程學(xué)院,新疆 烏魯木齊 830023;3.新疆大學(xué)軟件學(xué)院,新疆 烏魯木齊 830091)

0 引 言

電力工業(yè)是國(guó)民經(jīng)濟(jì)發(fā)展中的重要基礎(chǔ)性能源產(chǎn)業(yè),是保證國(guó)民經(jīng)濟(jì)和社會(huì)持續(xù)、穩(wěn)定、健康的發(fā)展的關(guān)鍵[1]。電力工業(yè)的發(fā)展建設(shè)對(duì)國(guó)家各行業(yè)起到至關(guān)重要的作用[2]。隨著改革開(kāi)放后中國(guó)經(jīng)濟(jì)的高速發(fā)展,各領(lǐng)域的用電需求在不斷激增,推動(dòng)著電力系統(tǒng)向數(shù)字化、智能化轉(zhuǎn)型發(fā)展[3]。

電力負(fù)荷預(yù)測(cè)是電力工業(yè)規(guī)劃中的一個(gè)重要過(guò)程,其通過(guò)電力歷史負(fù)荷數(shù)據(jù)和其他各類相關(guān)影響因素(如天氣條件、人類活動(dòng)、工業(yè)過(guò)程類型、時(shí)間和季節(jié)特征等)對(duì)未來(lái)時(shí)段的電力負(fù)荷、用電形勢(shì)、用電需求、用電量等進(jìn)行綜合預(yù)測(cè)及推算[4]。電力負(fù)荷的準(zhǔn)確預(yù)測(cè)并快速響應(yīng)對(duì)電力系統(tǒng)運(yùn)行的安全性、穩(wěn)定性、經(jīng)濟(jì)性具有重要意義。

為明確電力負(fù)荷預(yù)測(cè)的研究發(fā)展方向,需要掌握和了解電力負(fù)荷預(yù)測(cè)研究現(xiàn)狀,下面介紹了電力負(fù)荷預(yù)測(cè)的特性及分類、電力負(fù)荷預(yù)測(cè)的影響因素以及電力負(fù)荷預(yù)測(cè)的基本步驟;梳理并分析了電力系統(tǒng)負(fù)荷預(yù)測(cè)的現(xiàn)有研究成果并對(duì)電力負(fù)荷預(yù)測(cè)的未來(lái)發(fā)展方向進(jìn)行了展望。

1 電力負(fù)荷預(yù)測(cè)特性及分類

1.1 電力負(fù)荷預(yù)測(cè)特性

在對(duì)電力負(fù)荷進(jìn)行預(yù)測(cè)時(shí),需依據(jù)歷史負(fù)荷數(shù)據(jù)及其影響因素,考慮電力負(fù)荷預(yù)測(cè)時(shí)段的外在條件和用戶需求,建立相關(guān)的預(yù)測(cè)模型并進(jìn)行模型擇優(yōu),實(shí)現(xiàn)對(duì)電力系統(tǒng)負(fù)荷的可靠預(yù)測(cè)[5]。電力負(fù)荷預(yù)測(cè)具有以下特性:

1)不確定性:電力負(fù)荷數(shù)據(jù)受各種不可預(yù)見(jiàn)的情況影響是不斷變化的;隨著電力負(fù)荷預(yù)測(cè)技術(shù)的更新迭代,電力負(fù)荷預(yù)測(cè)的精度要求也在不斷變化[6]。

2)條件性:無(wú)論使用何種預(yù)測(cè)方法或模型進(jìn)行電力負(fù)荷預(yù)測(cè),都需要滿足相應(yīng)的預(yù)測(cè)條件[7]。

3)時(shí)間性:電力負(fù)荷預(yù)測(cè)需明確需要使用到的歷史負(fù)荷數(shù)據(jù)的時(shí)間范圍以及需要預(yù)測(cè)的未來(lái)負(fù)荷數(shù)據(jù)的時(shí)間范圍[8]。

4)多方案性:由于電力負(fù)荷的不確定性和條件性,需要依據(jù)多個(gè)預(yù)測(cè)方案的預(yù)測(cè)結(jié)果來(lái)挑選最優(yōu)的預(yù)測(cè)模型[8]。

5)相關(guān)性:電力負(fù)荷的自身發(fā)展過(guò)程存在相關(guān)性;電力負(fù)荷與外在影響因素之間也存在相關(guān)性[6]。

6)相似性:電力負(fù)荷在相近的年、季度、月、周、日、節(jié)假日呈現(xiàn)出相似的變化趨勢(shì)[9]。

7)地域多樣性:不同地區(qū)的經(jīng)濟(jì)發(fā)展能力、氣候變化、行為習(xí)慣存在差異,電力負(fù)荷在地域上存在多樣性,在進(jìn)行電力預(yù)測(cè)時(shí)需考慮地區(qū)的具體情況[10]。

1.2 電力負(fù)荷預(yù)測(cè)分類

電力負(fù)荷預(yù)測(cè)的內(nèi)容包括最大負(fù)荷功率、負(fù)荷電量及負(fù)荷曲線的預(yù)測(cè)[11]。電力負(fù)荷預(yù)測(cè)可按如下依據(jù)進(jìn)行分類:

1)行業(yè):商業(yè)負(fù)荷、工業(yè)負(fù)荷、農(nóng)用負(fù)荷、民用負(fù)荷以及其他負(fù)荷預(yù)測(cè)等[12]。

2)特性:最低負(fù)荷、最高負(fù)荷、平均負(fù)荷、負(fù)荷峰谷差、高峰負(fù)荷平均、低谷負(fù)荷平均、平峰負(fù)荷平均預(yù)測(cè)[12]。

3)時(shí)空特性:基于時(shí)間序列的負(fù)荷預(yù)測(cè)和基于空間范圍的負(fù)荷預(yù)測(cè)[12]。

4)預(yù)測(cè)時(shí)間周期:長(zhǎng)期負(fù)荷預(yù)測(cè)(年)、中期負(fù)荷預(yù)測(cè)(月)、短期負(fù)荷預(yù)測(cè)(日)、超短期負(fù)荷預(yù)測(cè)(時(shí))、節(jié)假日預(yù)測(cè)(時(shí))[13]。

5)用戶等級(jí):一類負(fù)荷、二類負(fù)荷和三類負(fù)荷[14]。

6)電能:用電負(fù)荷、供電負(fù)荷、發(fā)電負(fù)荷[14]。

2 電力負(fù)荷預(yù)測(cè)影響因素分析

電力負(fù)荷是指用戶在電力系統(tǒng)中某一時(shí)刻所需的用電功率,經(jīng)常受外在因素影響。開(kāi)展電力系統(tǒng)負(fù)荷預(yù)測(cè)不僅要考慮預(yù)測(cè)模型,同時(shí)需要考慮外在因素對(duì)電力負(fù)荷變化的影響,以達(dá)到提升預(yù)測(cè)結(jié)果準(zhǔn)確性的目標(biāo)。對(duì)電力負(fù)荷預(yù)測(cè)的客觀影響因素主要有:

1)自然因素:室內(nèi)外氣溫、空氣濕度、太陽(yáng)照射角、風(fēng)速、降水量、氣壓、天氣等自然環(huán)境的變化會(huì)影響用戶用電行為及用電設(shè)備發(fā)生變化,造成電力負(fù)荷變化[15]。

2)經(jīng)濟(jì)因素:經(jīng)濟(jì)因素在區(qū)域經(jīng)濟(jì)水準(zhǔn)、居民收入水準(zhǔn)兩方面影響著電力負(fù)荷的變化。區(qū)域經(jīng)濟(jì)水準(zhǔn)受地區(qū)的宏觀政策、產(chǎn)業(yè)總量增長(zhǎng)、產(chǎn)業(yè)結(jié)構(gòu)、人口發(fā)展、電價(jià)等影響;居民收入水準(zhǔn)對(duì)居民用戶用電行為及設(shè)備所有權(quán)起決定性作用[16]。

3)時(shí)間因素:在較長(zhǎng)的時(shí)間尺度中,電力負(fù)荷的變化趨勢(shì)隨著時(shí)間的推移呈現(xiàn)出周期性的變化,如周末與工作日以周為單位的變化、法定節(jié)假日等長(zhǎng)假期與短假期帶來(lái)的變化、春夏秋冬等隨著季節(jié)變化電力負(fù)荷存在一定的變化規(guī)律[17]。

4)人文特點(diǎn):某地區(qū)的居民密集度、住戶位置、生活習(xí)俗、居民職業(yè)特點(diǎn)、家庭人口年齡構(gòu)成等對(duì)用戶用電習(xí)慣與負(fù)荷高低會(huì)產(chǎn)生影響[15]。

5)突發(fā)事件:受自然災(zāi)害、人為因素不可預(yù)知的未來(lái)事件影響所導(dǎo)致的配電設(shè)施的臨時(shí)性維修、輸電線路的突然故障、變電系統(tǒng)故障等會(huì)造成電力負(fù)荷突變,影響電力系統(tǒng)的安全穩(wěn)定運(yùn)行,同時(shí)對(duì)電力負(fù)荷預(yù)測(cè)增加難度[16]。

6)其他因素:例如大型賽事或演藝活動(dòng)等短暫且無(wú)舉辦固定時(shí)間的活動(dòng)會(huì)導(dǎo)致短期電力負(fù)荷增加;節(jié)能減排、新能源等政策實(shí)施會(huì)降低用戶用電量。這些短暫性的電力負(fù)荷變化因素在開(kāi)展電力負(fù)荷預(yù)測(cè)工作時(shí)需要人工經(jīng)驗(yàn)干預(yù)[18]。

3 電力負(fù)荷預(yù)測(cè)基本步驟

電力負(fù)荷預(yù)測(cè)需要確定預(yù)測(cè)對(duì)象,選取相應(yīng)的電力負(fù)荷歷史數(shù)據(jù)集,處理分析并挖掘出電力負(fù)荷數(shù)據(jù)的特征,建立合適的負(fù)荷預(yù)測(cè)模型,最后完成電力負(fù)荷預(yù)測(cè)任務(wù)[10]。

電力負(fù)荷預(yù)測(cè)任務(wù)的性能評(píng)價(jià)指標(biāo)通常有平均絕對(duì)誤差(mean absolute error,MAE)、均方根誤差(root mean square error, RMSE)、平均絕對(duì)百分比誤差(mean absolute percentage error, MAPE)、均方誤差(mean square error, MSE)、相對(duì)誤差(relative error,RE)、預(yù)測(cè)精度(forecast accuracy,FA)、預(yù)測(cè)區(qū)間覆蓋率(prediction intervals coverage probability,PICP)、平均區(qū)間寬度 (mean prediction intervals width,NMPIW)、考慮覆蓋率及寬度的綜合評(píng)價(jià)指標(biāo)(coverage width-based criterion,CWC)、平均誤差(mean error,ME)、準(zhǔn)確率 (accuracy,ACC)[19-25]。

電力負(fù)荷預(yù)測(cè)的基本步驟如下:

1)確定預(yù)測(cè)的目標(biāo)。針對(duì)電力負(fù)荷任務(wù),分析確定預(yù)測(cè)的對(duì)象、要求和目的等。

2)獲取電力負(fù)荷歷史數(shù)據(jù)。在明確預(yù)測(cè)目標(biāo)的基礎(chǔ)上搜集完整準(zhǔn)確的電力負(fù)荷歷史數(shù)據(jù)。

3)數(shù)據(jù)分析及處理。結(jié)合影響電力負(fù)荷的外在因素的歷史數(shù)據(jù),分析出電力負(fù)荷預(yù)測(cè)任務(wù)的數(shù)據(jù)特征,并進(jìn)行數(shù)據(jù)集的整合;對(duì)數(shù)據(jù)集進(jìn)行缺失值和異常值的處理,再開(kāi)展數(shù)據(jù)的歸一化、標(biāo)準(zhǔn)化、特征編碼、數(shù)據(jù)集劃分等工作。

4)建立合適的電力負(fù)荷預(yù)測(cè)模型。數(shù)據(jù)處理完之后,結(jié)合數(shù)據(jù)的輸入特征和變化規(guī)律,建立合適的電力負(fù)荷預(yù)測(cè)模型。訓(xùn)練集用于訓(xùn)練預(yù)測(cè)模型,驗(yàn)證集用于驗(yàn)證和調(diào)優(yōu)模型。

5)模型測(cè)試及評(píng)估。在模型優(yōu)化完成后,輸入測(cè)試集開(kāi)始模型的預(yù)測(cè),對(duì)比預(yù)測(cè)負(fù)荷與真實(shí)負(fù)荷,通過(guò)性能評(píng)價(jià)指標(biāo)對(duì)模型預(yù)測(cè)結(jié)果和表現(xiàn)進(jìn)行定性分析,幫助研究人員從多個(gè)模型中選擇出當(dāng)前電力負(fù)荷任務(wù)的最優(yōu)模型[22]。

4 電力系統(tǒng)負(fù)荷預(yù)測(cè)方法

下面按照傳統(tǒng)預(yù)測(cè)方法、機(jī)器學(xué)習(xí)預(yù)測(cè)方法及深度學(xué)習(xí)預(yù)測(cè)方法等對(duì)電力系統(tǒng)負(fù)荷預(yù)測(cè)方法進(jìn)行劃分,并指出這些方法優(yōu)劣及適用的環(huán)境。

4.1 傳統(tǒng)預(yù)測(cè)方法

傳統(tǒng)預(yù)測(cè)方法包括時(shí)間序列分析法、趨勢(shì)分析法、回歸分析法、指數(shù)平滑法、灰色預(yù)測(cè)模型等多種方法[26]。

1)時(shí)間序列分析法,分析的是隨時(shí)間變化的連續(xù)的電力負(fù)荷歷史數(shù)據(jù)序列,建立數(shù)學(xué)模型來(lái)描述負(fù)荷值與時(shí)間的相互關(guān)系, 確定時(shí)間序列的表達(dá)式來(lái)進(jìn)行時(shí)間序列的負(fù)荷預(yù)測(cè)[27]。該方法的優(yōu)點(diǎn)在于所需的數(shù)據(jù)量少,且預(yù)測(cè)結(jié)果具有連續(xù)性;其劣勢(shì)在于只適用于短期電力負(fù)荷預(yù)測(cè),對(duì)周期性因素考慮較多,對(duì)不確定因素如節(jié)假日、天氣等考慮較少。文獻(xiàn)[28]提升基于小波變換的時(shí)間序列分析方法來(lái)進(jìn)行電力負(fù)荷預(yù)測(cè),采用提升小波變換對(duì)用戶電力負(fù)荷數(shù)據(jù)的主要特征進(jìn)行提取,避免用電量數(shù)據(jù)隨機(jī)和波動(dòng)帶來(lái)的干擾。文獻(xiàn)[29]融合利用卡爾曼濾波算法的自適應(yīng)優(yōu)勢(shì),較簡(jiǎn)單地得到比較準(zhǔn)確的狀態(tài)方程和觀測(cè)方程,短期電力負(fù)荷預(yù)測(cè)精度得到提升。

2)趨勢(shì)分析法又稱為趨勢(shì)曲線分析方法,是使用最廣、研究最多的定量預(yù)測(cè)方法[30]。趨勢(shì)分析法是根據(jù)已知的歷史數(shù)據(jù)來(lái)擬合一個(gè)函數(shù),使得函數(shù)能表達(dá)未來(lái)某個(gè)時(shí)間點(diǎn)電力系統(tǒng)負(fù)荷的預(yù)測(cè)值,常用的函數(shù)類型有多項(xiàng)式、對(duì)數(shù)、冪函數(shù)、指數(shù)等。趨勢(shì)分析法通常要求完全擬合歷史數(shù)據(jù),不考慮隨機(jī)誤差,預(yù)測(cè)精確度易受突發(fā)事件的影響?；谪?fù)荷曲線進(jìn)行的預(yù)測(cè)方法還有負(fù)荷極值分析、電力負(fù)荷密度等,均屬超短期負(fù)荷預(yù)測(cè)方法[31]。

3)回歸分析法又稱統(tǒng)計(jì)分析法,是確定預(yù)測(cè)值和影響因子之間關(guān)系的方法。在電力系統(tǒng)負(fù)荷預(yù)測(cè)中表現(xiàn)為分析天氣、區(qū)域經(jīng)濟(jì)水平和產(chǎn)業(yè)結(jié)構(gòu)等眾多因素與預(yù)測(cè)值之間的關(guān)系。但單純的回歸分析不能滿足日益復(fù)雜的數(shù)據(jù)和精度要求,通常會(huì)結(jié)合一些其他的數(shù)據(jù)處理方法,如文獻(xiàn)[32]通過(guò)對(duì)海上油田各生產(chǎn)環(huán)節(jié)的電力負(fù)荷需求和發(fā)展趨勢(shì)進(jìn)行分析,采用逐步回歸分析法進(jìn)行電力負(fù)荷預(yù)測(cè)特征量的強(qiáng)篩選,并建立電力負(fù)荷預(yù)測(cè)盲數(shù)化回歸模型提升電力負(fù)荷預(yù)測(cè)的精度?；貧w分析法的優(yōu)勢(shì)在于方法簡(jiǎn)單、參數(shù)較少、預(yù)測(cè)的速度較快,但對(duì)于歷史數(shù)據(jù)要求較高,且無(wú)法將大量的影響因素考慮進(jìn)來(lái)?；貧w分析法適用于中期、長(zhǎng)期電力負(fù)荷預(yù)測(cè)的應(yīng)用場(chǎng)景。

4)指數(shù)平滑法與回歸分析法類似,都是基于時(shí)間序列和負(fù)荷值建立預(yù)測(cè)模型,與回歸分析法不同的是指數(shù)平滑法更靈活,擬合性能也更好。指數(shù)平滑法采用過(guò)去數(shù)周的同類型日的相同時(shí)刻的負(fù)荷組成時(shí)間序列數(shù)據(jù),對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行加權(quán)平均,得出待預(yù)測(cè)的負(fù)荷值。文獻(xiàn)[33]提出具有“厚近薄遠(yuǎn)”特性的指數(shù)平滑法,解決了中長(zhǎng)期電力負(fù)荷預(yù)測(cè)中存在時(shí)間跨度大和廣域分布廣等難題。指數(shù)平滑法的優(yōu)勢(shì)在于對(duì)季節(jié)波動(dòng)不敏感及對(duì)季節(jié)趨勢(shì)變化不明顯的時(shí)間序列數(shù)據(jù)預(yù)測(cè)效果較好;劣勢(shì)在于該方法的預(yù)測(cè)結(jié)果為變化趨勢(shì),難以實(shí)現(xiàn)準(zhǔn)確的定量預(yù)測(cè)。該方法適用于短期、中期、長(zhǎng)期電力負(fù)荷預(yù)測(cè)。

5)灰色預(yù)測(cè)模型是對(duì)含有不確定因素的系統(tǒng)進(jìn)行電力負(fù)荷預(yù)測(cè)的方法。使用灰色預(yù)測(cè)模型時(shí)先鑒別系統(tǒng)的不確定因素以及不確定因素之間變化的相異程度;然后處理原始數(shù)據(jù),尋找系統(tǒng)變化的規(guī)律;最后生成有較強(qiáng)規(guī)律的時(shí)間序列數(shù)據(jù),以便開(kāi)展電力系統(tǒng)中電力負(fù)荷趨勢(shì)的預(yù)測(cè)?；疑A(yù)測(cè)模型的優(yōu)勢(shì)在于預(yù)測(cè)的計(jì)算量小、所需的負(fù)荷數(shù)據(jù)少,對(duì)指數(shù)趨勢(shì)負(fù)荷預(yù)測(cè)效果較好;劣勢(shì)在于該方法未考慮到其他影響因素導(dǎo)致負(fù)荷變化規(guī)律不具有指數(shù)性時(shí),電力負(fù)荷預(yù)測(cè)精度隨之降低。該方法適用于短期、中期、長(zhǎng)期電力負(fù)荷預(yù)測(cè)。文獻(xiàn)[34-36]等對(duì)灰色預(yù)測(cè)模型進(jìn)行改進(jìn)應(yīng)用,電力負(fù)荷預(yù)測(cè)的精度和穩(wěn)定性得到提升。

早期電力系統(tǒng)的經(jīng)濟(jì)結(jié)構(gòu)相對(duì)簡(jiǎn)單,影響電力負(fù)荷的因素較少,傳統(tǒng)的電力負(fù)荷預(yù)測(cè)模型能快速、準(zhǔn)確地預(yù)測(cè)電力負(fù)荷。隨著經(jīng)濟(jì)結(jié)構(gòu)的快速發(fā)展與變化,電力負(fù)荷中非線性和不確定性使得電力負(fù)荷預(yù)測(cè)愈發(fā)困難,傳統(tǒng)預(yù)測(cè)方法不能很好地預(yù)測(cè)結(jié)果,需要依據(jù)實(shí)際情況進(jìn)行預(yù)測(cè)方法的優(yōu)化改進(jìn),考慮到氣候、天氣等外界因素影響,實(shí)現(xiàn)對(duì)電力負(fù)荷的精準(zhǔn)穩(wěn)定預(yù)測(cè)。

4.2 機(jī)器學(xué)習(xí)預(yù)測(cè)方法

電力負(fù)荷預(yù)測(cè)受多種因素影響,具備一定的非線性。機(jī)器學(xué)習(xí)具有較強(qiáng)的非線性映射能力,能有效地處理電力負(fù)荷預(yù)測(cè)中的非線性問(wèn)題。傳統(tǒng)的機(jī)器學(xué)習(xí)方法有支持向量機(jī)、決策樹(shù)、隨機(jī)森林等,這些方法能使用較少的數(shù)據(jù)處理非線性問(wèn)題。

1)支持向量機(jī)(support vector machine,SVM)是尋找一個(gè)超平面來(lái)處理非線性問(wèn)題,能處理分類問(wèn)題和回歸問(wèn)題。支持向量機(jī)用于處理回歸問(wèn)題時(shí)被稱為支持向量回歸,該模型是尋找一個(gè)超平面擬合現(xiàn)有數(shù)據(jù),使得所有數(shù)據(jù)到超平面的損失值最小。支持向量機(jī)具備處理小樣本、非線性問(wèn)題的優(yōu)勢(shì);其劣勢(shì)在于支持向量機(jī)的參數(shù)量選擇困難。該方法適用于超短期、短期、中期、長(zhǎng)期電力負(fù)荷預(yù)測(cè)。文獻(xiàn)[37]通過(guò)混沌類電磁學(xué)算法優(yōu)化支持向量機(jī)的參數(shù)選擇過(guò)程,算法收斂效率和尋優(yōu)能力得到了提升,適用于短期電力負(fù)荷預(yù)測(cè)。支持向量機(jī)還可以通過(guò)K-means[38]、最小二乘支持向量機(jī)[39]、麻雀搜索算法[40]、海鷗優(yōu)化算法[41]等進(jìn)行模型優(yōu)化。

決策樹(shù)(decision tree,DT)在機(jī)器學(xué)習(xí)中表示的是對(duì)象屬性與對(duì)象值之間的一種映射關(guān)系,是一種可以處理分類與回歸問(wèn)題的方法。決策樹(shù)學(xué)習(xí)時(shí),根據(jù)訓(xùn)練數(shù)據(jù)與損失函數(shù)最小化的原則構(gòu)建決策模型。決策樹(shù)具有分類速度快、生成模式簡(jiǎn)單的優(yōu)點(diǎn),其劣勢(shì)在于易受訓(xùn)練數(shù)據(jù)中對(duì)決策不相關(guān)屬性的影響。該方法的適用場(chǎng)景為短期、長(zhǎng)期電力負(fù)荷預(yù)測(cè)。文獻(xiàn)[42]通過(guò)減少異質(zhì)數(shù)據(jù)的干擾,降低訓(xùn)練數(shù)據(jù)的規(guī)模,提出基于局部相似度取小綜合的相似度計(jì)算方法和加權(quán)相似度損失函數(shù),提升訓(xùn)練數(shù)據(jù)的相似度,改進(jìn)梯度提升決策樹(shù)學(xué)習(xí)算法,進(jìn)而提升電力負(fù)荷預(yù)測(cè)的性能。

3)隨機(jī)森林(random forest)是一種由決策樹(shù)構(gòu)成的集成算法,屬于Bagging類型。隨機(jī)森林處理回歸問(wèn)題時(shí)稱為隨機(jī)森林回歸。隨機(jī)森林回歸模型通過(guò)隨機(jī)抽取樣本和特征,建立多顆互不關(guān)聯(lián)的決策樹(shù),綜合所有決策樹(shù)的結(jié)果得出最終預(yù)測(cè)結(jié)果。通過(guò)集成多顆決策樹(shù),使得模型具有較高的精確度和泛化性能。隨機(jī)森林的優(yōu)勢(shì)在于對(duì)異常值有較高的容忍度,且不容易出現(xiàn)過(guò)擬合;劣勢(shì)在于當(dāng)數(shù)據(jù)不平衡時(shí)會(huì)導(dǎo)致分類準(zhǔn)確率降低。該方法適用于短期、中期、長(zhǎng)期電力負(fù)荷預(yù)測(cè)。文獻(xiàn)[43]在電力預(yù)測(cè)中采用隨機(jī)森林對(duì)不同產(chǎn)業(yè)進(jìn)行針對(duì)性建模,提升了中短期電力負(fù)荷預(yù)測(cè)的精度。將隨機(jī)森林與其他機(jī)器學(xué)習(xí)的方法相結(jié)合同樣能提升模型的精度,文獻(xiàn)[44]通過(guò)將模糊聚類與隨機(jī)森林回歸相結(jié)合,預(yù)測(cè)北愛(ài)爾蘭短期電力負(fù)荷,預(yù)測(cè)結(jié)果表明了模糊聚類與隨機(jī)森林相結(jié)合的有效性。

傳統(tǒng)的基于機(jī)器學(xué)習(xí)預(yù)測(cè)方法相比于傳統(tǒng)的預(yù)測(cè)方法可以提升預(yù)測(cè)精度,得到較好的預(yù)測(cè)結(jié)果,但傳統(tǒng)的機(jī)器學(xué)習(xí)方法對(duì)數(shù)據(jù)特征的挖掘還是略顯不足,面對(duì)復(fù)雜的電力系統(tǒng)時(shí)不能很好地預(yù)測(cè)電力負(fù)荷。

4.3 深度學(xué)習(xí)預(yù)測(cè)方法

深度學(xué)習(xí)預(yù)測(cè)方法是用神經(jīng)網(wǎng)絡(luò)作為參數(shù)結(jié)構(gòu)進(jìn)行優(yōu)化的機(jī)器學(xué)習(xí)方法。神經(jīng)網(wǎng)絡(luò)也稱人工神經(jīng)網(wǎng)絡(luò),是一種模仿生物神經(jīng)網(wǎng)絡(luò)信息傳遞和處理的數(shù)學(xué)模型。該模型通過(guò)大量節(jié)點(diǎn)并行或串行處理輸入的信息,得到一個(gè)或多個(gè)輸出目標(biāo)。該模式具有復(fù)雜度高、適應(yīng)性強(qiáng)、能自適應(yīng)的學(xué)習(xí)數(shù)據(jù)特征,因此被廣泛使用。神經(jīng)網(wǎng)絡(luò)的基本單元是感知機(jī),能夠接收多個(gè)輸入特征(x1,x2,…,xn),經(jīng)過(guò)可學(xué)習(xí)的權(quán)重(w1,w2,…,wn)和偏置b加權(quán)融合所有信息。加權(quán)融合并不能增加模型的非線性映射能力,因此通過(guò)一個(gè)非線性的激活函數(shù)θ(·)增加模型的非線性能力。電力行業(yè)經(jīng)過(guò)多年的發(fā)展已經(jīng)累積了大量珍貴的數(shù)據(jù),深度學(xué)習(xí)的自適應(yīng)學(xué)習(xí)特性非常有利于擬合這些數(shù)據(jù)特征,進(jìn)行電力負(fù)荷預(yù)測(cè)。目前廣泛應(yīng)用于電力負(fù)荷預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)有誤差逆?zhèn)鞑?back propagation,BP)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)以及新興的Transformer模型[15]。

1)BP神經(jīng)網(wǎng)絡(luò)是通過(guò)反向傳播算法進(jìn)行訓(xùn)練的多層神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)分為兩個(gè)過(guò)程,即信息的前向傳播和誤差的反向傳播。前向傳播中,信息從輸入層開(kāi)始,經(jīng)過(guò)隱含層提取信息和特征,最后由輸出層輸出結(jié)果。反向傳播中,誤差通過(guò)鏈?zhǔn)角髮?dǎo)更新每個(gè)權(quán)重和偏置。文獻(xiàn)[45]將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于短期電力預(yù)測(cè),取得較好的預(yù)測(cè)結(jié)果。BP神經(jīng)網(wǎng)絡(luò)具有較好的非線性擬合性能,與其他算法結(jié)合能取得更好的預(yù)測(cè)結(jié)果,文獻(xiàn)[46]提出將主成分分析和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合,提升影響因子的細(xì)粒度,降低冗余信息的干擾,提升預(yù)測(cè)精度。文獻(xiàn)[47]發(fā)現(xiàn)將負(fù)荷數(shù)據(jù)與氣象信息作為輸入,結(jié)合貓群優(yōu)化算法與BP神經(jīng)網(wǎng)絡(luò)能獲得更好的預(yù)測(cè)結(jié)果。BP神經(jīng)網(wǎng)絡(luò)雖然具有較強(qiáng)的非線性映射能力、高度的自適應(yīng)和自學(xué)習(xí)能力、較強(qiáng)的泛化能力以及具有一定的容錯(cuò)能力,但BP神經(jīng)網(wǎng)絡(luò)的參數(shù)冗余、收斂速度慢、局部極小化問(wèn)題不容忽視。BP神經(jīng)網(wǎng)絡(luò)適用于短期、中期、長(zhǎng)期電力負(fù)荷預(yù)測(cè)。

2)卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)是帶有卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò),可以高效地處理圖像數(shù)據(jù)或圖像序列數(shù)據(jù),同樣可以處理電力數(shù)據(jù)。與BP神經(jīng)網(wǎng)絡(luò)不同的是,卷積神經(jīng)網(wǎng)絡(luò)的上下層神經(jīng)元并不直接連接,而是通過(guò)共享卷積核連接,極大地減少神經(jīng)網(wǎng)絡(luò)中的參數(shù)量,避免參數(shù)冗余。卷積運(yùn)算是指將輸入的特征圖通過(guò)多個(gè)不同的卷積核做加權(quán)融合運(yùn)算,得到新的特征圖或特征序列。其中卷積核提取需要的各種特征,每個(gè)輸入的特征都有權(quán)重與之相乘。權(quán)值共享方式能大幅度降低神經(jīng)網(wǎng)絡(luò)中的參數(shù)量。不同的任務(wù)使用不同大小的卷積核,小尺寸卷積核能有效降低模型的參數(shù)量,但也限制了模型的感受野,在相同參數(shù)量時(shí)堆疊多個(gè)小尺寸的卷積核性能更優(yōu)。卷積神經(jīng)網(wǎng)絡(luò)適用于短期電力負(fù)荷預(yù)測(cè)。文獻(xiàn)[48]通過(guò)全卷積網(wǎng)絡(luò)和因果邏輯約束增強(qiáng)時(shí)間序列特征表達(dá),通過(guò)多尺度卷積核提取不同時(shí)間長(zhǎng)度的特征,進(jìn)而提高模型預(yù)測(cè)電力負(fù)荷的精度和穩(wěn)定性。卷積神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)類似,可以結(jié)合一些傳統(tǒng)的機(jī)器學(xué)習(xí)方法提升模型的預(yù)測(cè)精度,例如文獻(xiàn)[49]通過(guò)結(jié)合K-means與卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)短期電力負(fù)荷:首先,通過(guò)K-means將用戶分為日相關(guān)強(qiáng)的類和日相關(guān)弱的類;然后,對(duì)相關(guān)性強(qiáng)的類采用相鄰時(shí)刻的數(shù)據(jù)和日數(shù)據(jù)作為輸入,對(duì)相關(guān)性弱的類,僅使用相鄰時(shí)刻的數(shù)據(jù)作為輸入;最后,通過(guò)CNN提取特征,用實(shí)驗(yàn)結(jié)果表明了算法的可行性。

3)循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)是一種將輸出作為下次輸入一部分的神經(jīng)網(wǎng)絡(luò)模型[50]。該模型能捕獲前后輸出之間的相關(guān)性,其特性也能用于電力負(fù)荷預(yù)測(cè),但RNN不善于學(xué)習(xí)長(zhǎng)期依賴,僅適用于短期依賴,即應(yīng)用于短期電力負(fù)荷預(yù)測(cè)場(chǎng)景。文獻(xiàn)[51]提出長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(long short-term memory,LSTM)有效地解決RNN中長(zhǎng)期依賴問(wèn)題。LSTM增加了輸入門、遺忘門和輸出門。輸入門決定隱藏層信息是否更新,遺忘門決定更新的隱藏層是否包含上一時(shí)刻的信息,輸出門決定輸出那部分信息。電力系統(tǒng)負(fù)荷預(yù)測(cè)任務(wù)具有時(shí)間屬性,這與循環(huán)神經(jīng)網(wǎng)絡(luò)的特性相符合。文獻(xiàn)[52]中當(dāng)訓(xùn)練數(shù)據(jù)較少、數(shù)據(jù)中時(shí)間間隔較短時(shí),RNN能較好地學(xué)習(xí)數(shù)據(jù)特征并較為準(zhǔn)確地預(yù)測(cè)電力系統(tǒng)負(fù)荷;但隨著數(shù)據(jù)中時(shí)間間隔增長(zhǎng),RNN難以達(dá)到理想的預(yù)測(cè)結(jié)果。電力負(fù)荷數(shù)據(jù)中,不同尺度的信息側(cè)重點(diǎn)不同,結(jié)合不同尺度的信息能有效地提升預(yù)測(cè)的精度,如基于多尺度跳躍[53]、利用自適應(yīng)柯西變異粒子群算法[54]等進(jìn)行模型優(yōu)化。卷積神經(jīng)網(wǎng)絡(luò)按步長(zhǎng)滑動(dòng)卷積核計(jì)算的方式雖然降低了參數(shù)量,但造成互不相干的特征提取無(wú)法采用矩陣運(yùn)算,進(jìn)而限制了模型的推理速度。循環(huán)神經(jīng)網(wǎng)絡(luò)能很好地適應(yīng)電力數(shù)據(jù)的時(shí)間特性,LSTM能自發(fā)記憶長(zhǎng)期依賴,但訓(xùn)練速度慢、訓(xùn)練難度高和模型的可解釋性差,使得基于LSTM的電力預(yù)測(cè)模型還需進(jìn)一步研究。

4)Transformer模型最初提出用于解決自然語(yǔ)言處理中循環(huán)神經(jīng)網(wǎng)絡(luò)難以并行加速的問(wèn)題[52]。標(biāo)準(zhǔn)Transformer模型由編碼器(encode)和解碼器(decode)組成,decode相比于encode多了一個(gè)多頭注意力模塊和規(guī)范化網(wǎng)絡(luò)層(layer normalization)用于接收encode輸出。除了encode的輸出,decode的輸入還包括上一個(gè)decode的輸出,依次類推完成解碼。電力負(fù)荷預(yù)測(cè)的非線性、時(shí)間性和不確定性提高了負(fù)荷預(yù)測(cè)的難度,但Transformer模型能充分捕獲電力負(fù)荷序列的位置、周期性、趨勢(shì)和時(shí)間信息,能有效地降低預(yù)測(cè)難度,提高預(yù)測(cè)精度。該方法適用于短期、中期、長(zhǎng)期電力負(fù)荷預(yù)測(cè)場(chǎng)景。文獻(xiàn)[55]提出基于特征嵌入和Transformer的負(fù)荷預(yù)測(cè)模型,首先通過(guò)融合負(fù)荷位置、趨勢(shì)、周期性、時(shí)間和天氣信息得到負(fù)荷特征向量,再通過(guò)Transformer模型挖掘特征向量中的非線性時(shí)序依賴關(guān)系,最后通過(guò)全連接預(yù)測(cè)電力負(fù)荷。Transformer模型能有效挖掘電力負(fù)荷數(shù)據(jù)中長(zhǎng)期的依賴關(guān)系,進(jìn)而提高電力負(fù)荷預(yù)測(cè)的精度。利用Transformer捕獲電力負(fù)荷數(shù)據(jù)中長(zhǎng)距離依賴關(guān)系的模型還有基于XGBoost、GRU的改進(jìn)模型[56-57〗,可進(jìn)一步提高電力負(fù)荷預(yù)測(cè)的精度和效率。

5 結(jié) 論

上面總結(jié)了電力負(fù)荷預(yù)測(cè)的特性、影響因素、預(yù)測(cè)基本步驟及性能評(píng)價(jià),并從傳統(tǒng)預(yù)測(cè)方法、機(jī)器學(xué)習(xí)預(yù)測(cè)方法、深度學(xué)習(xí)預(yù)測(cè)方法等三方面梳理并分析了電力系統(tǒng)負(fù)荷預(yù)測(cè)的研究成果。隨著新能源汽車、儲(chǔ)能系統(tǒng)等技術(shù)的快速發(fā)展,電力系統(tǒng)即產(chǎn)即用的特征將發(fā)生重大轉(zhuǎn)變,風(fēng)能、太陽(yáng)能等不穩(wěn)定能源發(fā)電的潛力將得到極大釋放,因此電力系統(tǒng)負(fù)荷預(yù)測(cè)技術(shù)也應(yīng)在以下幾個(gè)方面進(jìn)一步發(fā)展:

1)隨著儲(chǔ)能技術(shù)的發(fā)展,不穩(wěn)定能源將得到極大開(kāi)發(fā),電力負(fù)荷預(yù)測(cè)應(yīng)細(xì)化天氣、地理環(huán)境、風(fēng)能和太陽(yáng)能儲(chǔ)備等因素的影響,以獲得更準(zhǔn)確、更合理的長(zhǎng)期預(yù)測(cè)結(jié)果,為電力規(guī)劃部門提供更有力的依據(jù);

2)傳統(tǒng)方法雖然存在一定的局限性,但在特定領(lǐng)域仍發(fā)揮著重要的作用,如何更有效地結(jié)合傳統(tǒng)方法與最新的深度學(xué)習(xí)方法仍值得研究;

3)電力負(fù)荷受地區(qū)政策、經(jīng)濟(jì)影響較大,應(yīng)多考慮研究融合時(shí)間和空間的電力負(fù)荷預(yù)測(cè)技術(shù)。