苗福豐，吳豫

（國網(wǎng)河南省電力公司，河南鄭州 450052）

能源是保障國家經(jīng)濟(jì)發(fā)展和人民生活的命脈。多年來，人類的發(fā)展均依靠傳統(tǒng)的化石能源，而隨著化石能源枯竭與各種新能源技術(shù)的發(fā)展，世界能源結(jié)構(gòu)將出現(xiàn)重大變革[1-4]。2020 年，我國提出了“碳中和”及“碳達(dá)峰”的雙碳目標(biāo)，這意味著清潔能源將逐漸占據(jù)能源消費(fèi)的主導(dǎo)地位?！笆奈濉笔俏覈鴮?shí)現(xiàn)“雙碳”目標(biāo)的關(guān)鍵窗口期，故深入開展多種能源協(xié)作的綜合能源系統(tǒng)研究，并提高清潔能源消費(fèi)占比與化石能源利用率，對于降低碳排放均具有積極的意義。在此背景下，小范圍、區(qū)域化的綜合能源系統(tǒng)將扮演更為重要的角色[5-13]。但目前，綜合能源系統(tǒng)的應(yīng)用仍存在諸多亟待解決的問題，其中之一便是綜合能源系統(tǒng)內(nèi)的風(fēng)能、太陽能等一次能源的供應(yīng)具有波動性及隨機(jī)性。因此，只有精確實(shí)現(xiàn)區(qū)域內(nèi)的負(fù)荷預(yù)測才能實(shí)現(xiàn)各種能源形式的有機(jī)調(diào)度。

近年來，隨著人工智能技術(shù)的發(fā)展，將負(fù)荷預(yù)測問題轉(zhuǎn)化為時(shí)間序列的處理問題，再借助神經(jīng)網(wǎng)絡(luò)（Back Propagation，BP）、支持向量機(jī)（Support Vecor Machine，SVM）與小波分析等方法來進(jìn)行數(shù)學(xué)分析，成為了解決能源負(fù)荷預(yù)測的主要思路[14]。該文針對某區(qū)域的綜合能源系統(tǒng)建立了調(diào)度模型，然后在時(shí)間序列分析的基礎(chǔ)上引入了循環(huán)神經(jīng)網(wǎng)絡(luò)中的Seq2Seq（Sequence to Sequence）模型，實(shí)現(xiàn)了對負(fù)荷的預(yù)測。

1 理論基礎(chǔ)

1.1 綜合能源系統(tǒng)調(diào)度模型

區(qū)域綜合能源系統(tǒng)，是“雙碳”背景下的基礎(chǔ)供電單元。在該系統(tǒng)中存在多個(gè)能源源頭，且不同能源形式互相耦合。對于綜合能源系統(tǒng)的調(diào)度，與傳統(tǒng)的電力系統(tǒng)有較大區(qū)別。在滿足安全、平穩(wěn)供電的前提下，綜合能源系統(tǒng)還需最大程度地降低運(yùn)行成本及提升清潔能源占比。文中的區(qū)域綜合能源系統(tǒng)組成結(jié)構(gòu)[15]如圖1 所示。

圖1 區(qū)域綜合能源系統(tǒng)結(jié)構(gòu)圖

將區(qū)域能源的綜合調(diào)度問題進(jìn)行抽象，能夠轉(zhuǎn)化為數(shù)學(xué)中的非線性規(guī)劃問題。記F為圖1 系統(tǒng)的運(yùn)行成本，則該問題的目標(biāo)函數(shù)可寫作：

其中，Ek、Gk、Pk、Lk分別是購電成本、天然氣成本、設(shè)備維護(hù)成本、設(shè)備啟停成本，且各自的計(jì)算方式如下：

其中，ζ、λ分別是各自的歸一化適應(yīng)度，w是個(gè)體位置，P、F、L為相應(yīng)的成本計(jì)算核函數(shù)，T為總的運(yùn)行時(shí)間。

根據(jù)非線性規(guī)劃模型的定義，需找到實(shí)現(xiàn)函數(shù)目標(biāo)的約束條件。對于區(qū)域綜合能源系統(tǒng)，首先變壓器Ti、輸電線路Pe、電鍋爐Pb、燃?xì)忮仩tTF等功率器件要滿足其功率限制：

其次，系統(tǒng)內(nèi)的天然氣輸入Gin滿足其上下界與天燃?xì)夤芫W(wǎng)Gfmn的壓力約束：

1.2 區(qū)域內(nèi)負(fù)荷的短期事件預(yù)測算法

功率負(fù)荷是區(qū)域內(nèi)能源綜合調(diào)度的唯一依據(jù)，因此在進(jìn)行能源調(diào)度前需對調(diào)度時(shí)刻的能源負(fù)荷大小進(jìn)行預(yù)測。短期的負(fù)荷預(yù)測精度與預(yù)測時(shí)所使用的算法相關(guān)聯(lián)，所以為了提升預(yù)測精度，該文提出了一種基于時(shí)間序列及Seq2Seq 網(wǎng)絡(luò)的預(yù)測算法[16-18]。

Seq2Seq 是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中，不同元素間相互獨(dú)立，而信號通過全連接的方式在輸入層、隱藏層及輸出層之間相互傳遞，且同一層節(jié)點(diǎn)間沒有信號傳遞。但在處理時(shí)間序列問題時(shí)，不同時(shí)間節(jié)點(diǎn)之間的數(shù)據(jù)是有關(guān)聯(lián)的，因此傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不再適用。在此種場景下，通常使用圖2 所示的循環(huán)神經(jīng)網(wǎng)絡(luò)。

圖2 RNN網(wǎng)絡(luò)結(jié)構(gòu)示意圖

從圖2 中可以看出，RNN 網(wǎng)絡(luò)同樣包括輸入層x、隱藏層h、輸出層y，且不同的隱藏層之間相互連接。對于t時(shí)刻隱藏層的狀態(tài)ht，有：

t時(shí)刻的輸出yt為：

其中，U、W、V是網(wǎng)絡(luò)中信號傳遞使用的共享參數(shù)，f、g分別為隱藏層與輸出層的激活函數(shù)。

從圖2 中還能看出，在經(jīng)典的RNN 結(jié)構(gòu)中，輸入及輸出的序列維度是相同的，這與該文的應(yīng)用場景不符。因此，文中引入了Seq2Seq 循環(huán)神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖3 所示。

圖3 Seq2Seq結(jié)構(gòu)示意圖

Seq2Seq 由編碼器Encoder 和解碼器Decoder 組成。在t時(shí)刻，Seq2Seq 將輸入序列X={x1，x2，…，xm}，依次輸入編碼器的輸入端，通過編碼器中預(yù)置的非線性變換單元得到中間向量并存儲在c中。隨后，解碼器利用c中的信息與t-1、t-2、…、t-N前N個(gè)時(shí)刻的輸出值得到輸出yt，Seq2Seq 模型的數(shù)學(xué)表達(dá)如下：

從式（10）可以看出，通過引入編解碼器實(shí)現(xiàn)了輸入輸出序列的可變，從而保證了RNN 網(wǎng)絡(luò)在電力負(fù)荷預(yù)測場景中的可用性。編碼器的非線性變換函數(shù)可根據(jù)RNN 網(wǎng)絡(luò)的應(yīng)用場景進(jìn)行選擇，該文使用的是GRU（Gate Recurrent Unit）函數(shù)。GRU 中包含了更新門r、輸出門h及輸入門z共3 個(gè)門，其信號的流轉(zhuǎn)過程如下：

2 方法實(shí)現(xiàn)

2.1 實(shí)驗(yàn)設(shè)計(jì)

在上文中，首先將區(qū)域綜合能源系統(tǒng)的能源調(diào)度問題轉(zhuǎn)換為數(shù)學(xué)中的非線性規(guī)劃問題，并給出了待調(diào)度區(qū)域的數(shù)學(xué)模型。隨后，針對該區(qū)域的能源調(diào)度研究了負(fù)荷預(yù)測的方法，并引入了一種基于Seq2Seq 網(wǎng)絡(luò)的循環(huán)網(wǎng)絡(luò)算法。接下來將對預(yù)測算法的精度及其在區(qū)域內(nèi)能源調(diào)度中的可用性進(jìn)行驗(yàn)證。表1 給出了圖1 區(qū)域綜合能源各個(gè)能源節(jié)點(diǎn)的硬件配置情況。

表1 能源節(jié)點(diǎn)的配置情況

在評估負(fù)荷預(yù)測算法的精度時(shí)，使用平均絕對誤差（Mean Absolute Deviation，MAE）和均方根誤差（Root Mean Squard Error，RMSE）作為評價(jià)模型調(diào)度精度的指標(biāo)。其中，MAE 能夠抵消正負(fù)誤差。而RMSE 則可描述預(yù)測結(jié)果的波動性，兩個(gè)指標(biāo)的計(jì)算方法如下：

為訓(xùn)練Seq2Seq 網(wǎng)絡(luò)，對圖1 所示的能源系統(tǒng)進(jìn)行了數(shù)據(jù)采集。采集的時(shí)間為1 年，時(shí)間粒度為15 min/次，故對于氣溫、負(fù)荷數(shù)據(jù)每天可采集到96個(gè)樣本點(diǎn)。根據(jù)電力負(fù)荷的周期特性，設(shè)計(jì)了表2所示的網(wǎng)絡(luò)輸入特征。其中，日、周和月正余弦周期序列的特征構(gòu)造方法如下：

表2 負(fù)荷預(yù)測算法構(gòu)造的特征序列

其中，日、周、月的T、m取值如表3 所示。

表3 正余弦周期序列的取值表

表4、5 分別給出了負(fù)荷預(yù)測方法仿真時(shí)，所需的軟硬件及算法的仿真參數(shù)。

表4 算法仿真的軟硬件環(huán)境

表5 算法仿真參數(shù)

2.2 實(shí)驗(yàn)結(jié)果

為了實(shí)現(xiàn)對圖1 區(qū)域能源的調(diào)度，首先要實(shí)現(xiàn)對電力負(fù)荷的精準(zhǔn)預(yù)測。圖4為該文設(shè)計(jì)算法針對數(shù)據(jù)集中某日電負(fù)荷預(yù)測的結(jié)果。從圖中可以看出，預(yù)測值及實(shí)際值樣本點(diǎn)基本重合，且曲線走向一致。

圖4 算法預(yù)測曲線

為衡量該文算法的預(yù)測精度，表6 給出了圖4 中樣本點(diǎn)的計(jì)算結(jié)果?？梢钥闯觯撍惴ǖ念A(yù)測精度較高，對于負(fù)荷預(yù)測結(jié)果的相對誤差均在4.5%以內(nèi)，能夠作為該區(qū)域內(nèi)能源調(diào)度的依據(jù)。此外，還引入了BP 神經(jīng)網(wǎng)絡(luò)和普通RNN 網(wǎng)絡(luò)進(jìn)行對比，3 種算法的MAE、RMSE 計(jì)算指標(biāo)如表7 所示。

表6 算法預(yù)測數(shù)據(jù)表

表7 不同算法的預(yù)測指標(biāo)結(jié)果

從表7 可以看出，普通RNN 算法的MAE、RMSE較BP 神經(jīng)網(wǎng)絡(luò)算法分別提升了4.52%、5.28%，說明了循環(huán)神經(jīng)網(wǎng)絡(luò)更適合于時(shí)間序列的處理問題。而該文算法相較于普通的RNN 網(wǎng)絡(luò)在MAE 與RMSE上分別提升了3.10%、2.83%，證明了Seq2Seq 模型對于不同輸出長度的時(shí)間序列處理具有更優(yōu)的性能。同時(shí)基于Seq2Seq 模型的預(yù)測結(jié)果，文中對當(dāng)日的能源調(diào)度進(jìn)行了仿真，計(jì)算機(jī)的計(jì)算耗時(shí)為2.442 s，且當(dāng)日的調(diào)度總成本為60.231 萬元。

3 結(jié)束語

隨著我國能源消費(fèi)形式的變革，區(qū)域化的綜合能源系統(tǒng)將逐漸在“雙碳”戰(zhàn)略中扮演更重要的角色。為了提升綜合能源系統(tǒng)的調(diào)度水平，文中重點(diǎn)研究了能源負(fù)荷的預(yù)測方法，且設(shè)計(jì)的基于Seq2Seq網(wǎng)絡(luò)模型能夠連接維度不同的輸入輸出向量。仿真結(jié)果證明，其相較于傳統(tǒng)的BP 網(wǎng)絡(luò)及RNN 網(wǎng)絡(luò)具有更高的預(yù)測精度，故可應(yīng)用于綜合能源調(diào)度的生產(chǎn)環(huán)境中。