基于LSTM 的数字孪生主动电网多维态势预测方法

冯喜春张 菁王 涛翟广心张 章

(国网河北省电力有限公司经济技术研究院,河北 石家庄 050021)

0 引言

数字孪生主动电网实现了信息空间与物理空间双向互通与实时映射,并通过深度学习技术对数据特征学习以实现对多维模型数据预测,实现电网安全、高效和经济运行。数字孪生作为一种从物理空间向信息空间建模和仿真的信息化技术,具有高保真,实时性等特点,从物理世界实时收集数据信息,并将数据信息在虚拟世界全方面仿真映射[1]。但是,数据在传输过程中存在时延,并不能真正的实现实时性,影响电网安全。利用人工智能的深度学习等技术,对历史数据进行特征学习并进行线性拟合,可实现对未来一个时间周期的数据精准预测,使得数字孪生平台更接近实时性,从而实现对电网历史状态的复现和未来状态的预测[2-3]。

目前,数字孪生技术正逐步应用在电网数字化转型、电网运行规划、电能存储、电网状态分析等方面,为了解决孪生过程同步、预测等问题,现已有诸多研究。西门子公司通过开发的Mind-Sphere与数据管理协同软件结合,开发出能为数字孪生提供服务的平台。GE 公司使用predix数字孪生服务平台,并为每个设备建立数字孪生体,并构建数字孪生风力发电厂,为管理人员提供实时调度策略[4]。文献[5]通过综合城市的人口和GDP等指标作为因变量建立多维预测模型,负荷与用电量作为因变量,以此建立多维度预测模型。文献[6]从电网供电能力、气象、经济增长、居民和服务业需求及城镇化进程等维度,分别构建负荷模型,以实现最大负荷预测。文献[7]结合温度、降雨量、湿度等因素建立多维度预测模型,从多角度分析,实现超短期负荷预测。文献[8]从气象敏感因子、稳定负荷因子、日期类型因子、随机负荷因子方面进行建模实现负荷预测。文献[9]根据电网日负荷状况,将电网状态分时段处理,建立多维度预测模型实现电网多维度预测。以上文献主要存在两方面问题:(1)缺乏对多维度指标的建立和对数字孪生电网的总体把控;(2)缺乏对相应多维度预测模型,未实现数字孪生电网指标预测。

因此,本文引入人工智能深度学习理论,融合电力数字孪生技术开展相关研究,利用先进的数据收集传感器、深度学习、人工智能技术等对真实世界中物理实体数据信息收集,并在虚拟空间等进行描述和建模。从数字孪生平台及电网多维数据预测两方面总结技术研究现状,提出了基于深度学习的电网数字孪生系统的总体框架以及建立多维预测指标模型,并给出了具体的实施路线。

1 数字孪生电网多维态势预测框架与多维指标

1.1 预测框架

数字孪生电网是物理维度上的实体电网和信息维度上的虚拟电网同生共存、虚实交融的电网形态。数据收集是通过物联数据感知并进行多维信息传输,是由物理世界到信息世界转换的前提,再通过数字孪生平台进行实时全息模拟,并进行科学决策和智能控制,对物理电网的运行实现实时预测。物理电网和数字孪生电网不断进行迭代,持续优化,逐步形成深度学习自我优化的内循环发展模式,实现电网运行的自主管理,数字孪生多维预测框架如图1所示。

图1 智能电网数字孪生多维预测框架

在本框架中测量指标包括负荷特征、光伏储能、电能质量水平、智能电网资产利用率,且这些指标具有实际性、合理性、高效性与实时性,是实现对主动电网综合评价指标的基础。在物理实体电网采用智能化感知监测系统和数据采集装置精确感知、实时采集设备运行数据、电网运行数据以及管理数据等物理实体电网的状态信息,并通过数字孪生纽带向数字孪生体传输数据。在孪生电网形成以多维数据资源体系、深度学习模块、决策接口构成的电网大脑。多维数据资源体系是构建数字孪生电网的基础,通过搭建数据中台,实现数据采集、汇集和统一管理、使用[10]。

1.2 典型应用多维预测指标

本文基于孪生电网主要要素,从负荷特征Pu、光伏储能Pv、电能质量水平Pf、智能电网资产利用率Pa等角度对数字孪生电网态势进行感知与预测,并建立面向数字孪生电网的智能态势感知综合评估指标。所以综合感知模型如下

1.2.1 负荷特征

负荷代表电网总体运行的主要状态,负荷特征Pu是反映用户用电状态的重要参数,合理地选取负荷特征是进行负荷辨识的首要步骤。通常,负荷特征可分为用电设备功率、对应用电设备的负荷功率,对应用电设备的使用时间,这些特征最终为准确的负荷值提供数据保障。有功功率P和无功功率Q,在数学上是针对一个周期内的采样得到的电压、电流实时数据进行统计的,其定义如下

式中:T为一个波形周期内的采样数;V(t)为电路在t时刻的电压;I(t)为对应t时刻的电流。

1.2.2 光伏储能

新型电力系统需要海量新能源接入,本文以光伏电源接入为例进行综合感知。光伏电源的储能功率主要由光照强度、实际环境温度和标准测试条件下的输出功率决定。

式中:Pstr、Gstr分别为标准状态下光伏电源最大的输出功率和光照强度;Gact、Tact分别为实际光照的强度和温度;Tref、k分别为温度参考值和功率温度系数。

1.2.3 电能质量水平

电能质量为保证智能电网稳定趋优运行的一个重要指标,智能电网多维态势感知系统需要实时监测、反馈电网电能质量,并实时反馈主动电网中隐藏的危害因素。电能质量检测水平用潮流越限率代替,其中潮流越限率表示在主动电网中某一区域范围和某一时间范围内的节点潮流越限程度,其计算公式为

式中:N1为该区域内电网支路数;Si,max为在支路i额定状态下潮流上限;Si(t)为支路i在t时刻态下潮流大小。

1.2.4 智能电网资产利用率

数字孪生电网急需反应电网运营状态,智能电网资产利用率是反映电力市场和电网调度效果的一个指标,并反映电网状态,是实现优化调度与电力市场的关键特征,间接反映多维电网态势理解、预测的实现效果,并完成电网评估和预测,推动数字孪生电网的预测和再现功能。智能电网资产利用率表示某一区域内运行收益与总电力消耗成本的比值,即

式中:ESj和IMj分别为第j小时时间段的售电收益和环境收益;SPn为电力设备n的消耗成本;ADn为电力设备n的老化系数;TW为所选取的时间范围。

2 基于LSTM 的数字孪生电网多维态势预测方法

数字孪生体系不仅仅形成现实物理域中物理实体对象的镜像,更重要的是与物理实体对象实现双向数据传输,一方面要接受现实物理域的实时信息,另一方面要反过来驱动现实物理域,实现物理实体对象掌控。LSTM 算法通过对历史数据的特征进行学习,可以实现对未来电网预测。数字孪生平台收集数据与预测数据实现主动电网状态的把控。因此,通过对负荷特征、光伏储能、电能质量水平、智能电网资产利用率指标的数据进行收集,使用LSTM 算法学习收集到数据的特征,根据数据特征进行下一时间段的预测。

2.1 预测模型

数字孪生平台可实现对未来电网状态的预测,其通过基于LSTM 算法来实现预测。LSTM利用前一周期数据可以实现下一周期数据预测等。在孪生电网模型中,将前一个周期综合评估指标Psum作为xt输入并作为LSTM 的训练数据,通过LSTM 可以实现对综合评估指标下一个周期的预测判断。LSTM 通过遗忘门、输入门及输出门来保护和控制信息的输入与输出,其模型如图2所示。遗忘门决定了从状态中是否丢弃掉某个信息,遗忘门读取ht-1和xt,反馈一个0～1的数值给Ct-1,其中0表示全部舍弃,1表示全部保留。输入门决定了当前状态中是否更新某些信息,最后通过输出门来决定是否需要输出某些信息[11-14]。

图2 LSTM 模型

首先,LSTM 基础单元利用遗忘门处理前一个神经元状态的信息,并会输出一个0～1的数值。

在输入门中,其作用是记忆和输出隐藏层状态,更新规则如式(11)-(12)。

模型经过训练,最终输出[h1,h2,h3,…,hn],即为多维度数据预测结果[11]。为了实现模型记忆更新,采用的是上一时刻的细胞状态与遗忘门相乘,然后当前时刻信息与输入门相乘,具体规则如式(13)。

2.2 基于LSTM 电网多维度指标预测方法

首先,将负荷特征、光伏储能、电能质量水平、智能电网资产利用率等多维全景信息通过数据链输入到数据库管理模块,构建智慧微电网的虚拟数字镜像,接着基于LSTM 算法进行多维度数据预测;然后将数据分割成训练集与测试集,并学习到各个时间段各种指标的特征;最后进行交叉验证,使得训练得到的深度学习模型具有鲁棒性。

模型基于2层的LSTM 神经网络来处理输入电网收集的数据,然后在输出层中加入Dropout层、全连接层来处理Softmax函数。基于LSTM的预测模型结构如图3所示。

图3 基于LSTM 的预测模型结构

基于LSTM 的数字孪生电网多维度预测模型使训练误差尽可能小,同时追求在新样本上泛化能力强,模型使用的LSTM 正则化方法为Dropout,通过随机置零神经元实现算法的优化。

3 算例分析

为验证本方法的可行性和有效性,采用某个省级的电网大数据平台12月份的实时数据,共布置了1 000套远程监测设备。每个设备按1次/min的频率采集数据并计算,每天产生数据约50万条,每条数据包括负荷特征、光伏储能、电能质量水平、智能电网资产利用率。实验过程中,将每条数据按照监测点位置处理好后的1 s向系统发送1条,然后将60条数据同时输入基于流式计算的电力无线数据处理框架中。

为了验证模型对电网运行态势判别的准确性,选取准确率满足要求的2种深度学习算法[深度置信网络(DBN)和循环神经网络(RNN)]与本模型进行对比,以搜集到的数据测试样本对3种模型进行测试,最终获取测试结果的正确率、召回率,如表1所示。

表1 3种算法准确率、召回率 %

此外,由于不同算法对数据的特征提取不一致,因此在算法训练初期或者数据样本极少的情况下,对算法进行判别更显重要,所以本文设计了基于不同特征量下的准确率、召回率、负荷预测、功率预测对比,结果如图4—7所示。

图4 检测准确率对比

由图4可知,基于LSTM 分类算法判断准确率可以达到95%以上,在训练样本达到80%时,分类准确率达到了98.84%。因此,可以认为充足的训练样本有助于提高检测准确率。通过图5可以分析得到,LSTM 的召回率大于DBN 和RNN算法,算法更加稳定。由图6可知,LSTM 的负荷预测值比DBN、RNN 负荷预测值更接近真实值,LSTM 模型在波峰和波谷中更为接近真实值,DBN 和RNN 模型负荷预测值都明显大于真实值。由图7可知,在设备储能阶段,LSTM 模型的波峰更加接近原始数据,DBN、RNN 模型其预测值稍高于LSTM。

图5 检测召回率对比

图6 负荷预测对比

图7 功率预测对比

4 结束语

本文结合数字孪生电网多维态势预测框架,分析典型应用多维预测指标,提出基于LSTM 的数字孪生电网多维态势预测方法,通过算例检验所提方法检测准确度在95%以上。利用现存的数据,通过数据模拟与数据挖掘的深度学习算法等相关技术,实现对未来态势数据的预测,赋予电力领域智能化,实现数字孪生与电网真实空间协同与优化反馈。通过数字孪生技术在实际中可实现的典型应用,构建实时完整预测模型,并将预测模型反馈给的数字孪生体,基于深度学习的算法进行多维度预测,从而为实现主动配电网提供前提保障。下一步,将改进预测模型,实现对单个指标数据的精准预测,为数字孪生电网提供更有力的信息支撑。