基于差分分解的有源配电网网供负荷预测方法

胡壮丽，罗毅初，刘 斌，黄文琦，梁凌宇

（1.广东电网有限责任公司佛山供电局，广东佛山 528000；2.南方电网数字电网研究院有限公司，广东广州 510000）

目前，关于电力系统中的负载预测已成为一个热点问题。有源配电网网供负荷预测就是利用以往的用电负荷、温度、湿度、日期类型等数据，预测未来的网供负荷。对负荷进行正确的预测，既能对电网进行实时宏观控制，并且还能够对配电网运行起到指导性作用。但日常用电量受到诸多因素的制约，很难对其进行精确预测。随着有源配电网结构的日益复杂，负荷预测将会成为今后研究的一个重点问题。

文献[1]提出了基于宽度深度学习的预测方法，通过对某一天24 小时进行监测，提取有源配电网网供负荷特征，汇总监测结果计算平均值，将计算结果与设定阈值对比，以此为依据进行负荷预测。文献[2]提出了基于小波神经网络的预测方法，该方法通过构建小波神经网络，预测冷热电短期负荷，计算平均百分比误差，以此为依据进行负荷预测。然而，以上两种方法容易受到天气突变影响，预测误差大。因此，结合差分分解法，预测有源配电网网供负荷。

1 有源配电网网供负荷差分分解

有源配电网在运行过程中，容易受到不稳定性负载影响，为了避免分析结果出现较大误差，利用差分分解方法对负荷序列进行分解[3-4]。将负荷连续分解，能够获取多个低频和高频分量，叠加全部分量，获取最终预测结果。

采用差分分解方法进行有源配电网网供负荷分解时，设负荷序列长为L，能够分解出负荷保持序列Q1和负荷差分序列Q2，其表达式为：

式中，qT表示第T个初始负荷；ΔqT表示第T个负荷变化量。

将负荷序列作为下一个负载点进行预测，然后把它转换为差分序列中的负载点变化问题，差分分解后的数据就是该问题的解[5]。对原负荷序列进行了划分，并将其分为两类：一类是固定序列，另一类是动态序列。在已知前一负荷点的情况下，使用差分序列预测方法预测短期负荷，就可以避免传统的主流分解方法对多个低频成分的预测错误[6-7]。

2 基于差分分解的有源配电网网供负荷预测

根据有源配电网网供负荷差分分解结果，对参数进行离散化处理，方便负荷预测。详细过程如下：首先，确定种群规模和迭代次数，通过插值方式生成初始种群，获取各个分量的产生方式。之后，对不同迭代下的每个目标向量进行差分进化处理，获取各个分量产生结果[8]。然后，采用交叉方法，对迭代目标向量进行交叉处理，获取各个分量交叉处理结果，最后，进行全局搜索[9]。由于有源配电网网供负荷的时间序列系数是离散的，所以在进行预测前需要调整运算对参数进行离散化处理[10]。

结合差分分解方法，预测有源配电网网供负荷，具体步骤如下：

步骤1：采集有源配电网网供的用电负荷、发电功率负荷、不同区域互供功率负荷、历史数据、气温参数、降雨量参数[11]。

步骤2：根据有源配电网网供负荷差分分解原理，将网供负荷WW分解成如下组合：

式中，WL表示用电负荷；WS表示发电功率负荷；WH表示不同区域互供功率负荷。

步骤3：网供负荷预测模型构建：采用区域电力负荷曲线、预测日的分时分区温度、分时分区降水量等数据，构建了网供负荷曲线的LSTM 神经网络预测模型，如图1 所示。

图1 LSTM神经网络预测模型

图1 中的预测模型是由五个基本组件组成的，分别是单元状态、隐藏状态、输入门、遗忘门和输出门[12]。其中单位状态是一个储存单位，用于储存短期和长期的记忆；隐藏状态是指根据当前输入、前一隐藏状态、当前状态信息来计算输出状态信息；输入门和输出门分别负责控制从输入、输出到单元状态的信息量；遗忘门负责控制从输入门到单元状态之间信息的流失量[13]。

根据差分分解结果，对参数进行离散化处理，并设计有源配电网网供负荷预测流程，构建LSTM 神经网络预测模型，采用时间序列分析。

步骤4：利用时序神经网络，对有源配电网网供电负荷进行了预测。通过训练历史参数，能够获取最优训练结果，输入到模型中，从而减小训练误差[14]。代入预测日前1 日的功率曲线和前n日的分时分区降雨量等输入参数，得到预测日的最大和最小发电功率：

式中，Hd表示降雨量；λ1、λ2分别表示预测日最大、最小功率的相关因素，根据连续多日降雨量确定时间序列间的相似度[15]。

根据预测日和当天的同一天变换理论，选择最佳预测距离LSTM 参数，从而获得最佳的预测参数。基于最优LSTM 的预测模型，结合预报日的输入参数，对预测日的最大和最小发电功率进行精准预测[16]。

为了提高LSTM 神经网络的预测精度，提出了基于余弦相似性的估计方法，除了可以更好地学习误差特征之外，还能方便评价负荷序列误差平稳性。相似度计算公式为：

式中，s0表示实际误差；sr表示辅助误差；Variance()· 表示方差计算函数。

步骤5：为了提高预测精度，需要进行误差补偿，补偿模型如图2 所示。

图2 误差补偿模型

由于实际的负荷序列和辅助预测的负荷序列误差是比较稳定的，因此可以通过对最终负荷点的预测偏差进行估算，公式为：

式中，δ0、δr分别表示预测序列中的最后一组的负荷对；εr、ε0分别表示辅助预测初始负荷值和实际预测负荷值；分别表示辅助预测负荷值和实际预测负荷值。基于此，可得到补偿值的n个初步估计结果，公式为：

将初步补偿值（即式（7）计算结果）和时间序列间的相似度（即式（5）计算结果）输入到LSTM 神经网络预测模型中，通过对输出结果误差补偿值进行加权，由此得到的网供负荷预测结果更精准。

3 实 验

3.1 实验过程

以某区域提供的2021 年电力负荷数据为依据进行实验研究，该区域的有源配电网结构如图3所示。

图3 有源配电网结构

由图3 可知，有源配电网网供电1 具有较短的采样间隔，且负荷波动较为平稳。有源配电网网供电2具有较长的采样间隔，且负荷波动幅度较大。从供电1 和供电2 中随机选择两组数据，分别作为训练集和测试集。对于选取的一系列连续历史负荷序列，对其进行了预测。在此基础上，根据辅助预测序列中的相关负荷点，选择下一次采样过程的实际值。

3.2 实验数据及指标

当供电公司监测有源配电网网供负荷时，每间隔2 小时采集一次数据，在一天内共采集24 次，得到的采集结果即为实验数据，如表1 所示。

表1 实验数据

负荷预测准确率计算公式为：

式中，si表示预测和实际差值；n表示预测负荷系数。

供电公司评价预测精准的准则：对于日用电负荷高于1 GW 的有源配电网，式（8）计算结果应小于等于5%；对于日用电负荷低于1 GW 的有源配电网，式（8）计算结果应小于等于6%。根据该标准，进行实验验证分析。

3.3 实验结果与分析

分别使用基于进化深度学习特征提取预测方法、基于小波神经网络的预测方法和基于差分分解的预测方法，对比分析正常天气和连续降雨天气下有源配电网网供负荷预测结果精准度，结果如图4、5所示。

图4 正常天气三种方法预测精准度对比分析

由图4 可知，使用基于进化深度学习特征提取预测方法在0～2 h 时，负荷预测精准度达到64%的最大值，在12～14 h 时，负荷预测精准度达到33%的最小值；使用基于小波神经网络的预测方法在0～2 h时，负荷预测精准度达到83%的最大值，在18～20 h时，负荷预测精准度达到48%的最小值；使用基于差分分解的预测方法在0～2 h 时，负荷预测精准度达到95%的最大值，在10～12 h 时，负荷预测精准度达到90%的最小值。

由图5 可知，使用基于进化深度学习特征提取预测方法在0～2 h 时，负荷预测精准度达到47%的最大值，在10～12 h 时，负荷预测精准度达到3%的最小值；使用基于小波神经网络的预测方法在0～2 h 时，负荷预测精准度达到63%的最大值，在14～16 h 时，负荷预测精准度达到12%的最小值；使用基于差分分解的预测方法在2～4 h 时，负荷预测精准度达到92%的最大值，在8～10 h 时，负荷预测精准度达到86%的最小值。

图5 连续降雨天气三种方法预测精准度对比分析

通过上述分析结果可知，使用基于差分分解的预测方法预测结果更加精准。

4 结束语

该文基于差分分解方法预测有源配电网网供负荷，首先，根据差分分解原理将负荷预测问题转化为负荷变化量预测问题；然后，结合LSTM 神经网络预测模型进行网供负荷预测；最后，通过误差补偿提高预测精度，经过实验验证了该方法能够得到精准的预测结果。