基于短期电网负荷智能预测算法的新能源调度策略_常云.pdf

电子设计工程Electronic Design Engineering第31卷Vol.31第6期No.62023年3月Mar.2023收稿日期：2021-09-03稿件编号：202109023基金项目：国网公司科技项目（JL71-15-042）作者简介：常 云（1972），男，甘肃民勤人，硕士，高级工程师。研究方向：电力调度、新能源电力。基于短期电网负荷智能预测算法的新能源调度策略常 云1，苏华堂1，王来奎2，张 鹏2，王天佑1（1.国网甘肃省电力公司平凉供电公司，甘肃 平凉 744000；2.国网甘肃省电力公司平凉市崆峒区供电公司，甘肃 平凉 744000）摘要：针对智能电网的建设发展对负荷预测精度提出了更高要求的现状，提出了一种基于短期电网负荷智能预测算法的新能源调度模型。架构了基于PSO-BPNN的短期电网负荷智能预测算法，利用 PSO算法对 BPNN模型的初始权值和阈值等参数进行优化，并将日属性、温度、历史负荷等数据作为输入，通过训练后的 BPNN模型实现短期电网负荷的精准预测。该模型以运行成本最低以及污染物排放量最少为优化目标，设计了含多类型新能源的微电网多目标调度策略。以某实际微电网的运行数据为样本，进行仿真验证的结果表明，所提算法相比于 BPNN算法，在短期电网预测方面具有较高的准确性；所提多目标调度策略相比于单目标调度策略，能够同时降低微电网运行成本与污染物排放量，兼顾经济性和环保性。关键词：负荷预测；PSO；BPNN；多目标中图分类号：TP277；TN99文献标识码：A文章编号：1674-6236（2023）06-0085-05DOI：10.14022/j.issn1674-6236.2023.06.018New energy dispatching strategy based on shortterm grid load intelligent forecastingalgorithmCHANG Yun1，SU Huatang1，WANG Laikui2，ZHANG Peng2，WANG Tianyou1（1.Pingliang Power Supply Company，State Grid Gansu Electric Power Company，Pingliang 744000，China；2.Pingliang Kongtong District Power Supply Company，State Grid Gansu Electric Power Company，Pingliang 744000，China）Abstract:In view of the current situation that the construction and development of smart grid putsforward higher requirements for load forecasting accuracy，a new energy scheduling model based on shortterm grid load intelligent forecasting algorithm is proposed.The short term power grid load intelligentforecasting algorithm based on PSO-BPNN is constructed.The PSO algorithm is used to optimize theinitial weight，threshold and other parameters of the BPNN model.The daily attribute，temperature，historical load and other data are used as inputs to realize the accurate prediction of shortterm power gridload through the trained BPNN model.The model takes the minimum operation cost and pollutantemission as the optimization objectives，and designs a multiobjective scheduling strategy for microgridwith multiple types of new energy.The simulation results show that the proposed algorithm has higheraccuracy in short term power grid prediction than BPNN algorithm.Compared with single objectivescheduling strategy，the proposed multiobjective scheduling strategy can reduce the operation cost andpollutant emission of microgrid at the same time，taking into account economy and environmental protection.Keywords:load forecasting；PSO；BPNN；multiobjective-85电子设计工程 2023年第6期“碳达峰”、“碳中和”国家战略的贯彻落实，促进了新能源行业的高速发展。新能源的就地开发，能够减少对传统火力发电的使用，并降低对环境的污染危害。但新能源发电受自然条件等因素的影响较大，存在明显的波动性和随机性1-2。因此如何对新能源及负荷进行准确预测，并维持电力系统的稳定性、保障用户的用电需求具有重要的研究意义。传统负荷预测通常采用经典数学模型，形成回归分析、时间序列等多种经典预测算法3-5。随着人工智能算法的兴起，在负荷预测领域采用此类算法的研究也越来越多6-8。但随着数字电网的建设发展，对负荷预测的准确度也提出了更高的要求9。基于此，该文开展了人工智能算法在短期电网负荷预测与新能源调度中的应用研究。1基于PSO-BPNN的短期负荷预测1.1粒子群算法粒子群算法（PSO）是一种人工智能领域的寻优算法，该算法最初的仿生学思想是通过模拟鸟群飞行觅食过程，实现数学问题的自动寻优10。对于局域 i维变量的规划问题，PSO 采用具有 i个粒子的种群进行寻优，每个粒子代表一维变量。粒子种群在整个解空间进行飞行寻优，且每个粒子均具有位置和飞行速度两个特征参数。随着飞行寻优的进行，粒子特征参数更新方式如下11-12：vk+1i=vki+c1r1(pki-xki)+c2r2(pkg-xki)xk+1i=xki+vk+1i（1）式中，xki和vki分别为第i个粒子第k次飞行的位置与飞行速度；xk+1i和vk+1i分别为第 i个粒子第 k+1次飞行的位置与飞行速度；pki和pkg分别为第k次飞行第i个粒子以及整个种群的当前最优位置；c1和c2为加速度参数，其值通常取为 2；r1和r2为区间0,1范围内的随机参数。对于任意一个粒子 i种群当前的最优位置更新方式如下：pk+1i=pki,f(xk+1i)f(pi)xk+1i,f(xk+1i)f(pi)（2）式中，pk+1i为第 k次飞行第 i个粒子的当前最优位置；f()为适应度函数。对于整个粒子种群的当前最优位置，其值是所有粒子当前最优位置中的最优值，更新方式如式（3）所示：pkgpk1,pk2,pki,pkI|f(pkg)=max(f(pk1),f(pk2),f(pki),f(pkI)（3）随着飞行过程的进行，粒子的位置与飞行速度不断更新。种群中适应度值较小的劣质解逐渐被淘汰，而适应度值较大的优质解被保留。同时种群粒子向着最优解逐渐靠近，并最终得到规划问题的最优解。1.2BP神经网络BP神经网络（BPNN）是一种模拟人的大脑神经细胞信息处理机制的智能算法。其通过误差反向传播机制实现神经网络参数的调整，并使得输出目标值符合预测，从而实现输入数据与输出目标之间的映射13。BPNN结构如图1所示，其由输入层、中间层和输出层三层神经细胞相互连接形成14-16。输入层包含x1,xm,xM共 M 个神经细胞；中间层包含a1,a2,ai,aI共 I 个 神 经 细 胞；输 出 层 包 含z1,zn,zN共N个神经细胞。图1BPNN结构由图1可知，中间层的输入为：ai=m=1Mumixm（4）式中，ai为中间层第 i 个神经细胞的输入；umi为输入层第 m 个神经细胞与中间层第 i个神经细胞之间连接边的权重系数。则中间层的输出为：vin=f(ai-i)（5）式中，ai为中间层第 i 个神经细胞的输出；f()为激活函数；i为中间层第i个神经细胞的阈值。则输出层第n个神经细胞的输入n为：n=i=1Ivinai（6）输出层的输出为：zn=f(n-n)（7）式中，zn为输出层第 n 个神经细胞的输出；n-86为输出层第n个神经细胞的阈值。根据输出层实际输出与目标值之间的误差，通过梯度下降法进行反向传播，实现权重和阈值的调整，误差公式如下：E=12n=1N(zn-z*n)2（8）式中，E 为 BPNN 的计算误差；z*n为输出层第 n个神经细胞的目标值。1.3短期电网负荷预测算法该文提出了基于PSO-BPNN的短期电网负荷预测算法，该算法结构如图 2 所示。其利用与负荷大小相关的日属性（节假日或工作日）、温度以及历史负荷（与预测日属性相同的前一日负荷数据）等数据，通过 BPNN 网络预测负荷数据。由于初始权值与阈值对 BPNN的计算准确性及速度具有较大的影响，因此通过 PSO 算法优化得到 BPNN 模型的初始权值和阈值，从而进一步提高预测的准确性。图2短期电网负荷预测算法结构该算法流程如图3所示，包括以下步骤：1）构建 BPNN 模型，初始化模型的权值和阈值等参数；2）利用 PSO 算法对 BPNN 模型的权值与阈值的初始值进行编码，一个粒子代表一个权值或阈值参数；3）输入历史负荷、日属性、最高温度和最低温度等数据，并进行标准化等数据预处理；4）将 BPNN模型训练得到的误差值作为当前位置的适应度值；5）更新每个粒子的最优位置与粒子种群的最优位置；6）更新每个粒子的位置与飞行速度，并计算当前位置的适应度值；7）判断是否满足 PSO 终止条件，若是进行下一步，否则转至步骤5）；8）得到BPNN模型最优的初始权值和阈值；9）计算训练误差，并调整权值和阈值；10）判断是否满足 BPNN训练终止条件，若是则输出预测结果，否则转至步骤9），直至输出预测结果。图3基于PSO-BPNN的短期电网负荷预测算法流程2新能源优化调度策略含多类型新能源的典型微电网结构如图 4 所示，其包含光伏、风电等新能源发电设备、柴油发电机、蓄电池储能系统等，微电网通过并网断路器可实现脱网/并网运行。图4含多类型新能源的典型微电网结构2.1目标函数1）经济性目标。使含多类型新能源的微电网运行成本降至最低，目标函数为：minf1=CE+CF+Com（9）式中，CE为从配电网购电的费用；CF为燃料费用；Com为维护费用。CE=t=1TctePtet（10）式中，cte为 t时段配电网电价；Pte为 t时段配电网输入功率；t为优化时间间隔，通常取为1 h。CF=t=1TcfuelPtmtHmtt（11）式中，cfuel为单位燃料成本；mt为柴油发电机发电效率；Ptmt为t时段柴油发电机输出功率；H为单位燃料燃烧的热值。常 云，等基于短期电网负荷智能预测算法的新能源调度策略-87电子设计工程 2023年第6期Com=t=1TmtPtmt+pvPtpv+wtPtwt+bess(Ptch+Ptdis)（12）式中，mt、pv、wt和be