面向区域化综合能源调度的负荷预测算法设计_苗福丰.pdf

电子设计工程Electronic Design Engineering第31卷Vol.31第15期No.152023年8月Aug.2023收稿日期：2021-12-27稿件编号：202112172基金项目：国网河南省电力公司自筹项目（SGHA0000FCJS2100235）作者简介：苗福丰（1986），男，河南宁陵人，博士，高级工程师。研究方向：配电网规划。能源是保障国家经济发展和人民生活的命脉。多年来，人类的发展均依靠传统的化石能源，而随着化石能源枯竭与各种新能源技术的发展，世界能源结构将出现重大变革1-4。2020 年，我国提出了“碳中和”及“碳达峰”的双碳目标，这意味着清洁能源将逐渐占据能源消费的主导地位。“十四五”是我国实现“双碳”目标的关键窗口期，故深入开展多种能源面向区域化综合能源调度的负荷预测算法设计苗福丰，吴 豫（国网河南省电力公司，河南 郑州 450052）摘要：为了提升区域化综合能源系统的调度水平，对多能源形态下的能源负荷预测算法进行了研究。针对清洁能源供应的波动性与随机性，建立了某区域的综合能源调度模型。该模型将负荷预测问题转化为时间序列处理问题，并引入循环神经网络（RNN）来进行问题求解。同时在求解过程中使用Seq2Seq替代了传统的RNN神经元，且采用GRU作为编码器-解码器进行序列长度转换，从而有效规避了 RNN网络在进行不同长度输入输出序列处理时的缺点。通过在某区域的综合能源系统内进行的算法仿真结果表明，负荷预测的相对误差小于 4.5%，故能够满足能源调度的生产要求。由对比实验可知，所提算法的 MAE及 RMSE分别可达到 3.25%、4.13%，相较于 BP网络与传统RNN网络均有显著改善。关键词：能源调度；RNN；Seq2Seq；GRU；时间序列处理；负荷预测中图分类号：TN-9文献标识码：A文章编号：1674-6236（2023）15-0173-05DOI：10.14022/j.issn1674-6236.2023.15.035Design of load forecasting algorithm for regional comprehensive energy dispatchingMIAO Fufeng，WU Yu（State Grid Henan Electric Power Company，Zhengzhou 450052，China）Abstract:In order to improve the scheduling level of regional integrated energy system，this paperstudies the energy load forecasting algorithm in multi energy form.Aiming at the fluctuation andrandomness of clean energy supply，a regional comprehensive energy scheduling model is established.The load forecasting problem is transformed into a time series processing problem，Recurrent NeuralNetwork(RNN)is introduced.In the solution process，Seq2Seq is used to replace the traditional RNNneuron，and GRU is used as the encoder decoder for sequence length conversion，which effectivelyavoids the shortcomings of RNN network in processing input and output sequences with different lengths.The algorithm is simulated in an integrated energy system in a region，and the simulation results showthat the load forecasting is effective The relative error is less than 4.5%，which can meet the productionrequirements of energy scheduling.Comparative experiments show that the MAE and RMSE of theproposed algorithm can reach 3.25%and 4.13%respectively，which is significantly improved comparedwith BP network and traditional RNN network.Keywords:energy dispatching；RNN；Seq2Seq；GRU；time series processing；load forecasting-173电子设计工程 2023年第15期协作的综合能源系统研究，并提高清洁能源消费占比与化石能源利用率，对于降低碳排放均具有积极的意义。在此背景下，小范围、区域化的综合能源系统将扮演更为重要的角色5-13。但目前，综合能源系统的应用仍存在诸多亟待解决的问题，其中之一便是综合能源系统内的风能、太阳能等一次能源的供应具有波动性及随机性。因此，只有精确实现区域内的负荷预测才能实现各种能源形式的有机调度。近年来，随着人工智能技术的发展，将负荷预测问题转化为时间序列的处理问题，再借助神经网络（Back Propagation，BP）、支持向量机（Support VecorMachine，SVM）与小波分析等方法来进行数学分析，成为了解决能源负荷预测的主要思路14。该文针对某区域的综合能源系统建立了调度模型，然后在时间序列分析的基础上引入了循环神经网络中的Seq2Seq（Sequence to Sequence）模型，实现了对负荷的预测。1理论基础1.1综合能源系统调度模型区域综合能源系统，是“双碳”背景下的基础供电单元。在该系统中存在多个能源源头，且不同能源形式互相耦合。对于综合能源系统的调度，与传统的电力系统有较大区别。在满足安全、平稳供电的前提下，综合能源系统还需最大程度地降低运行成本及提升清洁能源占比。文中的区域综合能源系统组成结构15如图1所示。图1区域综合能源系统结构图将区域能源的综合调度问题进行抽象，能够转化为数学中的非线性规划问题。记 F为图 1系统的运行成本，则该问题的目标函数可写作：minF=k()Ek+Gk+Pk+Lk（1）其中，Ek、Gk、Pk、Lk分别是购电成本、天然气成本、设备维护成本、设备启停成本，且各自的计算方式如下：Ek=t(tPt)T（2）Gk=t(tFt)T（3）Pk=ttkwt,sT（4）Lk=ikLk,i|wk(1-wk-1)+wk-1(1-wk)（5）其中，、分别是各自的归一化适应度，w 是个体位置，P、F、L为相应的成本计算核函数，T为总的运行时间。根据非线性规划模型的定义，需找到实现函数目标的约束条件。对于区域综合能源系统，首先变压器 Ti、输电线路 Pe、电锅炉 Pb、燃气锅炉 TF等功率器件要满足其功率限制：TmintTiTmaxiPminePePmaxe0PbPmaxb0TFTF,max（6）其次，系统内的天然气输入 Gin满足其上下界与天燃气管网Gfmn的压力约束：GmininGinGmaxinGfmn=f(m,n)（7）1.2区域内负荷的短期事件预测算法功率负荷是区域内能源综合调度的唯一依据，因此在进行能源调度前需对调度时刻的能源负荷大小进行预测。短期的负荷预测精度与预测时所使用的算法相关联，所以为了提升预测精度，该文提出了一种基于时间序列及Seq2Seq网络的预测算法16-18。Seq2Seq是一种特殊的循环神经网络（RecurrentNeural Networks，RNN）。传统的神经网络中，不同元素间相互独立，而信号通过全连接的方式在输入层、隐藏层及输出层之间相互传递，且同一层节点间没有信号传递。但在处理时间序列问题时，不同时间节点之间的数据是有关联的，因此传统的神经网络不再适用。在此种场景下，通常使用图 2 所示的循环神经网络。从图 2 中可以看出，RNN 网络同样包括输入层x、隐藏层 h、输出层 y，且不同的隐藏层之间相互连接。对于t时刻隐藏层的状态ht，有：ht=f(Uxt+Wst-1)（8）t时刻的输出yt为：yt=g(Vht)（9）其中，U、W、V是网络中信号传递使用的共享参-174数，f、g分别为隐藏层与输出层的激活函数。从图2中还能看出，在经典的RNN结构中，输入及输出的序列维度是相同的，这与该文的应用场景不符。因此，文中引入了 Seq2Seq循环神经网络，该网络的基本结构如图3所示。图3Seq2Seq结构示意图Seq2Seq 由编码器 Encoder 和解码器 Decoder 组成。在 t时刻，Seq2Seq将输入序列 X=x1，x2，xm，依次输入编码器的输入端，通过编码器中预置的非线性变换单元得到中间向量并存储在 c 中。随后，解码器利用 c 中的信息与 t-1、t-2、t-N 前 N 个时刻的输出值得到输出 yt，Seq2Seq模型的数学表达如下：c=f(x1,x2,xm)yt=g(c,y1,y2,yt-1)（10）从式（10）可以看出，通过引入编解码器实现了输入输出序列的可变，从而保证了 RNN网络在电力负荷预测场景中的可用性。编码器的非线性变换函数可根据 RNN网络的应用场景进行选择，该文使用的是 GRU（Gate Recurrent Unit）函数。GRU 中包含了更新门 r、输出门 h及输入门 z共 3个门，其信号的流转过程如下：rt=(Wrxt+Urht-1+br)zt=(Wzxt+uzht-1+bz)h1t=tanh(Whxt+Uh(rtht-1)+bh)ht=(1-zt)ht-1+zth1t（11）2方法实现2.1实验设计在上文中，首先将区域综合能源系统的能源调度问题转换为数学中的非线性规划问题，并给出了待调度区域的数学模型。随后，针对该区域的能源调度研究了负荷预测的方法，并引入了一种基于Seq2Seq网络的循环网络算法。接下来将对预测算法的精度及其在区域内能源调度中的可用性进行验证。表 1给出了图 1区域综合能源各个能源节点的硬件配置情况。表1能源节点的配置情况装置名称PVTCHP单元锅炉燃气锅炉启停成本装机容量50 kW20 MW30 MW20 MW耦合参数0.750.650.200.4060元/次在评估负荷预测算法的精度时，使用平均绝对误差（Mean Absolute Deviation，MAE）和均方根误差（Root Mean Squard Error，RMSE）作为评价模型调度精度的指标。其中，MAE 能够抵消正负误差。而RMSE 则可描述预测结果的波动性，两个指标的计算方法如下：SMAE=1ni=1n|Ei=1ni=1n|yi-?yi（12）SRMSE=1ni=1n(yi-?yi)2（13）为训练 Seq2Seq 网络，对图 1 所示的能源系统进行了数据采集。采集的时间为 1 年，时间粒度为15 min/次，故对于气温、负荷数据每天可采集到 96个样本点。根据电力负荷的周期特性，设计了表 2所示的网络输入特征。其中，日、周和月正余弦周期序列的特征构造方法如下：Ii_cos=cosmT2（14）图2RNN网络结构示意图苗福丰，等面向区域化综合能源调度的负荷预测算法设计-175电子设计工程 2023年第15期Ii_sin=sinmT2（15）其中，日、周、月的T、m取值如表3所示