郭威，张凯，魏新杰，张华铭

(1.国网河北省电力有限公司营销服务中心，石家庄 050000；

2.国网河北省电力有限公司，石家庄 050000；
3. 北京清软创新科技股份有限公司，北京100080)

随着我国经济发展方式转变、能源结构优化升级、电力体制改革逐步深入以及“双碳”行动的积极推进，这对新型电力系统提出了更高的要求。依据“十四五”能源转型发展的远景规划，对于传统配电网应向安全可靠、绿色智能、友好互动、经济高效的智慧配电网转变[1]。近年来，在碳中和背景下，可再生能源得到快速的发展，分布式电源渗透率和电能占终端能源消费的比重不断提高，这对配电网的综合承载能力提出了巨大的挑战，使其具有清洁能源足额消纳和多元负荷灵活接入的能力[2]。配电网负荷预测是电网规划的重要环节，也是配电网调度的前提，对配电网运行的可靠和安全运行有着重大的影响。由于目前的配电网分布较广，网络结构复杂多变，不确定性较强，与此同时，高渗透率分布式光伏接入配电网，给配电网净功率预测带来了一定的困难[3]。光伏出力易受外界环境因素的影响，尤其是光照条件对其影响最为显著，造成了光伏出力波动性增强，进一步增加了配电网净功率预测的难度[4-5]。

目前，国内外学者在配电网负荷预测和光伏出力预测领域已经做了大量的研究，众多预测方法主要分为传统方法、智能方法以及组合方法。统计法[6]、时间序列法[7]以及回归分析法[8]是较为传统的方法；
随机森林[9]、支持向量机(SVM)[10-11]、人工神经网络[12-14]等是比较新颖的智能方法，在负荷预测领域被广泛应用；
而组合方法[15-17]主要是由两种算法相结合进行预测，两种算法的组合在一定程度上会弥补了单一算法在负荷预测方面的缺陷。文献[7]基于多变量时间序列相空间重构的负荷预测方法，文章根据相点间的欧氏距离和关联度，提出了最优近邻预测法，通过确定的最近邻点建立多变量序列一阶局域预测模型；
文献[11]提出萤火虫算法优化的SVM光伏出力预测算法，首先通过经验模态分解法对光伏出力时间序列进行分解和重构，通过多个分量的SVM预测模型的叠加来实现光伏出力预测。文献[18]提出了一种基于负荷预测误差特性的统计分析的概率预测方法预测的方法；
文献[19]针对配电网负荷预测波动性和随机性的特点，提出了K-means聚类和小波支持向量机相结合的配电网短期负荷预测。文献[20]提出了一种模糊C均值样本加权卷积神经网络模型实现光伏出力预测，文章首先基于模糊C均值聚类将历史数据细分为不同天气类别，通过隶属度矩阵对训练样本进行加权，最后利用加权后的训练数据构造FCM-WS-CNN模型。文献[21]提出了基于贝叶斯概率的光伏出力组合预测方法，该方法具有较好的普适性和较高的预测精度。

目前，对于大规模新能源接入的配电网净功率预测的研究较少。现有配电网净功率预测方法中，多数都是负荷与新能源出力预测结果的简单相减，且预测误差较大。因此为了提高分布式光伏接入的新型配电网净功率预测精度，文中提出了基于Attention机制的双向GRU配电网净功率预测方法。将Attention机制引入到双向GRU神经网络中，增强了双向GRU神经网络模型对净负荷预测输入特征的学习能力，能够大大提高模型的泛化能力和预测精度。通过我国北方某地区的配电网用户侧负荷数据、大规模分布式光伏接入的出力数据以及天气数据进行算例分析，从而验证预测方法的有效性和可行性。

配电净功率是用户侧负荷与光伏出力的差值，因此用户侧负荷与光伏出力的特性会直接影响到净负荷的变化规律特性。在对净功率进行预测之前，需充分掌握净功率的影响因素。分别从用负荷侧和光伏出力侧来分析其对净功率所产生的直接或者间接的影响。

1.1 光伏出力特性分析

光伏的出力情况不仅与自身的设备固有参数有关，同时还与外界环境因素有关。如光照强度、温度、湿度、光照条件等，这些影响因素造成了光伏出力较强的随机性和不确定性。在众多外界环境影响因素中，光照强度、光照条件是影响光伏出力的直接因素，并且起到决定性的作用。光照条件主要取决于天气类型，不同的天气类型下，光伏电源接收到的太阳光辐射强度和光照时间有着显著的差异。因此对光伏出力特性及影响因素的准确把握能够有效提升配电网净功率预测精度。

图1为5种不同天气条件下光伏出力特性曲线。从图1可以看出，光伏电源出力的主要时段集中在07∶00-18∶00，最大出力出现在正午时分。随着一天光照强度的变化而变化，因此光伏出力与光照强度具有高度相关性。晴天太阳光照充足，光伏出力较好，而在阴雨天，光伏电站太阳能发电板得不到有利的光照条件，光伏出力较差。因此不同光照条件会直接影响到光伏的出力情况。

图1 天气类型对光伏出力的影响

1.2 配电网用户侧负荷特性分析

通常情况下，配电网用户侧负荷表现出一定的规律性，包括周期性、季节性以及趋势性。周期性表现在用电负荷变化呈现周期特性，在工作日负荷曲线变化规律大致相同，休息日的负荷曲线变化规律大致相同，呈现交替变化形态。季节性表现在用电负荷随着季节的变化呈现不同的形态，比如夏季温度高，用户用冷增加，导致用电负荷的急剧上升，冬季温度低，用户用热增加，热能供应重要来源于供热系统，因此用户用电有所下降。趋势性表现在随着社会经济的快速发展，用电负荷出现逐年增长的态势。图2为配电网典型工作日和节假日负荷特性曲线图，从图2可以看出，工作日和节假日的负荷曲线呈现不同的变化规律。

图2 配电网用户侧日负荷特性曲线

1.3 影响配电网净功率的因素

1.3.1 配电网净功率

配电网净功率是指用户侧用电负荷与分布式能源出力之间的差值，即电力系统主网对配电网提供的负荷。分布式光伏接入下的配电网净功率表达式见式(1)：

PN=P-PS

(1)

式中PN表示配电网净功率；
P表示用户侧负荷；
PS表示分布式光伏出力。

1.3.2 分布式光伏接入对配电网净功率的影响

图3为一周内配电网各类负荷曲线，采用双y轴坐标分别绘制负荷和光伏出力曲线，用户侧负荷和净功率使用左侧纵坐标轴，光伏出力使用右侧纵坐标轴。从图3中看出，配电网接入分布式光伏电站，其净功率在07∶00-18∶00时段要显著低于用户负荷，这意味着在该时段电网向该配网用户提供的能量小于用户需要的消耗的能量，剩余部分由分布式电源提供。

图3 分布式光伏接入的配电网净功率曲线

配电网净功率是用户侧负荷与分布式电源有功功率的差值。因此配电网净功率不仅会受到用户侧负荷变动的影响，也会受到分布式光伏出力的影响。具体来说，用户侧负荷变化会受到用户用电行为、天气因素以及节假日类型等因素的影响，光伏出力会受到自身设备参数、光照强度、天气因素等因素的影响，因此影响用户侧负荷变化以及光伏出力的相关因素同样会影响到配电网净功率变化。在对配电网净功率进行预测时要考虑更多的影响因素。

2.1 双向门控循环单元

门控循环单元(Gate Recurrent Unit，GRU)是一种时间序列模型，可以提取时序特征。相比于循环神经网络(Rerrent Neural Network, RNN)，GRU能够解决长期记忆和反向传播过程中梯度消失的问题[22]。与长短期记忆神经网络(Long Short-term Memory, LSTM)不同的是，GRU只有更新门和重置门两种门结构。更新门用于控制前一时刻的状态信息被带入当前状态中的程度，有助于捕捉时间序列里长期依赖关系；
重置门用于控制忽略前一时刻的状态信息的程度，有助于捕捉时间序列里短期的依赖关系。GRU模型的单元结构如图4所示。

图4 GRU模型的单元结构图

其表达式为：

Rt=σ(XtWxr+Ht-1Whr+br)

(2)

Zt=σ(XtWxz+Ht-1Whz+bz)

(3)

(4)

(5)

单向GRU神经网络的状态传输只是简单的单向传递，且GRU具有遗忘性，容易丢失重要的时序特征信息，因此文中 使用双向GRU结构，基于时序数据同时训练两个GRU神经网络模型，一个采用前向学习，一个采用反向学习，将前向和反向的最后一个状态对应向量连接得到最后结果输出。双向GRU模型能够同时学习到过去和未来的信息，具有良好的特征提取能力，在功率预测方面取得了较好的效果，图5为双向GRU单元连接方式图。

图5 双向GRU单元连接方式

2.2 注意力机制

注意力机制(Attention Mechanism)是一种基于人类的视觉注意力提出的机制，被广泛应用于自然语言处理、计算机视觉以及时序预测等领域[23]。对于给定的目标，通过生成一个权重系数对输入进行加权求和，给予强特征较大的权重，给予弱特征较小的权重，从而使得模型具有更好的学习效率，有助于对负荷进行精准的预测。

在双向GRU神经网络中加入注意力机制，给予净功率预测输入特征不同的关注度，使得模型能够学习到更好的特征表示，提高负荷预测精确度，降低模型陷入过拟合的风险。注意力机制实现步骤如下：

(1)对于长度为T的输入序列x1,x2,…,xT,计算历史输入的隐藏状态对于当前输入状态的注意力权重βti，其公式为：

(6)

sti=vtanh(WHt-1+UHi+b)

(7)

式中sti为t时刻隐藏层状态Hi的能量值；
v为输入的值；
W、U为权重系数矩阵；
b为偏置项;

(2)将βti与输入序列历史节点的隐藏层状态Hi相乘并累加求和，得到特征向量Ct，其表达式为：

(8)

(3)输出末节点的状态值Ht，表示为：

Ht=f(Ct,Ht-1,yt-1)

(9)

2.3 结合注意力机制的双向GRU模型构造

文中结合注意力机制提出了双向GRU神经网络的配电网净功率预测模型。在Attention-双向GRU模型中，其输入数据特征由历史净功率数据，节假日类型、天气类型以及温度、湿度等气象因素组成，输入数据特征经过双向GRU网络层进行时序特征提取，将双向GRU末节点状态对应的向量连接进行输出，然后通过注意力机制对输入特征进行选择性的淘汰，给予强特征较大权重，弱特征较小特征，从而识别出哪些输入特征对目标是重要的，哪些输入特征是不重要的，使得模型在学习过程中给予特征不同的关注度，模型的表示能力更强，最后通过全连接层输出净功率预测结果。模型的输出为未来1 h的净功率预测值。图6为融入Attention机制的双向GRU配电网净功率预测模型结构图。

图6 融入Attention机制的双向GRU配电网净功率预测模型结构图

文中的算例数据来自中国北方某城市配电网采集数据，该地区的配电网接入了大规模分布式光伏。该数据集包括该地区2021年12个月的配电网负荷数据，光伏电站的出力数据以及气象数据，采集频率为1 h，一天采集24个样本数据，一年共8 784个样本数据。对采集的样本数据进行预处理，然后根据用户侧负荷特性、光伏出力特性以及二者各自的影响因素分析来构建模型输入特征集。在进行预测之前对输入特征数据集按照7∶3的比例划分为训练集和测试集。训练集用于预测模型的训练过程，测试集用于检验训练模型的预测效果。

3.1 数据预处理

3.1.1 异常与缺失值处理

从配电网采集的负荷数据以及接入配电网的光伏出力数据难免会出现数据不完整或者存在坏数据的情况，造成这种情况发生的主要原因是采集设备发生停电、故障或者数据在存储过程中出现丢失等。然而数据质量的好坏会严重影响到后续的数据挖掘工作，因此在对数据进行深度探索之前，需要对其进行相应的预处理。通常情况下，原始采集数据中一般会存在异常值和缺失值，异常值是指数据在某些点处出现极端值的情况，即离群点；
缺失值是指数据在某些点处出现空值得情况。异常值的存在会导致数据的内在特征值发生畸变，不利于数据内部特征的挖掘；
缺失值的存在会导致数据内部信息的丢失，数据变得不完整。

针对原始采集数据中存在的异常值和缺失值，需采取一定的方法进行预处理。文中首先采用孤立森林进行异常值检测[24]，然后将缺失值和检测出的异常值一起采用拉格朗日插补法对其进行修正[25]。

3.1.2 数据归一化与独热编码

数据归一化是将数据的每一维度特征值映射到[0,1]或者[-1,1]之间，进过转化的数据只是消除量纲之间的影响，并没有改变特征的内部规律。归一化处理的数据可以加快模型的训练速度，同时也能够简化模型内部的计算过程。文中采用最大-最小归一化方法，使原始时间序列数据映射到[0,1]之间，具体转换公式如下：

(10)

对于节假日类型、天气类型等离散特征需进行特殊处理，文中采用独热编码来处理离散特征数据。例如，节假日类型分为工作日和节假日，用2位二进制编码进行处理，分别为工作日01、节假日10。天气类型大致可以分为晴、阴、多云、雾天、雨、雪五种类型，用6位二进制编码进行处理，分别为晴天000001、阴天000010、多云000100、雾天001000、雨天010000、下雪天100000。

3.2 模型输入特征构建

配电网净功率不仅与用户侧负荷、光伏出力有较大的关联性，同时受到环境温度、光照强度、湿度、天气类型等气象因素的影响，因此在构建模型输入特征时，要充分考虑相关因素对配电网净功率的影响。首先，用户侧负荷减去光伏出力得到配网净功率值，然后取预测时刻前48 h的净功率作为输入特征，考虑温度、湿度、光照强度等对配电网净功率的间接性影响，分别取预测时刻前24 h的历史数据也作为输入特征，同时将预测时刻的日期类型及天气类型也作为输入特征。通过输入特征构建，模型能够高效地学习到输入到输出的映射关系，同时对净功率未来的变化规律有更好的把握。表1为配电网净功率预测模型的输入特征。

表1 配电网净功率预测模型的输入特征

3.3 评价指标

目前，点预测的评价指标较多，应用较为广泛的主要有均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)等。文章主要选取RMSE和MAPE这种评价指标，来评估配电网负荷预测和光伏出力预测的效果。式(11)、式(12)分别为RMSE和MAPE指标：

(11)

(12)

3.4 模型预测框架及参数设置

如图7为基于Attention-双向GRU净功率预测模型框架图，原始采集数据经过预处理操作之后，构建神经网络预测模型的输入特征，然后将输入数据划分为训练集和测试，训练集用来训练和调试模型，测试集用来评估已经训练好的模型。训练和评估之后保存模型，用于在线预测时调用模型。Attention-双向GRU净功率预测模型在训练时，需要设置合理有效的模型超参数，将模型训练迭代次数epochs，批量处理大小batch_size、GRU网络层神经元个数N、GRU隐含层的个数n_layers分别设置为200、64、1、40。模型的优化算法选择Adam算法，激活函数选择Relu函数。

图7 基于Attention-双向GRU配电网净功率预测模型框架图

3.5 配电网净功率预测结果及分析

文中只考虑分布式光伏接入配电网的情况，其配电网净功率为用户侧负荷与光伏出力的差值，为了验证文中提出的净负荷预测方法的有效性和优越性，分别采用长短期记忆神经网络(LSTM)、支持向量机(SVM)两种预测模型与Attention-双向GRU预测模型进行对比分析。表2分别从RMSE和MAPE两种评价指标来分析三种模型在测试集上的表现。其中，Attention-双向GRU配电网净功率预测方法的RMSE和MAPE都低于另外两种预测方法，该方法将Attention机制融入到双向GRU神经网络中，大大提升了模型对输入数据的特征的学习能力，提取贡献度较高的特征，并对特征给予不同的关注度，使得模型能够学习到更加有用的特征信息。

表2 三种模型净功率预测精度对比

图8为Attention-双向GRU模型与另外两种模型的配电网负荷预测效果图，从图8中可以看出Attention-双向GRU模型在配电网净功率预测效果上要优于另外两种预测模型，且净功率预测值更接近于实际净功率值。

图8 三种模型净功率预测效果对比图

文章提出了一种基于Attention机制的双向GRU神经网络新型配电网净功率预测方法。首先通过分析用户侧负荷、光伏出力特性以及相关影响因素进行输入特征构建，丰富的特征信息有利于减少模型预测误差。其次结合Attention机制构建双向GRU神经网络净功率预测模型，采用Attention机制给予了输入特征不同关注度，大大提升了双向GRU神经网络预测模型的表示能力。最后通过算例分析来验证所提净功率预测方法的可行性和有效性，并与其他模型进行对比分析，得出文章所提方法具有较高的预测精度，预测效果优于对比模型。

猜你喜欢 出力双向分布式 双向度的成长与自我实现出版人(2022年11期)2022-11-15降低寄递成本需双向发力今日农业(2021年19期)2021-11-27用“双向宫排除法”解四宫数独数学小灵通(1-2年级)(2021年10期)2021-11-05分布式光伏热钱汹涌能源(2017年10期)2017-12-20分布式光伏:爆发还是徘徊能源(2017年5期)2017-07-06“出力”就要做为人民“出彩”的事杭州(2016年1期)2016-08-15基于实测数据的风电场出力特性研究风能(2016年3期)2016-07-05一种软开关的交错并联Buck/Boost双向DC/DC变换器通信电源技术(2016年5期)2016-03-22基于DDS的分布式三维协同仿真研究雷达与对抗(2015年3期)2015-12-09汽车内饰件用塑料挂钩安装力及脱出力研究汽车零部件(2014年2期)2014-03-11