基于改進自適應構造區間法的電力負荷區間預測

　　摘要：短期電力負荷具有較強的隨機性與波動性，電力系統的經濟運行對精確負荷預測提出了越來越高的要求。針對近年提出的基于 GRU(Gate Recurrent Unit)模型的自適應優化構造區間的方法，文中進行了兩點改進，提出了一種基于改進自適應構造區間的電力負荷區間預測方法。除了區間覆蓋率 PICP(PredictionInterval Coverage Probability)之外，將區間預測中的重要指標平均區間寬度 PINAW(Prediction IntervalNormalized Average Width)加入到自適應構造區間的調整策略中;同時基于 PID 思想，在自適應構造區間的調整策略中考慮了 PICP 和 PINAW 的一階和二階差分，對訓練過程進行改進�；�于澳大利亞新南威爾士AEMO(Australian Energy Market Operator)的歷史負荷數據，進行了兩種方法的對比驗證，結果表明改進的區間預測方法能夠得到更高質量的預測區間。

　　關鍵詞：構造區間;門控循環單元;區間預測;PID 策略

　　引 言

　　準確的電力負荷預測在現代電力系統經濟和安全運行中至關重要。近年來，在能源互聯網的大背景下[1]，負荷影響因素更加多元化，負荷特性也呈現出新的特點和趨勢[2]。同時，電力系統高效經濟運行對負荷預測精度的要求逐步提高，傳統的點預測方法越來越難以滿足實際需求。負荷區間預測能夠量化預測結果的不確定，可以給電力工作人員帶來更多的參考信息，有利于制定各種科學合理的策略，因而越來越受到重視。廣泛用于電力負荷區間預測的方法主要包括統計方法、人工智能方法和混合方法[2]�；�于時間序列的統計模型，如：自回歸、指數平和差分整合移動平均自回歸模型可以分解歷史數據中的長期趨勢，并將歷史趨勢推演到未來[2-5]。因此，這些方法需要大量的過去數據來進行模型開發[5]。

　　電力工程論文：電力計量主站采集鏈路監測技術研究與應用

　　與上述方法相比，許多研究提出了直接產生預測區間上下界的人工智能方法[6-11]。這些方法基于各種機器學習模型，如人工神經網絡、支持向量機和核極限學習機方法[6-9]，并利用各類啟發式算法對參數進行優化，如模擬退火和粒子群優化算法[10-11]。在以往的研究中[12-14]，采用基于區間覆蓋概率(PredictionInterval Coverage Probability，PICP)和區間平均寬度(Prediction Interval Normalized Average Width，PINAW)的雙目標優化預測方法，可以得到最優的預測區間。然而，在帕累托前沿的眾多非支配解中平衡這兩個目標是非常困難的[15]。

　　因此，為了解決這個問題，在后續相關研究中，有使用覆蓋寬度標準(Coverage Width Criterion，CWC)指標將雙目標優化問題轉化為單目標優化問題[15-17]，這些方法被稱為基于上下界估計( Lower Upper BoundEstimation，LUBE)的方法。隨著優化參數的增加，啟發式算法往往需要較長的搜索時間。因此，這些方法僅限于應用在參數相對較少的淺層機器學習模型。深度學習已成為近年來的研究熱點，更復雜結構的神經網絡具有更強的非線性映射能力，并且可以從數據中提取比傳統機器學習模型更多的內在特征[18]。代表性的深度學習模型包括卷積神經網絡、堆疊式自動編碼器和長短期記憶神經網絡(Longand Short-Term Memory，LSTM)[19-21]。

　　近年來，門控循環單元(Gate Recurrent Unit，GRU)被開發出，作為具有簡化門控機制的 LSTM 的擴展，具有與 LSTM 類似的性能以及較低的計算負擔[22]。但這些模型很少應用于區間預測問題�；�于以往的研究，文獻[23]提出了一種具有高學習能力的 GRU 預測模型，可以直接生成預測區間，并采用高效的梯度下降算法進行模型訓練，如均方根傳遞(RootMean Square Prop ， RMSProp ) 和 自 適 應 動 量(Adaptive momentum，Adam)算法[24-25]�；�于梯度的性質，這些算法需要可微的代價函數進行監督學習，故其不能對 CWC 這類不可微的評估指標進行優化[7]。

　　為了解決這個問題，文獻[23]提出了一種基于構造區間的自適應優化方法，為模型的監督學習建立高質量的訓練標簽。但該方法在應用時并未考慮預測區間寬度的優化，且每次訓練得到的預測區間具有較大不確定性。文章對基于構造區間的自適應優化方法加以改進，在優化過程中引入區間平均寬度，采用基于PID 思想的閉環自適應調節策略提高了預測效果，同時應用驗證集的訓練指標選出最好的訓練模型，提高了預測的穩定性。下面先介紹區間預測評估指標，基于 GRU 的區間預測模型以及基于構造區間的自適應優化方法，再以澳大利亞新南威爾士AEMO(2006 年—2010 年)及歐洲阿爾巴尼亞(2017 年—2019 年)的歷史負荷數據為例進行對比，驗證改進的效果。

　　1算法實現

　　1.1 門控循環神經網絡(GRU)近年來，GRU 被廣泛應用于處理時間序列數據。作為 LSTM 的改進版，GRU 通過放棄記憶細胞并引入更新門來替換輸入門和遺忘門，簡化了LSTM 結構。許多研究表明，GRU 與 LSTM 具有相似的性能，但其計算量更少。

　　1.2 基于 GRU 的區間預測模型為了將最先進的深度學習技術引入負荷區間預測，構建了一個多層神經網絡模型。在該模型中，GRU 輸入層用于時間序列的特征提取，再通過全連接層對特征進一步處理，輸出預測區間上下界。

　　1.3 區間預測評估

　　指標區間預測評估結果可以用區間覆蓋率(PICP)和區間平均寬度(PINAW)來描述。其中，在同一置信度(Prediction Interval Nominal Confidence，PINC)下，PICP 值越大，同時 PINAW 值越小，表明模型的性能越好[26]。

　　步驟 1：對負荷數據樣本進行預處理，主要是處理異常數據，并通過劃窗將負荷序列劃分出特征和標簽，歸一化后將數據集按 8:1:1 的比例劃分為訓練集、驗證集和測試集;步驟 2：初始化 GRU 模型與參數。步驟 2.1：初始化 GRU 模型的權重和偏差，給定 PID 參數 i1、 p1、 d1、 i2、 p2、 d2;步驟 2.2：初始設定 u、 l、α、β 為 0，令其在訓練過程中進行自適應優化;步驟 3：訓練 GRU 區間預測模型。步驟 3.1：根據式(10)，采用當前的 u、 l 以及標簽 構建訓練區間，將訓練集樣本代入到模型中完成一個周期的訓練;步驟 3.2：通過 Adam 優化算法及式(11)的代價函數計算梯度，并以小批量的形式更新權重和偏差;步驟 3.3：根據式(12)計算平均擬合誤差，計算當前預測區間的 PICP 、 PINAW ， 根 據 式(17)、式(18)更新 α、β。若 PICP模型則退出訓練，否則重復步驟 3~步驟 4;步驟 6：取出 CWC 指標最小的模型用于預測。

　　2 算例分析選取

　　澳大利亞新南威爾士 AEMO(2006 年—2010 年)的歷史負荷數據，以及歐洲阿爾巴尼亞(2017 年—2019 年)的歷史負荷數據為樣本進行所提區間預測算法性能的驗證。AEMO 歷史負荷數據采樣頻率為半個小時一次。應用改進前后的負荷區間預測的方法分別進行短期預測，預測對象為次日全天 48 點負荷值(從0:00~23:30 每隔 30 min 進行一次采樣，共計 48 個采樣點)。根據所有的歷史負荷數據，以該日之前一周的 336(7*48)個點的負荷數據作為輸入向量。將模型的驗證集以及測試集均劃分為 182 天，剩余的劃分到訓練集中。設定置信度 PINC 為93%，改進前后訓練集預測區間的 PICP 和 PINAW在訓練過程中的變化。

　　改進前的 PICP 在第 35 個訓練周期達到 PINC，但在訓練過程中存在一定的震蕩，在第 70 個訓練周期后趨于穩定。而 PINAW 在PICP 達到置信水平后，在 0.4 左右不斷震蕩，直至在第 175 個訓練周期后開始下降，在訓練結束后下降至 0.2。改進后 PICP 在第 25 個訓練周期即迅速接近至 PINC，且在接下來的訓練過程中趨于穩定。當 PICP 保持在 PINC 附近之上，訓練的優化方向轉向 PINAW。PINAW 在第 25 個訓練周期后不斷下降，訓練結束后其值為 0.15。綜合來看，改進后PICP 在訓練過程中的變化更加平穩，且能夠更快速的達到設定的置信水平，PINAW 在 PICP 穩定后也呈現出下降的趨勢，驗證了方法的有效性。

　　由于改進后的算法在訓練時要對區間平均寬度進行優化，會犧牲一定的區間覆蓋率，可能會出現個別實際值超出預測范圍的情況。但改進后的預測區間在達到 PINC 的同時，具有更小的區間寬度，表明其預測區間的效果更好。區間預測置信度 PINC 分別取 0.7、0.8、0.9 情況下的區間預測結果�？梢钥闯觯�在區間覆蓋率滿足置信度要求的前提下，改進后的方法在區間寬度上明顯更優，即具有較窄的區間寬度。

　　3 結束語

　　電力負荷具有較強的不確定性，一定置信度下的區間預測方法比點預測方法更加適合描述這種不確定性�？紤]到區間預測中有兩個量化指標，區間覆蓋率 PINC 和平均區間寬度 PINAW，文中對基于GRU 模型的自適應構造區間的區間預測方法進行了改進，將 PINAW 指標引入自適應構造區間的調整策略中，使得區間構造中綜合考慮上述兩個指標;同時借鑒 PID 控制的思想，在調整策略中引入了PINC 和 PINAW 的一階和二階差分項，對訓練過程進行改進。基于澳大利亞新南威爾士 AEMO 及歐洲阿爾巴尼亞近年的歷史負荷數據，對所提出的負荷區間預測方法進行了不同置信度下的驗證。結果表明，改進區間預測方法的訓練過程更加平穩;在PINC 滿足置信度的前提下，改進方法得出的PINAW 更窄，綜合 PINC 和 PINAW 的 CWC 指標更優;同時，改進的區間預測方法對于多次訓練具有較好的一致性。

　　參 考 文 獻：

　　[1] 趙興昌, 張宇獻, 邢作霞. 基于最優窗寬核密度估計的短期負荷區間預測[J]. 電測與儀表, 2019, 56(14): 56-61.Zhao Xingchang, Zhang Yuxian, Xing Zuoxia. Short-term load intervalprediction based on kernel density estimation with optimal windowwidth[J]. Electrical Measurement & Instrumentation, 2019, 56(14): 56-61.

　　[2] 魏立兵, 趙峰, 王思華. 基于人群搜索算法優化參數的支持向量機短期電力負荷預測[J]. 電測與儀表, 2016, 53(8): 45-49.Wei Libing, Zhao Feng, Wang Sihua. Short-term power load forecastingof support vector machine based on parameters optimization ofpopulation search algorithm[J]. Electrical Measurement &Instrumentation, 2016, 53(8): 45-49.

　　[3] 萬昆, 柳瑞禹. 區間時間序列向量自回歸模型在短期電力負荷預測中的應用[J]. 電網技術, 2012, 36(11): 77-81.Wan Kun, Liu Ruiyu. Application of interval time-Series vectorautoregressive model in short-term load forecasting[J]. Power SystemTechnology, 2012, 36(11): 77-81

　　.[4] 楊錫運, 張艷峰, 葉天澤, 蘇杰. 基于樸素貝葉斯的風電功率組合概率區間預測[J]. 高電壓技術, 2020, 46(03): 1099-1108.

　　作者：陸臣斌 1，包哲靜 2，于淼 2，蔡昌春 3

轉載請注明來自發表學術論文網：http://www.zpfmc.com/dzlw/30122.html