安(ān)科瑞 劉邁(mài)

摘要(yào)：在(zài)新(xīn)型(xíng)電(diàn)力(lì)係統穩(wěn)步(bù)發展(zhǎn)與(yǔ)“雙碳"目(mù)標(biāo)持(chí)續構築背(bèi)景下(xià)
，“源荷互動新模式(shì)"成為(wéi)電(diàn)力係統能(néng)源轉型的(dí)必然趨(qū)勢
，以(yǐ)多樣性，靈活性(xìng)為主要特征的(dí)電力(lì)負荷(hé)作為(wéi)電力係統(tǒng)的重要組(zǔ)成部(bù)分
，其(qí)預(yù)測場(cháng)景(jǐng)分析(xī)及預測模型研究對(duì)新型電力係(xì)統(tǒng)的運(yùn)行，維(wéi)護(hù)和規(guī)劃至(zhì)關重(zhòng)要(yào)。為深(shēn)入(rù)研究人工智能(néng)背景(jǐng)下負(fù)荷(hé)預測領(lǐng)域(yù)取(qǔ)得的進展與(yǔ)突(tū)破
，以(yǐ)新型(xíng)電力係統(tǒng)負荷預測為著眼點(diǎn)
，總結歸納當(dāng)今負荷預(yù)測必要性(xìng)與(yǔ)實用性
，分類介(jiè)紹五個典型(xíng)負(fù)荷預(yù)測場景(jǐng)
，針(zhēn)對(duì)基於人工(gōng)智能技(jì)術的(dí)智(zhì)能負荷(hé)預(yù)測算(suàn)法模型進行係統化分(fēn)析
，結合機器(qì)學習(xí)中(zhōng)的(dí)神經網(wǎng)絡，深(shēn)度學(xué)習算(suàn)法，集(jí)成學(xué)習算法對(duì)比單一預測模型及組(zǔ)合預測模型的特(tè)點(diǎn)
，詳細(xì)闡(chǎn)述(shù)各類模型(xíng)在(zài)負(fù)荷(hé)預(yù)測(cè)領域的(dí)應用(yòng)現(xiàn)狀(zhuàng)
，以期為“雙碳"目(mù)標(biāo)下(xià)新(xīn)型電力(lì)係統源(yuán)荷(hé)互動的新(xīn)模式構(gòu)建提供(gōng)合理化參考(kǎo)。

關鍵詞(cí)：無新(xīn)型電(diàn)力係統；人工智能；神經網絡(luò)；負(fù)荷(hé)預測；機(jī)器(qì)學(xué)習；深度(dù)學習

0引言

隨(suí)著“雙碳"進(jìn)程的(dí)不(bù)斷深(shēn)入推進
，我國(guó)能源(yuán)電(diàn)力高(gāo)質量發(fā)展(zhǎn)麵臨新形(xíng)式(shì)和(hé)新任(rèn)務(wù)。電(diàn)力係(xì)統作為能源(yuán)係(xì)統(tǒng)的(dí)重要(yào)組成(chéng)部分及“雙碳(tàn)"目標的(dí)主(zhǔ)要(yào)參與者(zhě)，推動(dòng)者(zhě)
，其(qí)源(yuán)網荷儲(chǔ)等(děng)關(guān)鍵環(huán)節(jié)正在麵(miàn)臨(lín)深(shēn)刻(kè)變(biàn)革。

傳統電力係(xì)統的電源(yuán)特(tè)性(xìng)決定其有足(zú)夠(gòu)的(dí)轉動慣量與(yǔ)發電靈活性
，在(zài)保(bǎo)持穩定(dìng)性的(dí)基(jī)礎上能夠實(shí)現發(fā)電側(cè)緊(jǐn)隨負荷(hé)波(bō)動變(biàn)化的(dí)“源隨(suí)荷動"發展模式。在(zài)新型電力(lì)係統構(gòu)建過(guò)程中
，電源呈現(xiàn)出(chū)多(duō)能(néng)化，多層(céng)化，多樣(yàng)化(huà)
，風(fēng)電，光(guāng)伏等(děng)新(xīn)能(néng)源占(zhān)比逐(zhú)步提(tí)升
，其(qí)波(bō)動(dòng)幅度(dù)與頻次增(zēng)加(jiā)
，大(dà)量(liáng)的不確定(dìng)性(xìng)，隨機(jī)性(xìng)造成(chéng)電網靈(líng)活調(tiáo)節(jié)能力日(rì)趨(qū)緊張
，加(jiā)之涉(shè)及(jí)儲(chǔ)能(néng)材料及其成(chéng)本(běn)的限(xiàn)製
，電(diàn)能(néng)依舊(jiù)無(wú)法大量(liáng)儲存
，進(jìn)而(ér)導(dǎo)致(zhì)棄電(diàn)與缺電(diàn)交(jiāo)互出現(xiàn)
，因(yīn)此源(yuán)荷缺(quē)乏良性互動成為“雙碳"背景下(xià)能源綠色轉型(xíng)中亟(jí)待解決的問題。構(gòu)建以新能(néng)源(yuán)為主體的新(xīn)型(xíng)電(diàn)力係(xì)統(tǒng)
，需從(cóng)傳統(tǒng)模式下(xià)“源隨荷動(dòng)"的(dí)穩(wěn)定(dìng)電網(wǎng)逐步(bù)轉(zhuǎn)變為(wéi)“源荷互(hù)動"的非(fēi)實(shí)時(shí)平(píng)衡，集中(zhōng)--分(fēn)布協同控製(zhì)的波(bō)動電(diàn)網(wǎng)
，以適(shì)應(yīng)低慣量(liáng)，弱靈活(huó)性(xìng)的新型(xíng)電力係(xì)統發(fā)電特性。

新能源(yuán)的接入對電力係統(tǒng)調(tiáo)度計劃的製定提出了新的(dí)挑(tiāo)戰(zhàn)
，麵(miàn)對新型(xíng)電力係統(tǒng)背(bèi)景(jǐng)下發(fā)電側(cè)靈(líng)活性受(shòu)限(xiàn)問題(tí)
，要(yào)保障係(xì)統(tǒng)的(dí)穩定運(yùn)行(háng)
，用(yòng)戶側(cè)必須深度參與係統(tǒng)運(yùn)行(háng)的(dí)調節(jié)
，多(duō)時(shí)間(jiān)尺(chǐ)度，高(gāo)精度的電力(lì)負(fù)荷(hé)建模，預測以(yǐ)及(jí)優(yōu)化(huà)對新(xīn)型電(diàn)力係統的運行，維護和規(guī)劃至關(guān)重要。

1電(diàn)力係統(tǒng)負(fù)荷(hé)預測場景(jǐng)

首隨著(zhuó)電網(wǎng)需求側管理的(dí)日益(yì)普及與負荷調(tiáo)控(kòng)的(dí)日(rì)趨深(shēn)入(rù)
，電(diàn)力用戶(hù)不再同(tóng)過去(qù)一樣僅僅作為被動(dòng)的電(diàn)力(lì)需求(qiú)者(zhě)
，傳(chuán)統剛性負荷的(dí)特性(xìng)逐漸(jiàn)轉(zhuǎn)變
，取而代之的(dí)柔性負(fù)荷成為電網(wǎng)負(fù)荷(hé)調控(kòng)的重(zhòng)點對象。電(diàn)力(lì)市(shì)場(cháng)改(gǎi)革促使多種(zhǒng)角色場景(jǐng)應(yīng)運而生
，負荷(hé)預測應用(yòng)場景(jǐng)逐步(bù)多樣化，層次(cì)化
，合(hé)理分析(xī)負荷(hé)場(cháng)景典(diǎn)型(xíng)特(tè)征並為之(zhī)選取(qǔ)精準預(yù)測(cè)模型(xíng)成(chéng)為當今(jīn)電(diàn)力產業發展的重要課題(tí)。不同負(fù)荷(hé)預測(cè)場(cháng)景總結(jié)歸納(nà)如下：

1.1區域(yù)級(jí)負荷預測(cè)

負荷(hé)特性分析(xī)工作是電力(lì)係(xì)統(tǒng)負荷預測(cè)的重要(yào)前提
，了解並掌握(wò)預(yù)測(cè)供(gōng)電(diàn)區(qū)域內的負(fù)荷特性(xìng)變(biàn)化(huà)有助於(yú)地區電網(wǎng)合(hé)理(lǐ)規(guī)劃(huá)及優化(huà)調度(dù)。地(dì)區(qū)電網的(dí)區(qū)域級負荷特性分(fēn)析與預測(cè)是(shì)我國負(fù)荷(hé)研究工作的重(zhòng)心。

以(yǐ)分區(qū)域分(fēn)時段(duàn)負荷(hé)曲綫(xiàn)為研究(jiū)對(duì)象
，綜(zōng)合分(fēn)析天(tiān)氣情(qíng)況，社(shè)會經(jīng)濟發展(zhǎn)態勢，節假日(rì)等外(wài)部(bù)因(yīn)素對於區(qū)域級(jí)負(fù)荷的影(yǐng)響(xiǎng)
，通過三(sān)次樣條(tiáo)插值(zhí)，影響(xiǎng)因(yīn)子賦(fù)值等計算方法將(jiāng)非量化因素轉化(huà)為(wéi)預測(cè)模型(xíng)可(kě)以識別(bié)的數學量
，挖(wā)掘(jué)負荷內在變化(huà)規律與外(wài)部影(yǐng)響因素(sù)間(jiān)的非綫性(xìng)關(guān)係與(yǔ)復雜協同(tóng)作用
，細(xì)化分析區域級(jí)負荷特(tè)性(xìng)並總結其發展變(biàn)化態勢(shì)。基於(yú)負(fù)荷(hé)特(tè)性分(fēn)析
，區域級負(fù)荷預(yù)測模(mó)型需將高(gāo)維(wéi)負(fù)荷數據通過算法分析(xī)訓練及(jí)模(mó)型(xíng)交互(hù)融合
，充分挖(wā)掘數(shù)據間的潛在關(guān)聯
，進而得到(dào)精(jīng)度(dù)相(xiāng)對較高的(dí)預測結(jié)果。

區域級(jí)負(fù)荷(hé)預(yù)測模型評價(jià)體係(xì)一般以相(xiāng)對(duì)誤差(chà)，平均相對(duì)誤(wù)差，均(jūn)方根誤差為基準
，通過(guò)數值(zhí)比(bǐ)較(jiào)進(jìn)行模型預測效(xiào)果(guǒ)判(pàn)斷。具(jù)體(tǐ)指標計算方(fāng)法如下：

1. 相對(duì)誤差(chà)

2. 平(píng)均相(xiāng)對誤(wù)差(chà)

3. 均方(fāng)根誤差

式中
，pk代表(biǎo)第k個(gè)負荷采(cǎi)樣點(diǎn)的預測值(zhí)
，yk代表第(dì)k個負荷采樣點的(dí)實際(jì)值
，n為短期(qī)負荷(hé)預(yù)測每(měi)日預(yù)測點(diǎn)的(dí)個數(shù)。

1.2母(mǔ)綫負荷預(yù)測

作為(wéi)係(xì)統(tǒng)區域(yù)級(jí)負荷的底層(céng)分(fēn)布組成部(bù)分
，母綫負(fù)荷(hé)通(tōng)常(cháng)為(wéi)由變電(diàn)站(zhàn)的主(zhǔ)變壓器共給的終端負(fù)荷(hé)總(zǒng)和
，其(qí)預(yù)測(cè)精(jīng)度對(duì)於電網負荷(hé)調(tiáo)控(kòng)，優(yōu)化(huà)調度及精益(yì)化(huà)運行決策有(yǒu)著重要影響(xiǎng)。與(yǔ)區(qū)域(yù)級宏(hóng)觀負荷(hé)特(tè)性(xìng)不同(tóng)
，由(yóu)於受(shòu)供電區域(yù)內用戶自(zì)身(shēn)用電(diàn)行(háng)為影(yǐng)響(xiǎng)
，母綫(xiàn)負荷(hé)的負荷慣性(xìng)較小
，規律性(xìng)較(jiào)差
，因此(cǐ)需要長(cháng)時間尺度的(dí)海量(liáng)歷(lì)史負荷數據(jù)支撐(chēng)預(yù)測(cè)模型(xíng)的構(gòu)建。

母綫負荷預測(cè)方(fāng)法(fǎ)一般(bān)以聚類，擬合(hé)等數理統計算法為(wéi)理(lǐ)論基礎(chǔ)
，考慮到(dào)非綫(xiàn)性特征及波動性(xìng)明(míng)顯
，需(xū)采用(yòng)人(rén)工智能算法構(gòu)建預(yù)測模(mó)型。

利用Kears深度學習框架(jià)調整網絡結構
，避(bì)免了(liǎo)相似(sì)日等相關特征變(biàn)量選(xuǎn)取問題
，實現了(liǎo)高(gāo)精(jīng)度(dù)自(zì)適(shì)應(yīng)變電(diàn)站(zhàn)負(fù)荷(hé)預測(cè)。

母(mǔ)綫(xiàn)負荷(hé)預(yù)測模型性能評估具有其獨立(lì)的評(píng)估度量(liáng)體係(xì)
，通常按(àn)照以(yǐ)下(xià)的母綫負(fù)荷預測準確率(shuài)RT為(wéi)基準(zhǔn)進(jìn)行預(yù)測(cè)結(jié)果精度評(píng)價(jià)：

（4）

（5）

（6）

式(shì)中
，RT代(dài)表(biǎo)當(dāng)日母綫(xiàn)負荷(hé)預測準(zhǔn)確率
，σK為(wéi)時段t所有(yǒu)母綫誤(wù)差的均方(fāng)根
，en,t為單母綫誤(wù)差(chà)。

1.3居民住(zhù)宅負荷預測

對於城市(shì)用(yòng)電負(fù)荷(hé)而言
，用(yòng)戶側(cè)的居(jū)民(mín)住宅負(fù)荷(hé)占比較大(dà)
，其(qí)主觀性的差異與用(yòng)電(diàn)電(diàn)器的(dí)多(duō)樣(yàng)性(xìng)對(duì)城(chéng)市(shì)電網(wǎng)運(yùn)行(háng)時的(dí)應(yīng)變(biàn)能力與(yǔ)穩定(dìng)性(xìng)提(tí)出(chū)了較(jiào)大的(dí)挑戰(zhàn)。考(kǎo)慮(lǜ)到居(jū)民(mín)住(zhù)宅(zhái)具(jù)有集群效應(yīng)
，且(qiě)獨(dú)立用(yòng)戶(hù)間(jiān)的家(jiā)用電器種類與(yǔ)用電(diàn)習(xí)慣(guàn)不(bù)盡(jìn)相(xiāng)同(tóng)
，一(yī)般依據自上(shàng)而(ér)下(xià)的(dí)負荷(hé)預(yù)測思(sī)想(xiǎng)
，利(lì)用相(xiāng)關(guān)聚類算法對海量(liáng)居民住(zhù)宅負荷數據(jù)進行(háng)聚類劃分(fēn)後再建(jiàn)立(lì)差(chà)異化(huà)預(yù)測模型
，避免海量(liáng)數(shù)據預測(cè)效(xiào)率(shuài)較(jiào)低的問(wèn)題(tí)。

作(zuò)為需求響應重(zhòng)要(yào)參與(yǔ)者
，電力(lì)用戶(hù)的住宅樓宇(yǔ)中擁有大(dà)量以可(kě)平移，可中(zhōng)斷(duàn)負荷(hé)形式存在的可(kě)調度(dù)需求(qiú)響應(yīng)資源
，其參(cān)與(yǔ)電(diàn)力(lì)係(xì)統削峰填穀(gǔ)的(dí)潛(qián)力巨(jù)大(dà)
，居民住宅樓(lóu)宇負(fù)荷(hé)分(fēn)布如(rú)圖1所示。通過對用(yòng)戶(hù)可調節負荷曲綫(xiàn)精確(què)預測
，電力(lì)公(gōng)司及負荷(hé)聚合商能夠分(fēn)析評估用(yòng)電負(fù)荷需求(qiú)響應(yīng)潛力
，通過分時電價引導用戶參(cān)與(yǔ)需求(qiú)響應。

圖(tú)1 居民住宅(zhái)樓(lóu)宇(yǔ)負荷分布(bù)

考慮到電力(lì)市(shì)場(cháng)改革(gé)與(yǔ)綠色(sè)電(diàn)力蓬勃發展
，充分考(kǎo)慮用戶(hù)差異化(huà)的(dí)用電(diàn)習慣，消(xiāo)費(fèi)心(xīn)理(lǐ)及當(dāng)今(jīn)電熱(rè)氣(qì)耦合模式
，構建基於需(xū)求響應信(xìn)號的(dí)LSTM超(chāo)短期負(fù)荷(hé)預(yù)測模(mó)型
，驗證(zhèng)了此(cǐ)模型(xíng)對(duì)於計及需(xū)求(qiú)響(xiǎng)應(yīng)信號情(qíng)況下(xià)的明顯(xiǎn)優勢(shì)。

以需求響(xiǎng)應為(wéi)前(qián)提(tí)進(jìn)行負(fù)荷預(yù)測並建立(lì)分(fēn)布(bù)式電源(yuán)與智(zhì)能家(jiā)電之間的新型供需互動(dòng)模(mó)型
，對未來智能電網(wǎng)的(dí)建設(shè)規劃(huá)，深入挖(wā)掘(jué)用(yòng)戶側參(cān)與需求(qiú)響應的潛力，建(jiàn)立切實(shí)可行(háng)的(dí)新型(xíng)源--荷(hé)互動模型，保障用電高峰(fēng)期電網的(dí)安(ān)全(quán)高效(xiào)運行等具有(yǒu)重要的理(lǐ)論和實踐意義。

1.4低壓(yā)配電(diàn)台區(qū)負荷預測

低壓配電台(tái)區(qū)主(zhǔ)要為 35kV或 10kV配(pèi)電變壓器(qì)供電範圍內的所有用戶集(jí)合(hé)
，其(qí)數量取(qǔ)決於配(pèi)電(diàn)變壓(yā)器(qì)台數及其(qí)配(pèi)電範圍(wéi)。典(diǎn)型低壓(yā)配電(diàn)台區負荷由(yóu)同一配(pèi)電台區(qū)內(nèi)的(dí)居民用(yòng)戶(hù)負(fù)荷(hé)，工業負荷(hé)及商業(yè)負荷組成
，一般而言
，同一(yī)配電(diàn)所內(nèi)包(bāo)含多個配(pèi)電台區(qū)
，台區負荷數量(liáng)僅次於前(qián)文所述(shù)的(dí)用戶住(zhù)宅負(fù)荷。配電台區負(fù)荷預(yù)測旨(zhǐ)在根據精(jīng)準的(dí)預(yù)測結(jié)果(guǒ)指(zhǐ)導(dǎo)相關配(pèi)網工作(zuò)，獲取(qǔ)配電(diàn)變壓器裕度(dù)指標
，進一步合(hé)理化安排(pái)檢(jiǎn)修(xiū)計劃(huá)
，為實(shí)現事前預(yù)警(jǐng)，調(tiáo)配(pèi)搶修(xiū)資(zī)源奠(diàn)定堅實(shí)基(jī)礎(chǔ)
，為(wéi)提高台區供電可(kě)靠(kào)性與運(yùn)行(háng)經濟(jì)型提供保障。

選取(qǔ)同(tóng)一區(qū)域內的三個(gè)低壓(yā)配(pèi)電台(tái)區數(shù)據
，利用(yòng)經細(xì)菌趨化算(suàn)法(fǎ)優化的(dí)BP神經(jīng)網絡進(jìn)行(háng)負荷數(shù)據預測
，結合(hé)負荷狀態結(jié)果進行台區內低壓變(biàn)壓器(qì)負荷(hé)率(shuài)，容(róng)載比等(děng)裕度指標分析
，綜合(hé)損耗及負荷(hé)預(yù)測數據(jù)得出配電(diàn)變壓器經濟(jì)運行方式。在LSTM模(mó)型(xíng)基礎(chǔ)上添加(jiā)循(xún)環(huán)跳躍 組(zǔ)件(jiàn)與(yǔ)綫性(xìng)自(zì)回(huí)歸組(zǔ)件
，構建(jiàn)具(jù)有(yǒu)捕(bǔ)獲配(pèi)電(diàn)台(tái)區(qū)負(fù)荷短(duǎn)期(qī)局(jú)部(bù)依賴(lài)關係能力的(dí)LSTNet預測(cè)模型(xíng)
，通過訓練某小區一(yī)公(gōng)共(gòng)變(biàn)壓器的負荷數(shù)據(jù)
，表明 LSTNet 模型(xíng)在(zài)台區負荷(hé)變化(huà)呈現強(qiáng)烈波動時能夠(gòu)較好地捕(bǔ)捉(zhuō)其(qí)變化趨(qū)勢(shì)
，緩(huǎn)解了傳統(tǒng)神經(jīng)網絡(luò)對(duì)負(fù)荷(hé)數據不敏(mǐn)感的(dí)問(wèn)題。

由於(yú)配電台區(qū)具有(yǒu)較(jiào)為明(míng)顯的用電(diàn)差異性
，其(qí)負荷規(guī)律有較(jiào)強(qiáng)隨機性
，單一(yī)預(yù)測(cè)模型(xíng)的預測(cè)誤差(chà)較大(dà)
，多(duō)數負(fù)荷預測(cè)模(mó)型難以(yǐ)投入實際(jì)應(yīng)用。

1.5綜合能(néng)源係(xì)統負(fù)荷(hé)預測

作為(wéi)能源(yuán)互(hù)聯(lián)網的物理載體(tǐ)
，綜(zōng)合能源係統 (Integrated Energy System
，IES)集(jí)成多種(zhǒng)形式(shì)的(dí)能(néng)量(liáng)供應，轉換和(hé)儲(chǔ)存設備
，實現不同類型(xíng)能(néng)源(yuán)在 源，網(wǎng)，荷，儲等環節的(dí)耦(ǒu)合
，促成多(duō)個能源係(xì)統(tǒng)間的互動(dòng)互聯(lián)與(yǔ)協同運行。

由於(yú)多類(lèi)能(néng)源間(jiān)的物理(lǐ)特性差異(yì)及耦合(hé)效(xiào)應的必然存在(zài)
，綜合(hé)能源(yuán)係統存(cún)在明顯(xiǎn)的負荷隨機(jī)波動性
，其負荷預(yù)測(cè)準確性大大影響係統優化調(tiáo)度與(yǔ)協(xié)調(tiáo)規劃(huá)。綜合(hé)能(néng)源係統(tǒng)負荷預(yù)測框(kuàng)架如圖(tú)2所(suǒ)示。

圖2 綜(zōng)合能源係統(tǒng)負荷預(yù)測框架

由從用戶(hù)級(jí)綜合(hé)能源係統入手(shǒu)
，考(kǎo)慮到用戶(hù)級存(cún)在負(fù)荷(hé)類(lèi)型(xíng)多，規(guī)模(mó)小，波(bō)動大(dà)等特(tè)性
，作者結合(hé)多通(tōng)道卷(juàn)積神經(jīng)網(wǎng)絡(luò)與長(cháng)短期(qī)記憶循(xún)神經網絡(luò)構(gòu)建 MCNN-LSTM 負荷預測(cè)模型
，通(tōng)過對電(diàn)，熱，氣(qì)，冷(lěng)等(děng)多個用(yòng)戶(hù)級基(jī)本(běn)負荷(hé)單元進(jìn)行圖(tú)像(xiàng)特征重構及(jí)融合
，更(gēng)好地(dì)挖掘(jué)各(gè)類型負荷間(jiān)的潛在關係
，避(bì)免混合(hé)型負(fù)荷(hé)造(zào)成(chéng)的模型預測結果(guǒ)混(hùn)雜影(yǐng)響
， 同(tóng)時(shí)組(zǔ)合神(shén)經網絡(luò)的應用大(dà)大提(tí)高了預測精(jīng)度。通過標簽劃(huá)分方法(fǎ)將(jiāng)負荷類型(xíng)及(jí)其影響因素分(fēn)別(bié)歸納至靜(jìng)態(tài)標(biāo)簽與動態標簽
，充(chōng)分分析(xī)多(duō)元(yuán)負(fù)荷(hé)間(jiān)的(dí)相(xiāng)關(guān)性(xìng)與(yǔ)變化趨(qū)勢構建(jiàn) CNN-LSTM負荷(hé)預(yù)測(cè)模型(xíng)
，依據標(biāo)簽(qiān)內(nèi)容(róng)針對(duì)性進行(háng)差異性預測(cè)
，通過(guò)利用由(yóu)電(diàn)，熱(rè)，氣三類(lèi)能源組(zǔ)成(chéng)的區域級(jí)綜(zōng)合能(néng)源係(xì)統真(zhēn)實負荷(hé)數(shù)據(jù)進(jìn)行訓練
，此模型能(néng)夠(gòu)較(jiào)準(zhǔn)確(què)地預測三(sān)種能源耦合(hé)後的各自獨立負荷(hé)情況
，預測(cè)精度較(jiào)高。

2基於智(zhì)能(néng)算法的(dí)負荷預測模(mó)型(xíng)

負荷預測(cè)發展初期主(zhǔ)要(yào)以(yǐ)數(shù)學算法理(lǐ)論為建(jiàn)模基(jī)礎
，傳(chuán)統負荷(hé)預(yù)測(cè)將電(diàn)力(lì)負(fù)荷數據(jù)看作時間序列(liè)數(shù)據加以處理
，預(yù)測方法(fǎ)主要包括時(shí)間序列法，回(huí)歸分(fēn)析法，灰(huī)色預測(cè)法，卡爾(ěr)曼濾(lǜ)波法等。當今(jīn)發展(zhǎn)態勢下
，電力(lì)負(fù)荷(hé)種(zhǒng)類，數量及其外部影響(xiǎng)因(yīn)素不斷(duàn)增多(duō)
，加(jiā)之(zhī)新(xīn)能源發電(diàn)占比(bǐ)增(zēng)加(jiā)帶(dài)來的負荷端主動(dòng)性(xìng)荷(hé)被動(dòng)不確定性(xìng)增強
，傳統(tǒng)負(fù)荷預測模型難以(yǐ)滿(mǎn)足(zú)新(xīn)型電力係(xì)統的高要(yào)求(qiú)。人工智能技術憑借其非綫(xiàn)性擬合等能力
，在負荷建模及(jí)預(yù)測，負荷優(yōu)化(huà)等方(fāng)麵(miàn)取得(dé)突破(pò)
，基於人工(gōng)智能(néng)技術的智能算法模型(xíng)能夠(gòu)較(jiào)好(hǎo)捕捉當(dāng)今(jīn)電(diàn)力負荷的非(fēi)綫性(xìng)特征
，大大提高了負荷預測精度(dù)
，成為當今(jīn)負(fù)荷預測(cè)的(dí)主(zhǔ)流模(mó)型(xíng)。

2.1 單(dān)一預測模型

2.1.1 BP神(shén)經(jīng)網絡(luò)

BP神(shén)經網(wǎng)絡(luò)一般具有輸入(rù)層(céng)，隱(yǐn)含層(céng)及輸出層三(sān)層網(wǎng)絡結構(gòu)
，用(yòng)於(yú)負(fù)荷預(yù)測時(shí)
，歷(lì)史負(fù)荷及 其影響因素(sù)進行(háng)數(shù)值量化後作(zuò)為(wéi)輸入(rù)數(shù)據
，在隱含層(céng)內(nèi)經(jīng)過(guò)激勵(lì)函(hán)數的擬(nǐ)合處(chǔ)理
，多次(cì)循(xún)環(huán)，迭代(dài)誤差反(fǎn)向(xiàng)傳輸(shū)過(guò)程
，以(yǐ)此(cǐ)減(jiǎn)小(xiǎo)網絡(luò)訓練結(jié)果(guǒ)與已(yǐ)知(zhī)實際真(zhēn)實值之(zhī)間(jiān)的(dí)誤(wù)差(chà)
，最終由輸出層(céng)得(dé)到預測(cè)結(jié)果(guǒ)。BP神(shén)經(jīng)網絡(luò)拓撲(pū)結構圖如(rú)圖(tú)3所示。

圖3 BP神(shén)經網(wǎng)絡(luò)拓(tuò)撲結構

其中wi ，wj 分(fēn)別代(dài)表輸入(rù)層與(yǔ)隱(yǐn)含(hán)層間(jiān)的(dí)權(quán)重，隱含(hán)層與(yǔ)輸出(chū)層間的(dí)權重
，X代表輸(shū)入(rù)量
，y 代(dài)表神(shén)經(jīng)網絡的輸出量(liáng)
，Y代表數據(jù)真(zhēn)實值
，E代表真(zhēn)實(shí)值與(yǔ)預測值(zhí)之間的差值。

與傳統(tǒng)的算法相(xiāng)比
，BP神(shén)經(jīng)網(wǎng)絡具(jù)有更(gēng)好的模型泛(fàn)化能(néng)力(lì)與非(fēi)綫性映射(shè)能力
，其(qí)柔(róu)性(xìng)的網絡結(jié)構使之(zhī)成為應用(yòng)為(wéi)廣(guǎng)泛(fàn)的人工神經網絡(luò)之一。

傳統(tǒng)BP神(shén)經(jīng)網(wǎng)絡具有(yǒu)訓(xùn)練速度慢，易(yì)陷入(rù)局部極(jí)小值，易出現過擬合等缺點
，應(yīng)用於負(fù)荷(hé)預測(cè)時
，常(cháng)通(tōng)過加入遺(yí)傳算法，粒(lì)子群(qún)優化(huà)算(suàn)法等對(duì)其(qí)網(wǎng)絡內部各(gè)層(céng)權值及(jí)閾(yù)值進行優化
，有效(xiào)提高BP神經網(wǎng)絡訓(xùn)練精(jīng)度(dù)與可靠性。

考慮(lǜ)到(dào)過多(duō)歷史負(fù)荷數據的輸(shū)入(rù)將大大增加(jiā)神(shén)經網絡(luò)預(yù)測(cè)模型的(dí)復雜度
，隨機(jī)分布式嵌入(rù)框(kuàng)架及BP神(shén)經(jīng)網絡的負(fù)荷(hé)預(yù)測模型(xíng)
，采用核(hé)密度估計法擬(nǐ)合多個預(yù)測結果
，通(tōng)過聚(jù)合估計法得出負荷最(zuì)終(zhōng)預(yù)測值(zhí)
，有效改(gǎi)善數據維度(dù)對BP神(shén)經網絡預(yù)測精度的(dí)影響。

2.1.2 傳統(tǒng)循環神(shén)經(jīng)網絡(luò)

BP 神(shén)經網絡的三(sān)層網絡結構(gòu)為全連接
，且層(céng)間(jiān)節點相(xiāng)互無連接(jiē)
，因(yīn)此難以(yǐ)體(tǐ)現(xiàn)先(xiān)後(hòu)輸(shū)出數據的關聯(lián)關係。循環神經(jīng)網(wǎng)絡（ Recurrent Neural Network
，RNN）在BP神(shén)經(jīng)網絡的基礎上
，為(wéi)隱含(hán)層各(gè)節點提供(gōng)前序(xù)連接(jiē)與後序連(lián)接
，用以記錄(lù)前(qián)序信息(xī)並將其(qí)應(yīng)用於(yú)後(hòu)序(xù)輸出計算(suàn)中。RNN 網絡拓撲結構圖如(rú)圖 4 所(suǒ)示。

圖 4 RNN 網絡(luò)拓(tuò)撲結(jié)構(gòu)

考慮(lǜ)到RNN隱(yǐn)含(hán)層的基本循環體單元較(jiào)多
， 對(duì)多個循環體單元(yuán)的(dí)權值進行 Xaier 初始化(huà)
， 以保(bǎo)證初(chū)始(shǐ)權值的(dí)可(kě)靠性(xìng)
，進(jìn)而(ér)利(lì)用隨機梯度下(xià)降算(suàn)法(fǎ)優(yōu)化(huà)的(dí)多尺度循(xún)環神(shén)經網絡RNN進行(háng)短期(qī)負(fù)荷(hé)預(yù)測。通過具有自(zì)適應(yīng)能(néng)力的(dí)指(zhǐ)數加(jiā)權(quán) 平均(jūn)調(tiáo)整(zhěng)方案進(jìn)行數據(jù)插值(zhí)
，以減少量測數據(jù)準 確性對 RNN 模型(xíng)負(fù)荷預(yù)測結果的(dí)影(yǐng)響(xiǎng)。

由(yóu)於(yú)RNN具(jù)有短(duǎn)時記憶(yì)特性(xìng)
，難以(yǐ)保證時間(jiān)跨(kuà)度較(jiào)大的負荷(hé)序列信息傳遞(dì)的(dí)準(zhǔn)確性。同(tóng)時隨 著多層(céng)循環訓(xùn)練
， 內(nèi)部梯(tī)度不斷減小
，RNN 容易(yì)出(chū)現梯(tī)度消失(shī)和(hé)梯度爆炸(zhà)等(děng)問題(tí)
，因此(cǐ) RNN 並(bìng)不適用於(yú)長時(shí)間(jiān)序(xù)列(liè)訓(xùn)練(liàn)。

2.1.3 長短(duǎn)期記(jì)憶(yì)神經(jīng)網(wǎng)絡

傳(chuán)統循(xún)環(huán)神(shén)經網絡(luò)的內(nèi)部(bù)循環單元結構無(wú)法 傳遞前(qián)序特(tè)征(zhēng)信號(hào)與後序特征信號的函數(shù)關(guān)係
， 為(wéi)此基(jī)於(yú)循環神經網絡改(gǎi)進(jìn)所得(dé)長(cháng)短期記憶神(shén)經(jīng) 網絡（Long Short-Term Memory
，LSTM）
，其網(wǎng)絡拓(tuò)撲(pū)結(jié)構如圖5所(suǒ)示。

LSTM 保留了RNN基本結(jié)構(gòu)中相鄰時間(jiān)節點的隱含層傳遞關係
，在循(xún)環體(tǐ)內部更(gēng)新加入遺忘 門，輸(shū)入(rù)門和(hé)輸(shū)出(chū)門
，對(duì)前序信息(xī)進行記憶(yì)，提取並篩(shāi)選
，進一步增強後(hòu)續特征信(xìn)號與(yǔ)前序特(tè)征信(xìn)號間(jiān)的關聯(lián)程度(dù)
，有效(xiào)解(jiě)決(jué)傳(chuán)統 RNN在長時間序列(liè)訓練(liàn)時出現的(dí)梯度(dù)消失(shī)與梯度爆炸問題。

圖 5 LSTM網絡拓(tuò)撲(pū)結構

LSTM保(bǎo)為(wéi)充(chōng)分發(fā)揮LSTM在(zài)處理(lǐ)長時間(jiān)序(xù)列(liè)大數據(jù)集時(shí)性(xìng)能(néng)較(jiào)好(hǎo)的顯(xiǎn)著優勢(shì)
，利用(yòng)互(hù)補(bǔ)集合(hé)經(jīng)驗(yàn)模(mó)態分解(jiě)將電(diàn)力負荷分(fēn)解為不同頻率的(dí)分量(liáng)
，其(qí)中(zhōng)建立(lì)經貝(bèi)葉斯優化的(dí)LSTM預測(cè)模型對復(fù)雜高(gāo)頻(pín)分量進行預(yù)測(cè)
，進(jìn)一(yī)步提高波(bō)動(dòng)大，規(guī)律(lǜ)性差(chà)的(dí)負荷(hé)高(gāo)頻(pín)分量的預測精(jīng)度。基於互(hù)信(xìn)息理論對(duì)所(suǒ)選取的電力(lì)負(fù)荷進行(háng)最(zuì)大相關(guān)最(zuì)小冗(rǒng)餘特(tè)征變量(liáng)選擇(zé)（mRMR）
，以(yǐ)此擇(zé)出(chū)輸入(rù)變量集(jí)合
，並(bìng)通過(guò) LSTM 進(jìn)行用(yòng)戶(hù)日前電力負荷(hé)預測(cè)。結果表明(míng)
，mRMR-LSTM 模(mó)型能夠(gòu)更好(hǎo)地處理波動(dòng)較大，隨機(jī)性較強的用(yòng)戶(hù)電力(lì)負(fù)荷序(xù)列。

2.1.4 門控循(xún)環(huán)單元

門(mén)控(kòng)循環單元（Gated Recurrent Unit
，GRU）為長短(duǎn)期(qī)記憶神(shén)經網(wǎng)絡單(dān)元的簡(jiǎn)化(huà)變體(tǐ)
，其將LSTM循(xún)環(huán)體內(nèi)部(bù)的遺忘門與輸(shū)入門合(hé)並(bìng)為更(gēng)新(xīn)門
，將輸(shū)出門替換(huàn)為重(zhòng)置(zhì)門(mén)
，有效對前序(xù)信(xìn)息進(jìn)行記憶或遺忘(wàng)
，可以同時兼顧電力(lì)負(fù)荷序列的(dí)時(shí)序性與(yǔ)非(fēi)綫(xiàn)性
，大(dà)大(dà)減少了參(cān)數(shù)數量(liáng)
，降低(dī)了(liǎo)網絡訓練(liàn)難度。

圖(tú) 6 GRU 網(wǎng)絡拓(tuò)撲結構

考慮到(dào)單(dān)一的GRU網絡(luò)在處理非連續性長時間(jiān)序(xù)列(liè)時難(nán)以(yǐ)對(duì)序列特征做差異(yì)化(huà)區分
，利用(yòng)譜聚(jù)類(lèi)算(suàn)法對用電負(fù)荷進(jìn)行聚類劃分
，通過(guò)模型融合算法動態(tài)調節多(duō)種GRU模型(xíng)在(zài)整(zhěng)體預(yù)測模(mó) 型(xíng)中(zhōng)的權重
，動態(tài)融合(hé)淺(qiǎn)層，深層(céng)及多(duō)層(céng)疊(dié)加(jiā)的各(gè)類(lèi) GRU網絡(luò)
，提高聚類(lèi)劃分下GRU預測(cè)模(mó)型 的預測精(jīng)度與(yǔ)泛化(huà)能力。

為(wéi)減(jiǎn)少(shǎo)單一(yī)GRU模型存(cún)在的(dí)長時間序(xù)列信息丟(diū)失問題(tí)
，在GRU負荷(hé)預測(cè)模型(xíng)中(zhōng)加入 注(zhù)意(yì)力(lì)（Attention）機(jī)製模(mó)塊
，提高對(duì)負(fù)荷(hé)序列(liè)關(guān) 鍵特(tè)征(zhēng)的(dí)捕捉(zhuō)能力
，進一步(bù)減(jiǎn)小負(fù)荷(hé)序列(liè)長度(dù)對 預測(cè)精(jīng)度的影(yǐng)響。對(duì)歷(lì)史電力(lì)負(fù)荷進行(háng)經(jīng)驗(yàn)模態分解
，構建EMD- GRU-Attention 混合預測模(mó)型
，較(jiào)好(hǎo)地捕捉(zhuō)了(liǎo)負(fù)荷數據(jù)的時序性(xìng)與復雜非(fēi)綫性關(guān)係。 此外
，GRU- Attention 預測模(mó)型(xíng)也(yě)較(jiào)為(wéi)廣泛(fàn)地應用於(yú)具有(yǒu)強耦(ǒu)合(hé)性質的綜(zōng)合能源(yuán)係(xì)統冷，熱(rè)，電(diàn)負(fù)荷的預(yù)測(cè)中
，借(jiè)助(zhù)多(duō)任務學(xué)習中(zhōng)的(dí)權重共享(xiǎng)機製提(tí)取不(bù)同類型負(fù)荷(hé)間的耦(ǒu)合信(xìn)息
，進(jìn)一步提高大(dà)波(bō)動下單(dān)一負(fù)荷(hé)預測精度。

2.1.5 卷積(jī)神經(jīng)網(wǎng)絡

考慮到(dào)循(xún)環神經(jīng)網絡(luò)無法提取序列的(dí)空間(jiān)特征
，研(yán)究學者提出(chū)依(yī)靠卷積神經網(wǎng)絡(luò)模型提取(qǔ)序(xù)列(liè)的時(shí)間特(tè)征與空間特(tè)征(zhēng)。卷(juàn)積神經(jīng)網絡（Convolution Neural Networks
，CNN）在(zài) BP 神經(jīng)網(wǎng)絡(luò)結構基(jī)礎上將隱含(hán)層(céng)替(tì)換(huàn)為卷積層(céng)與池(chí)化層
， 高維電(diàn)力(lì)負荷相關數據進(jìn)行預處(chǔ)理後經(jīng)輸入層輸(shū)入網(wǎng)絡模型
，經卷(juàn)積層的卷積計(jì)算提取(qǔ)不(bù)同數(shù)據間的關聯特征
，經池化層池化後實現(xiàn)特(tè)征值(zhí)篩選與降(jiàng)維(wéi)
，從而減(jiǎn)少係統需(xū)要(yào)優(yōu)化的(dí)參數(shù)數量
， 降低(dī)了人為提(tí)取(qǔ)特(tè)征(zhēng)帶(dài)來的(dí)預測誤差。CNN網絡(luò)拓撲圖(tú)如圖(tú)7所(suǒ)示(shì)。

圖 7 CNN 網(wǎng)絡拓(tuò)撲結構

傳統(tǒng)卷(juàn)積神經網(wǎng)絡具有(yǒu)較(jiào)強(qiáng)的(dí)非(fēi)綫(xiàn)性映射能 力及圖(tú)像特(tè)征提取能力
，用(yòng)於(yú)負(fù)荷預測(cè)時可將(jiāng)負(fù)荷數(shù)據及相關影響(xiǎng)因素進(jìn)行圖像(xiàng)化(huà)排(pái)列
，充分(fēn)發(fā)揮(huī)CNN在(zài)網絡(luò)訓練(liàn)中(zhōng)的自(zì)學(xué)習(xí)，自(zì)適應優勢
， 通(tōng)過提(tí)取圖像數據(jù)關鍵(jiàn)特征(zhēng)來(lái)減(jiǎn)小CNN處理序列數(shù)據(jù)時(shí)出(chū)現的過(guò)擬合問題(tí)。

卷積時間(jiān)網(wǎng)絡(luò)在處理(lǐ)長(cháng)時間序列時常存在視 野(yě)區(qū)間(jiān)有限(xiàn)，難(nán)以(yǐ)提取全部(bù)時(shí)序(xù)特(tè)征等問題
， 針(zhēn)對此問題(tí)
，在傳(chuán)統(tǒng)CNN基(jī)礎上引入擴張卷積，因果卷積及(jí)殘差網絡(luò)
，構(gòu)成具(jù)有更強時序(xù)特征(zhēng)捕(bǔ)捉(zhuō)能力的(dí)時(shí)序(xù)卷(juàn)積神(shén)經網絡（TCN）負荷(hé)預(yù)測模(mó)型
，通過對(duì)小型(xíng)綜(zōng)合能源(yuán)係統負(fù)荷(hé)數(shù)據進行(háng)分(fēn)析預(yù)測
，驗(yàn)證了此(cǐ)改進(jìn)卷積神經網(wǎng)絡(luò)模(mó)型具(jù)有更(gēng)高特(tè)征(zhēng)辨識(shí)能力及(jí)穩定性(xìng)。

2.1.6 圖(tú)神經網絡

圖(tú)神經網(wǎng)絡（Graph Neural Networks
，GNN）主要(yào)包括(kuò)圖卷積神經(jīng)網絡，圖記(jì)憶力(lì)網絡等
，是一(yī)種(zhǒng)新興的(dí)專門處(chǔ)理圖(tú)數據的(dí)神經網絡(luò)模(mó)型(xíng)
，其(qí)具(jù)備同時(shí)挖(wā)掘節點內(nèi)特征信息(xī)與節點(diǎn)間的(dí)相(xiāng)關性信息(xī)的(dí)能(néng)力
，在負荷預測領(lǐng)域能夠較(jiào)好地捕(bǔ)捉(zhuō)負(fù)荷序列(liè)的時(shí)間連續性(xìng)與(yǔ)空間(jiān)關(guān)聯性。利(lì)用圖神經網(wǎng)絡(luò)進行負荷預(yù)測時
，需將(jiāng)歷史負荷(hé)數(shù)據進行預先聚類處(chǔ)理
，利(lì)用同族負(fù)荷(hé)數(shù)據的(dí)時間序列特(tè)征與空間關聯性(xìng)特征構建(jiàn)局部時空(kōng)圖
，利用圖(tú)聚(jù)合函(hán)數將(jiāng)自身(shēn)特征(zhēng)信(xìn)息(xī)與相(xiāng)鄰(lín)節點特征信息(xī)進行(háng)聚合
，將最(zuì)終信息平均值輸入(rù)至神經網絡(luò)。神經網絡(luò)一般(bān)預測流(liú)程如(rú)圖(tú)8所示。

圖8 圖神經網絡網絡拓撲(pū)結構(gòu)

利用 K-means 聚類(lèi)算(suàn)法(fǎ)將用電集群進(jìn)行分組(zǔ)
，將每組用戶聚合(hé)的負荷序(xù)列作(zuò)為節(jié)點特 征(zhēng)
，建(jiàn)立麵向(xiàng)用(yòng)戶集群負(fù)荷(hé)預(yù)測的圖結(jié)構數據(jù)
，構(gòu)建並(bìng)訓練(liàn)自適(shì)應(yīng)時(shí)空同步(bù)圖(tú)卷積(jī)神經(jīng)網絡(luò)模型
，充分(fēn)挖掘居(jū)民(mín)用電(diàn)負荷(hé)的時(shí)空(kōng)關(guān)聯性(xìng)
，通(tōng)過(guò)提取圖像特征提(tí)高預(yù)測精(jīng)度(dù)
，但由於圖神經(jīng)網絡(luò)捕獲時間依(yī)賴關係(xì)的(dí)能力有限(xiàn)
，預測精度(dù)仍有待(dài)提(tí)升。為進一步提高 GNN的時間(jiān)特征提(tí)取能(néng)力(lì)
，利(lì)用圖神(shén)經(jīng)網絡與(yǔ)循(xún)環神經(jīng)網(wǎng)絡(luò)組(zǔ)合模型(xíng)進行配(pèi)電網(wǎng)負荷時空預(yù)測
，其中
，利用(yòng)圖卷(juàn)積(jī)網(wǎng)絡(luò)捕獲(huò)電(diàn)力網絡(luò)的(dí)拓(tuò)撲結構，獲(huò)得空(kōng)間依(yī)賴(lài)性
，利用門(mén)控遞歸單(dān)元捕捉負(fù)荷信息(xī)的(dí)動態(tài)變(biàn)化(huà)，獲(huò)取時間(jiān)依賴性
，發揮兩(liǎng)種神(shén)經網絡自身(shēn)特(tè)性
，提高(gāo)時(shí)空(kōng)兩維負荷(hé)預測的準確(què)性(xìng)。

2.2 組合預測模(mó)型

一直以來
，高穩定(dìng)性和準確(què)度都是負(fù)荷預(yù)測(cè)模 型(xíng)訓練所追(zhuī)求的目標
，但(dàn)單一的模型(xíng)算法(fǎ)往(wǎng)往(wǎng)存在自身(shēn)固(gù)有缺陷
，僅(jǐn)僅憑(píng)借(jiè)調整算(suàn)法(fǎ)內(nèi)部(bù)參數難以減弱(ruò)甚(shèn)至消(xiāo)除缺(quē)陷所帶來(lái)的結果(guǒ)誤差(chà)。當今
，以參數耦合方(fāng)式，流程組(zǔ)合(hé)方式(shì)，算(suàn)法融合方式為(wéi)基(jī)本(běn)構成的(dí)組(zǔ)合模型在(zài)負(fù)荷(hé)預測(cè)領(lǐng)域逐步(bù)興起
，較好地結合各(gè)個(gè)單(dān)一負荷(hé)預(yù)測模型的自身(shēn)特長(cháng)
，改善因單(dān)一(yī)模型自身(shēn)固(gù)有(yǒu)缺(quē)陷導(dǎo)致(zhì)的(dí)預測精度受限問(wèn)題(tí)。

2.2.1 CNN-LSTM 模(mó)型(xíng)

卷積(jī)神經網絡(luò)可以較好(hǎo)地(dì)提取(qǔ)長(cháng)時間序列(liè)的空間特征
，但難以(yǐ)準確(què)地提取出(chū)序(xù)列的時間特(tè)征
，長短期記(jì)憶神(shén)經網絡憑(píng)借其記憶功(gōng)能能夠準(zhǔn)確提(tí)取(qǔ)序列(liè)時(shí)間(jiān)特征信息
，但(dàn)自身短時記憶的固有缺陷(xiàn)容易丟失序列信息。因此
，單一(yī)CNN與(yǔ)LSTM負(fù)荷預(yù)測模(mó)型在麵(miàn)對(duì)多(duō)維負荷(hé)數(shù)據序列常出現多(duō)維(wéi)特征信息提(tí)取不(bù)充分(fēn)，序列(liè)信息(xī)結(jié)構(gòu)混亂(luàn)等(děng)問題(tí)。

CNN-LSTM 組(zǔ)合模(mó)型(xíng)可由 CNN 層(céng)提取序列空間特征
，負(fù)荷序列經(jīng) CNN 處理後輸入LSTM進行(háng)時(shí)序(xù)特征提(tí)取並(bìng)進行負荷(hé)預測
，充分集成 CNN與LSTM 兩(liǎng)類神經(jīng)網絡模(mó)型(xíng)的固有優勢(shì)
，有(yǒu)效減少單一模型(xíng)在預測方(fāng)麵(miàn)體現(xiàn)出(chū)的(dí)序(xù)列丟(diū)失(shī)，時(shí)序特(tè)征捕(bǔ)獲等(děng)問題(tí)。CNN-LSTM 模(mó)型(xíng)網(wǎng)絡拓撲結構如圖(tú)9所示(shì)。

圖9 CNN-LSTM 模型(xíng)網絡拓撲結構(gòu)

CNN-LSTM 預測模型在(zài)綜合能源(yuán)係統負(fù)荷(hé)預測，居民(mín)住宅負(fù)荷(hé)預測等方麵應(yīng)用廣泛(fàn)
，其較強(qiáng)的時(shí)空(kōng)特(tè)征(zhēng)捕(bǔ)捉(zhuō)特性能夠差異化跟(gēn)蹤(zōng)綜(zōng)合(hé)能(néng)源(yuán)係統(tǒng)及居(jū)民(mín)住(zhù)宅內(nèi)各(gè)類(lèi)負荷(hé)變(biàn)化(huà)情況
，有效提高具(jù)有(yǒu)耦合性質(zhì)的獨(dú)立負荷(hé)預(yù)測(cè)精(jīng)度(dù)。進一(yī)步研(yán)究了(liǎo)居民(mín)住(zhù)宅內家用電器的(dí)能耗情(qíng)況
，通(tōng)過對電(diàn)熱水器與(yǔ)變頻(pín)空調(tiáo)的能耗監(jiān)測與預(yù)測
，表(biǎo)明 CNN-LSTM 組(zǔ)合(hé)模型(xíng)可以(yǐ) 很(hěn)好(hǎo)地(dì)預(yù)測住宅(zhái)內能耗占比較(jiào)大的家(jiā)用電器使用(yòng)情況。

在係統區(qū)域(yù)級負荷預測方(fāng)麵
，運(yùn)用 CNN 充分(fēn)提(tí)取各(gè)分(fēn)量的潛(qián)在特(tè)征(zhēng)並(bìng)作為 LSTM 網(wǎng)絡輸入對各分量(liáng)進(jìn)行預測(cè)
，明(míng)顯縮短負(fù)荷(hé)預測時間(jiān)
，有(yǒu)效(xiào)提升負荷(hé)預測精度(dù)。由於傳(chuán)統 CNN- LSTM 模(mó)型(xíng)隻(zhī)在結構上(shàng)實現兩(liǎng)個單(dān)體(tǐ)網絡(luò)的(dí)順(shùn)序鏈(liàn)接
，為進一(yī)步(bù)提(tí)高(gāo)訓練(liàn)性能(néng)
，在(zài)整體(tǐ)結構上(shàng)
，可(kě)引入時序注(zhù)意(yì)力機製及通(tōng)道(dào)注(zhù)意力機製(zhì)來強化(huà)負荷(hé)序(xù)列特征提(tí)取能(néng)力(lì)；在(zài)單一網(wǎng)絡(luò)上
，可建立具有雙(shuāng)向遞(dì)歸反(fǎn)饋的雙向(xiàng)長短期記憶循(xún)環(huán)網絡 BiLSTM
，利(lì)用(yòng)給(gěi) L1正則化對特征數據(jù)進(jìn)行(háng)特(tè)征篩(shāi)選後(hòu)通過CNN-BiLSTM模(mó)型(xíng)進行(háng)負荷(hé)預測
，進一(yī)步增(zēng)強模型(xíng)預(yù)測(cè)性(xìng)能。

2.2.2 CNN-GRU 模型

門(mén)控(kòng)循(xún)環單元GRU簡化了LSTM的內(nèi)部(bù)單元結構(gòu)
，在保證較高預測(cè)精(jīng)度(dù)的同(tóng)時可有效縮短(duǎn)模型的訓練(liàn)時間
，因此更(gēng)適用於負(fù)荷(hé)預(yù)測領域。使用GRU網絡(luò)雖(suī)然可(kě)以(yǐ)考慮(lǜ)時序性(xìng)數(shù)據(jù)的(dí)歷史規律
，但是需人(rén)工(gōng)構造特(tè)征關係(xì)
，不(bù)能(néng)充(chōng)分挖掘非連(lián)續特征在(zài)高維空間中的(dí)聯(lián)係(xì)
，因(yīn)此(cǐ)考慮(lǜ)結合(hé)其(qí)他(tā)網絡(luò)以提(tí)升對負(fù)荷特(tè)征(zhēng)的(dí)挖(wā)掘能力。與CNN-LSTM 模型(xíng)相(xiāng)比
，CNN-GRU 模(mó)型結(jié)構(gòu)更為簡單(dān)
，大(dà)大縮減(jiǎn)了循環單元的參數數量與網(wǎng)絡訓練時(shí)間(jiān)
，進一步增強(qiáng)了時(shí)空(kōng)關(guān)聯特征提(tí)取(qǔ)能力(lì)。

對負荷數(shù)據進(jìn)行 k-means 聚類劃分後
， 采用 CNN 網(wǎng)絡提取(qǔ)特征(zhēng)與負荷(hé)因(yīn)素在(zài)高(gāo)維空間的 聯係
，構造時序(xù)序(xù)列(liè)的特征向(xiàng)量並輸入到三層GRU網(wǎng)絡(luò)中
，通(tōng)過(guò)訓練(liàn) GRU 網絡輸出(chū)負荷(hé)預測(cè)值
， 此模型在保持較快訓練(liàn)速度的(dí)同時(shí)
，具有較高(gāo)的(dí)預(yù)測精度。基(jī)礎上引(yǐn)入Attention 機製
，通(tōng)過映射加(jiā)權和(hé)學(xué)習參數(shù)矩(jǔ)陣賦(fù)予 GRU 隱含(hán)狀(zhuàng)態不同(tóng)的權重
，以此減少序列(liè)信(xìn)息的(dí)遺忘丟失(shī)
，與(yǔ)未加(jiā) Attention 機(jī)製的預測模(mó)型相(xiāng)比
，預測(cè)誤(wù)差明顯(xiǎn)減小(xiǎo)。在(zài) GRU網(wǎng)絡(luò)基礎上建(jiàn)立(lì)雙(shuāng)向門控循(xún)環單元BiGRU
，對負(fù)荷(hé)數據(jù)特征進行特征初(chū)篩後
，通過(guò)經貝葉斯算(suàn)法(fǎ)優(yōu)化的CNN-BiGRU 模型(xíng)進行預測
，此模型得(dé)到的(dí)負荷曲綫更(gēng)加(jiā)平滑(huá)
，峰穀(gǔ)預測值及變化趨勢更加接近(jìn)真實值(zhí)
，預(yù)測精度較高(gāo)。

2.2.3 RNN-ResNet 模型

高維(wéi)的電(diàn)力係統(tǒng)負荷數據通常需要結(jié)構復雜(zá)，層數較多的神經網絡進(jìn)行訓(xùn)練
，以(yǐ)此(cǐ)提(tí)高(gāo)負荷特(tè)征(zhēng)提(tí)取(qǔ)的(dí)完(wán)整性與(yǔ)預(yù)測(cè)結(jié)果(guǒ)的(dí)準(zhǔn)確(què)性(xìng)。由於(yú)神經網絡層數疊加(jiā)及多(duō)種(zhǒng)神經(jīng)網(wǎng)絡耦合互聯(lián)
，麵對高(gāo)維(wéi)度(dù)海量數據時(shí)模(mó)型訓練(liàn)速度(dù)較(jiào)慢(màn)
，且(qiě)當(dāng)訓(xùn)練(liàn)達到一定(dìng)次(cì)數(shù)與(yǔ)深度(dù)時
，卷(juàn)積神經(jīng)網(wǎng)絡，循環(huán)神(shén)經網絡(luò)等將(jiāng)出現精度飽(bǎo)和甚(shèn)至(zhì)下(xià)降(jiàng)的“模型(xíng)退化現(xiàn)象(xiàng)"。深度殘差網絡（Residual Network
，ResNet）由多個殘差(chà)塊(kuài)堆疊(dié)而成
，其內部的(dí)殘差(chà)塊(kuài)結構(gòu)不(bù)會增加(jiā)網絡模(mó)型(xíng)參數數量(liáng)與(yǔ)計(jì)算復(fù)雜度(dù)
，可以有效緩解(jiě)其他(tā)神經網(wǎng)絡的(dí)訓(xùn)練速度慢(màn)及(jí)模型退(tuì)化(huà)問題
， 因(yīn)此(cǐ)深(shēn)度(dù)殘差網絡已(yǐ)被用於(yú)組合神(shén)經(jīng)網絡(luò)負荷預(yù)測(cè)模(mó)型(xíng)中配(pèi)合其他循(xún)環神經(jīng)網絡(luò)進行(háng)數據(jù)訓(xùn)練(liàn)
，其組合(hé)模型(xíng)網絡拓(tuò)撲結(jié)構(gòu)如圖10所(suǒ)示(shì)。

圖 10 RNN-ResNet 模型網絡拓(tuò)撲結構(gòu)

綜合(hé)上(shàng)述(shù)分析
，經(jīng)過長時間的(dí)發展
，電(diàn)力係(xì)統(tǒng)短(duǎn)期負(fù)荷(hé)預(yù)測技(jì)術更加趨於(yú)智能化
，預(yù)測(cè)模(mó)型(xíng)越(yuè)發復雜
，預測(cè)精(jīng)度隨(suí)之(zhī)不斷(duàn)提高。雖(suī)然(rán)已經存在較為(wéi)成(chéng)熟的短(duǎn)期(qī)負(fù)荷(hé)預(yù)測(cè)理(lǐ)論(lùn)
，但(dàn)隨著(zhuó)新(xīn)型(xíng)電力係(xì)統的發(fā)展
，傳統(tǒng)的負(fù)荷預測(cè)理(lǐ)論已(yǐ)難以(yǐ)滿(mǎn)足當前環境下(xià)對於負(fù)荷(hé)預測的要(yào)求
，提出(chū)預測精度(dù) 更高，預測(cè)過(guò)程更(gēng)穩(wěn)定，泛化(huà)能力更(gēng)強的電(diàn)力係(xì)統(tǒng)短期負荷預測模型仍(réng)為當前的(dí)重要(yào)研究(jiū)方(fāng)向(xiàng)。

3安(ān)科(kē)瑞(ruì)光儲充一(yī)體化(huà)方(fāng)案

安科瑞為(wéi)新能源工程(chéng)包(bāo)括分布(bù)式(shì)光(guāng)伏(fú)，儲能(néng)，充電站(zhàn)提供軟硬(yìng)件(jiàn)一(yī)體化解決(jué)方(fāng)案
，圖11為(wéi)一(yī)個包含(hán)分布式光伏(fú)，儲能，汽(qì)車充電(diàn)站(zhàn)和(hé)傳統(tǒng)用電(diàn)負荷組(zǔ)成(chéng)的(dí)新(xīn)型10kV配(pèi)電網(wǎng)
，由10kV開閉(bì)所(suǒ)，10kV並網(wǎng)分(fēn)布式光伏係統(tǒng)，10kV並網儲能(néng)係(xì)統，電動(dòng)汽(qì)車(chē)充(chōng)電站以及(jí)其(qí)它(tā)負(fù)荷組成。

圖11 安科瑞分(fēn)布式光(guāng)伏(fú)，儲(chǔ)能(néng)，充電(diàn)樁(zhuāng)的10kV配電(diàn)係統

圖12 分(fēn)布(bù)式光(guāng)伏電(diàn)站(zhàn)綜(zōng)合(hé)自(zì)動(dòng)化係(xì)統結構(gòu)

光伏監(jiān)控係統需(xū)要(yào)使用相關(guān)保護，測控，穩(wěn)控(kòng)，分析及數(shù)據安全和通訊設(shè)備
，典型(xíng)的分布(bù)式光(guāng)伏(fú)電(diàn)站並(bìng)網(wǎng)係統需(xū)要用到的(dí)二次(cì)設備(bèi)如(rú)下表所示(shì)。

Acrel-2000MG微電網(wǎng)能(néng)量管(guǎn)理係統(tǒng)具有(yǒu)*的電(diàn)池管(guǎn)理功(gōng)能和豐富(fù)的外部(bù)通(tōng)信接(jiē)口
，可實現對儲能(néng)係統(tǒng)，充(chōng)電(diàn)係統(tǒng)，光伏係統等(děng)智能(néng)設(shè)備的運行(háng)信息實(shí)時監控(kòng)
，包括(kuò)對(duì)儲(chǔ)能係(xì)統內(nèi)電壓(yā)，電流(liú)，溫度，壓(yā)力，流(liú)量(liáng)等信息(xī)采(cǎi)集，實(shí)時(shí)監視，優化(huà)管理，智(zhì)能維護(hù)及信(xìn)息查詢(xún)功能。具(jù)備新(xīn)能源消(xiāo)納(nà)，峰(fēng)穀(gǔ)套利(lì)，防逆流，需量(liáng)控(kòng)製(zhì)，柔(róu)性擴容，限電模式等(děng)多種控製策略(lüè)
，保(bǎo)障儲能(néng)係(xì)統安全穩定，智能(néng)運(yùn)行(háng)。

4結(jié)束(shù)語(yǔ)

綜(zōng)上(shàng)所述
，隨(suí)著新型電力係統穩(wěn)步發展(zhǎn)與(yǔ)負荷(hé)預測(cè)技(jì)術日益(yì)*
，麵對(duì)當(dāng)今負荷(hé)預(yù)測研(yán)究麵(miàn)對(duì)的問(wèn)題與挑戰
，需著(zhuó)力(lì)推(tuī)進負荷預(yù)測(cè)模型(xíng)綜(zōng)合(hé)化，精準(zhǔn)化發展
，高(gāo)效(xiào)提升以(yǐ)人工智能(néng)為基礎的(dí)預測(cè)模型泛(fàn)化能(néng)力(lì)與自(zì)調(tiáo)節能力(lì)。同時
，在保證負荷預測精準度(dù)前提(tí)下(xià)開(kāi)展(zhǎn)柔(róu)性可控負荷參(cān)與電網優(yōu)化調度(dù)方麵的(dí)研究(jiū)也在逐(zhú)步展(zhǎn)開(kāi)
，綜合考慮多指(zhǐ)標下的可(kě)控負(fù)荷響應(yīng)與互動(dòng)潛(qián)力(lì)
，構建負(fù)荷可調潛力評(píng)估(gū)指標體(tǐ)係與可(kě)控負荷預測(cè)模型(xíng)
，為電網開(kāi)展需(xū)求響應潛(qián)力分析及(jí)調(tiáo)峰調度(dù)工(gōng)作(zuò)提供參(cān)考性建(jiàn)議與合理化策(cè)略
，緩解(jiě)用電高峰時(shí)段(duàn)下(xià)的供(gōng)電壓力
，逐步(bù)實(shí)現源(yuán)網荷協(xié)調，平衡(héng)發(fā)展。