张建国，常 倩

(中国石油集团电能有限公司，黑龙江 大庆 163453)

0 引 言

大数据分析技术逐渐应用于电力系统，有效提升电力系统数据的多元性，为系统分析与规划提供多元的数据基础，有助于电力系统实现负荷预测和断面控制。为此，需要对基于大数据分析技术的高精度负荷预测与智能断面调控进行研究。针对负荷预测，文献[1]提出一种基于EMD-DA-LSSVM的短期电力负荷预测方法，文献[2]提出一种并行多模型融合的混合神经网络超短期负荷预测，文献[3]提出一种利用温度信息及深度学习方法实现高精度电力负荷预测方法，文献[4]提出一种考虑多因素的深度学习融合方法实现负荷预测，文献[5]提出基于改进多因素灰色模型的高耗能行业负荷预测方法；针对电网断面调控策略，文献[6]提出电网输电断面动态热稳定限值在线计算方法，文献[7]针对考虑电网静态安全的输电线路动态增容系统进行了分析，文献[8]提出一种特高压交直流接入后电网断面潮流综合评价方法，文献[9]针对考虑日内来水不确定和电网断面约束的梯级水电日前调度进行了分析，文献[10]提出一种区域电网内多输电断面有功协同控制策略在线生成方法。可见，目前高精度负荷预测主要是指短期负荷预测，已有利用深度融合等数据分析技术进行研究的内容，而针对断面调控策略，大多文献主要研究断面约束，具体的断面调控策略与系统运行特性还需进一步分析。

因此，针对系统数据特点，分析基于循环神经网络的长短期记忆结构，制定基于长短期记忆高精度预测流程；针对互联系统联络线功率交换进行分析，提出智能断面控制策略，建立考虑联络线功率的调度模型。

1 高精度负荷预测与电网智能断面调控

电网断面调控是对电力调度定义的断面进行负荷、出力以及全网潮流控制的方法。由于断面控制与电力系统潮流控制密切相关，而电力系统潮流对电力负荷进行预测需要通过潮流计算得到。因此，负荷预测的精度影响着潮流断面的调控方式。

现阶段，可再生能源以及随机性负荷不断接入电网，电网的负荷波动程度逐渐加大，并且随着负荷的逐渐增长，负荷预测水平也亟需提高。在电网智能断电调控方面，负荷预测与机组出力的安排计划密切相关，电网智能断面调控反映了电力系统断面的稳定程度以及潮流控制方法，因此，实现负荷高精度预测有助于提升电网调控的可靠性和智能化水平。在电力系统调度管理领域，断面调控也是针对负荷预测以及机组出力安排条件下的优化问题，输入条件精度越高，优化结果也会更佳。

2 负荷预测方法

2.1 基于循环神经网络的长短期记忆

循环神经网络(recurrent neural network，RNN)是一种特殊的神经网络，能够与个体层之间的反馈结构进行连接。循环神经网络能够在序列中对所有的元素进行同样操作，因此，能够实现与非循环神经网络之间的时间序列特征互补，从而不依赖于输入数据之间的关系。

如图1所示，A为RNN神经元，xt为t时刻序列输入，ht为神经元输出，同时也是t+1时刻的输入。循环神经网络拥有记忆功能，是依靠前一神经元的输出确定的。利用循环函数f可以计算时间序列的输出，表达式如下：

ht=f(ht-1,xt)

(1)

图1 长短期记忆示意图

循环神经网络存在梯度消失问题，即在后向传播过程中，误差逐渐变小，导致靠前的网络层学习效率逐渐降低。因此，利用长短期记忆可以有效克服这一问题，将神经元状态引入循环神经元。在长短期记忆中，需要加入神经元状态和三种门，如图2所示。长短期记忆的输出如式(2)～(7)所示。

ft=σ(Wf[ht-1,xt]+bf)

(2)

it=σ(Wi[ht-1,xt]+bi)

(3)

ot=σ(Wo[ht-1,xt]+bo)

(4)

(5)

(6)

ht=ot·tanhCt

(7)

图2 循环神经网络示意图

为实现电力负荷的高精度预测，利用所提方法预测需要识别影响负荷预测的主要因素,如气象条件、社会政策等。这些因素与负荷统计具有非线性关系，因此很难全面考虑这些因素对负荷预测的影响。同时，负荷有着很强的时间特性，每日、每周、每月的特性可能出现差异，负荷预测应当反映这些特点，基于长短期记忆的神经网络预测方法能够有效解决上述问题，反映负荷波动以及相应因素之间的影响结果。所提方法的输出可以作为下一日的小时负荷输入。

小时负荷有着明显的周期性，这与用户的用电行为习惯有关。一方面，所提方法需要利用历史负荷作为输入，以反映负荷的变动趋势，在利用历史数据之前，需要对负荷进行时间序列分析，从而预测负荷变动趋势、负荷特性以及异常状况；另一方面，温度的变化对于用电负荷的特性也有明显的影响，人类的活动与温度的变化密切相关，因此电力负荷与温度之间的关系也呈现明显的周期变化特点。

2.2 高精度负荷预测方法

利用大数据预测方法，结合所提的深度神经网络，将数据分为训练数据和测试数据。训练数据用于神经网络训练，测试数据则用于测试训练结果，并实现预测日的负荷输出。基础数据结构对于训练数据和测试数据来说是相似的。因此将神经网络的训练数据输入作为目标值，所提方法使用负荷的具体特征进行输入。神经网络需要利用相应的层次进行对比训练。训练数据和测试数据包括两种输入、历史数据及预测数据。文中历史数据意味着用于负荷预测的最新输出数据，包括前一日数据、前一周数据、小时温度、平均负荷等。预测数据主要是预测日的数据，包括时间、预测温度、预测的平均负荷等。

选择合适的神经网络从数据中抽取相应的特征，并对数据之间的关系进行学习。负荷预测流程。如图3所示，长短期记忆用于从历史数据中抽取特征，除了历史数据，预测数据也需要引入神经网络。所提方法能够有效利用大数据所提供的历史数据以及预测信息，对预测负荷进行计算所有来自神经网络和全连接层的输出。

历史数据中，D为日数据，H为小时数据，T为温度数据，L为负荷，AL为平均数据；预测数据中，PD为预测日数据，PH为预测时间数据，PT为预测温度，FL为预测负荷。最终输出层和目标值之间相差均方误差，并需要将该误差控制在指定范围。

图3 负荷预测流程

3 智能断面控制方法

3.1 联络线功率

自动发电控制是联络系统间功率控制的重要过程，也是用于平衡系统之间有功出力、负荷以及网损的重要方法。自动发电控制能够保证联络系统之间频率的稳定以及功率交换的稳定，因此也被称为联络线偏差控制。联络线功率交换示意图如图4所示。

图4 联络线功率交换示意图

自动发电控制利用比例积分控制，相应的自动发电控制参数是电力系统设计中的重要内容。每一区域的自动发电控制需要将系统频率保持在额定值。另外，区域1的自动发电控制能够基于区域2的PMU(power management unit, 电源管理单元)量测信息对联络线功率进行调节[11]。理想状态下，联络线的功率(areacontrol error, ACE)等于0。计算式如下。

ACE=ΔP1-2-λ·Δf

(9)

式中：Δf为频率偏差；ΔP1-2为联络线功率偏差；λ为偏差因子。

某地区典型的功率偏差曲线如图5所示。

图5 频率偏差曲线

自动发电控制能够以每秒为间隔调整系统之间的机组处理，自动发电控制的响应时间之和与全系统相比大于该间隔。也就是说，在时间t时刻自动发电控制的输入能够在一个时间间隔之后提供相应的改变量。该时间延迟也就是自动发电控制的响应时间，联络线的参考功率会随着区域内机组的发电量进行动态调整，联络线功率不考虑这个时延。因此，联络线功率的偏差可以进行最小化优化。

3.2 考虑联络线功率的调度控制模型

以系统发电机组成本最小为目标，建立相应断面控制模型。

(9)

|dijsin[eij(Pij,min-Pij)]|

(10)

式中：aij,t，bij,t，cij,t为机组i的成本系数；dij，eij为区域j火力机组i的燃料消耗系数；Pij,t为区域j机组i在t时刻的出力；f为目标函数；F为成本函数。

1)机组出力限值

Pij,min≤Pij,t≤Pij,max

(11)

式中：Pij,min和Pij,max分别为区域j机组i有功出力下限和上限。

2)联络线功率限值

PTjk,min≤PTjk,t≤PTjk,max

(12)

式中：PTjk,t为区域j和k的联络线功率；PTjk,min和PTjk,max为传输功率下限和上限。

3)区域功率平衡约束

(13)

式中：PL为传输网损；PDj为区域j的负荷需求。

4)网损约束

(14)

式中：Bij、B0j、B00为输电线路网损系数。

3.3 断面控制方法

由上述内容可知，ACE是反映电网负荷与发电之间偏差的指标。ACE等于0是电网理想状态，表明发电与负荷平衡；当ACE为正数时，表明发电过多，此时需下调发电出力；当ACE为负数时，表明负荷增大，此时需上调发电出力。

而在对联络线偏差进行调节时，必然会对机组、负荷相关的断面有功产生影响，为了保证各网架断面在安全限值内运行，因此，在进行联络线调节时需兼顾断面的安全，当断面越限时，断面下关联的机组将优先对断面进行调节，保障断面的安全运行。

智能断面调控是在联络线功率控制基础上，将断面的越限情况作为功率分配的参考，实现剩余调节功率。控制过程中，根据断面有功和设定的断面限值将断面分为正常区、帮助区、紧急区和越限区。断面在正常区时，机组跟踪ACE进行调节，不受断面影响。而在越限区，需要计算断面越限调节量，将断面下可参与调节的机组按负荷率进行排序，如果断面越正向限值，排序靠前的机组依次下调一个步长，直到断面有功恢复到限值内；如果断面越反向限值，排序靠后的机组依次上调一个步长，直到断面有功恢复到限值内。

断面既包括电网实际断面，也包括调度定义的虚拟断面，如全网机组总出力、各区域总出力等。在进行断面控制时，需要先计算出控制断面的控制偏差，该控制偏差为断面输出潮流限值与断面实际潮流值，并留有一定的稳定裕度。

联络线控制功能模块自动将断面控制偏差按照给定的机组功率分配策略分配给各个参与调整的区域，参与断面控制分配得到的分配量对参与调整区域电量按原计划进行修正得到控制目标后，再将其发送至各个子系统。

断面调节功率分配算法流程如图6所示。各层次的断面的优化搜索过程类似，因此采用递归算法将复杂的多级优化问题层层转化为一个与原问题相似的规模较小的问题来求解。

图6 断面控制流程图

4 算例分析

4.1 负荷预测

为说明所提方法的有效性，将所提长短期记忆预测方法与短期负荷预测方法进行对比。将某地区3日24 h负荷作为历史数据进行输入。

定义负荷预测误差[12]如下式：

(15)

式中：Lm,t为时间t的负荷量测值；Lf,t为时间t的负荷预测值；n为时间步长。

日内平均负荷误差结果见表1。与短期负荷预测方法相比，所提方法的误差更小；短期负荷预测中，后两日的负荷是根据之前三日的负荷进行预测的，因此传统短期预测方法不能反映相邻日之间负荷的相关性；而所提方法利用相邻日的数据进行输入，弥补了传统方法的不足。

4.2 联络线功率控制

采用两区域6机进行仿真，考虑含有联络线控制和不含联络线控制两种情况进行分析。含有联络线控制的功率求解结果见表2。

表1 日内平均负荷误差结果

表2 考虑联络线功率求解结果

采用同样的方法，对不含有联络线控制约束的模型进行仿真分析，功率求解结果见表3。

表3 不考虑联络线功率求解结果

可以看出，对于含有联络线功率控制的模型，机组的出力更加保守、成本更低，考虑到联络线功率之间的交换，虽然存在一定误差，但可以实现不同区域之间机组功率的协调匹配;而没有含联络线功率控制的模型求解，功率结果偏大，成本也较高。

5 结 语

利用所提方法进行负荷预测与电网智能断面调控仿真，通过仿真试验得到如下结论。

1)长短期记忆负荷预测能够有效利用数据的历史，反映历史数据与预测数据之间的相关性，弥补了传统方法的不足，预测精度更高；

2)联络线断面预测模型利用机组最优控制策略，能够确定机组出力、联络线功率，实现机组出力和区域控制偏差的最优结果，有效控制了系统成本。