韩璟琳，胡 平，韩天华，王 聪，赵 辉

（1.国网河北省电力有限公司经济技术研究院，石家庄 050000；2.国网河北省电力有限公司，石家庄 050000；3.国网河北省电力有限公司邢台供电分公司，邢台 054000；4.国网河北省电力有限公司石家庄供电分公司，石家庄 050000）

为深化大气污染防治，北方广大农村地区积极开展煤改电业务，推动清洁能源在终端消费中的占比。“煤改电”工程的推进，使电力需求激增，电网运行峰谷差增大，电网运行面临稳定性、经济性等挑战[1−2]。尤其是农村地区配电网处于配电网末端，网架结构薄弱，经常存在波动的季节性负荷进而影响安全供电[3]。

在含可再生能源的农村电网中存在电、热和气等多种负荷，形成综合能源系统。面对海量的数据信息，国内外对如何实现准确、可靠的负荷预测开展了大量研究。常用的负荷预测方法可分为传统方法和人工智能方法两类。传统方法包括线性回归、指数平滑、自回归积分滑动平均ARIMA（autore⁃gressive integrated moving average）等；人工智能方法包括支持向量机和人工神经网络等。近年来，越来越多的智能算法被应用于处理负荷预测的非线性问题。结合冷、热、电负荷的历史时间序列，文献[4]运用自适应线性时间序列模型预测单户住宅短期热负荷；文献[5]采用非线性自回归模型预测某大型社区的冷、热、电负荷；文献[6]构建了一个由多层受限玻尔兹曼机组成的改进深度信念网络模型，用于电力负荷预测；文献[7−8]在热、冷负荷预测方面，利用长短期记忆LSTM（long short−term memory）网络来预测周期性冷负荷消耗；文献[9]分别通过径向基函数神经网络和LSTM 构建了冷−热−电负荷预测模型，利用Pearson 相关系数分析不同类型能源系统之间的耦合关系；文献[10]在改进LSTM预测模型中加入注意力机制，建立了电−热−冷−气联合负荷预测模型。

综上所述，冷、热、电负荷时间序列是典型的混沌时间序列，呈现出复杂性、不确定性、非线性等特点。已有成果较少考虑多能源负荷预测模型来充分挖掘各种能源系统之间耦合关系。而利用多元负荷间的耦合特性，结合先进深度学习网络和多任务学习MTL（multi−task learning）策略是实现多元负荷准确预测的关键。因此，复杂的耦合关系给负荷预测的准确性和可靠性提出了更高的要求。综合考虑农村场景负荷需求响应的协同电网负荷预测研究并不多见。

本文在已有研究的基础上，综合考虑农村区域电网中多能负荷之间的横向和纵向信息交互特性，提出一种基于LSTM考虑多能互动的农村区域电网负荷预测方法。并行LSTM技术可实现多能源−负荷信息交互的短期负荷预测。采用多能负荷的横向和纵向“信息交互”模式，从信息交互的角度建立并行LSTM的MTL模型，实现农村地区电网的负荷预测。

1 农村区域多能耦合分析

（1）电网能量流模型采用直流潮流模型，具有Ne个节点和Be条支路的矩阵形式的电网能量流模型可以表示为

式中：φ为Ne维节点电压相角列向量；Ye为Ne阶节点电纳矩阵；Re为Ne维单位行向量；⊙表示矩阵对应位置元素相乘；diag（）括号中为列向量时表示以该向量元素为对角元素的对角矩阵[11]，当括号内为矩阵时表示该矩阵的对角元素组成的列向量。

（2）热网能量流模型采用统一能路理论的水路和热路模型，具有Nh个节点和Bh条支路的矩阵形式的热网能量流模型可以表示为

式中：ph为Nh维节点压力列向量；Yh为Nh阶水力节点导纳矩阵；Cp为水的比热容；Τs、Τinj分别为Nh维节点供热、回热温度向量；Ehb为Nh阶支路水压源参数矩阵；Ah为Nh维单位行向量。

（3）气网能量流模型采用统一能路理论的气路模型，具有Ng个节点和Bg条支路的气网能量流模型可以表示为

式中：pg为节点压力列向量；Egb和Kgb分别为各管道支路气压源、受控气压源参数组成的Ng阶矩阵；Yg为气网节点导纳矩阵；Ag为Ng维单位行向量。

农村区域电网的横向多能信息耦合相关性表现为电、气、热、风光分布式电源等不同能量流子系统之间的相关性。横向多能耦合示意如图1所示，耦合单元连接不同的能量流子系统，并消耗一种或多种能源来产生其他能源。不同的能量流子系统具有强多能系统数据中存在大量的横向多能耦合信息。横向信息交互模式基于多能转换信息共享，在获取多能流子系统测量数据的基础上，利用深度学习技术对多能数据进行并行处理，有效利用能量转换的复杂共享信息，识别训练的抽象特征数据，提高能源管理子任务预测精度[12]。农村区域电网的纵向源−荷耦合相关性表示为源侧的多能源供应与用户用能行为之间的相关性。不同的能量行为对应着不同的负载特性，从用户能量行为的角度来看，电网中多个能量负载之间存在多重耦合关系。

图1 横向多能耦合示意Fig.1 Schematic of transverse multi-energy coupling

2 基于并行LSTM 的区域负荷预测方法

2.1 深度学习能量预测MTL 机制选择

MTL利用多个任务之间的相关性，能够充分挖掘隐藏的共同特征，避免模型训练的欠拟合。供能系统源侧的电、气、热负荷预测可以看作是MTL 中的不同任务。在负荷预测领域，现有关于单负荷预测的研究，基于LSTM 网络的预测方法占有较高比例且预测性能较好。因此，本文提出的基于LSTM网络的MTL预测模型通过硬参数共享方法，同时训练多能量预测任务对应的训练数据，考虑任务之间的相关信息，提高所有预测任务的学习能力。基于LSTM 网络的单任务和MTL 对比如图2 所示，其中多源历史数据是风电、光伏、电负荷、热负荷和冷负荷，x为网络的输入值。

图2 基于LSTM 网络的单任务和MTL 比较Fig.2 Comparison between single-and multi-task learning based on LSTM network

2.2 考虑多能耦合的农村区域电网负荷预测方法

农村区域电网源端和负荷端都存在不确定性，源侧主要包括风电和光伏功率预测，负荷侧主要包括电、热、冷负荷预测。由于多个能量负荷之间存在错综复杂的相互耦合关系，源侧与负荷侧的不确定资源预测任务具有很强的相关性。通过联合预测训练学习这种耦合关系，可以有效提高区域负荷不确定资源的整体预测精度。为此，本文提出了“并行预测”的概念，利用LSTM 深度学习网络强大的非线性学习能力和历史记忆优势，对源侧和负载侧的不确定资源进行综合预测。基于并行LSTM的信息交互式能量预测模型如图3所示。

图3 基于并行LSTM 的信息交互式能量预测模型Fig.3 Information interactive energy prediction model based on parallel LSTM

根据第1 节中关于农村多能耦合关系的分析，将不同能源的典型历史数据共享为横向交互信息，作为预测模型各任务中的输入量，主要应用并行LSTM 预测网络的MTL参数共享机制；其次，通过多能耦合关系分析，提取用能特征参数，将用户行为信息共享的纵向交互信息应用于调节源−荷多任务预测模型参数。

2.3 数预处理和任务构建

训练样本选取源侧风力发电时间序列、光伏发电时间序列，以及负荷侧电负荷、热负荷、冷负荷时间序列和光照负荷序列数据。为了避免神经元饱和，将数据归一化并映射在[−1，1]之间。归一化计算公式为

式中；x为实际输入或输出数据；xmax和xmin分别为数据的最大值、最小值。

使用MTL 方法进行多能负荷集成预测的本质在于每个预测子任务的密切相关性。一方面，MTL集成预测使用源侧和负荷侧的多维数据作为有效利用样本的共同输入；另一方面，通过共享隐层节点划分方法，同时预测风、光伏、电、热、冷负荷5个属性，起到感应偏置作用，提高预测精度。

本文提出的考虑多能互动的负荷预测LSTM结构如图4所示，其中输入层与隐藏层共同实现农村分布式电源及多类型负荷数据时间顺序相关性提取，并以历史计量数据作为隐藏层的输出列向量，经回归分析后获得区域负荷预测值。遗忘门、输入门和输出门可以分别表示为

图4 所构建用于负荷预测的LSTM 单元结构Fig.4 LSTM cell structure built for load prediction

构建的负荷预测的LSTM记忆单元状态为

2.4 模型训练评价指标

基于LSTM 的源−荷集成预测模型的主要参数包括：输入层维度、输入层时间步长、隐藏层个数、每个隐藏层维度和输出层维度，其中输入层时间步长一般用于源−荷联合预测的可变时间序列的长度。根据预测对象序列的周期性特征，设置输入层时间步长为24，即输入前7 d分辨率为1 h的历史数据，每天占用1 个输入节点。输入层维度为节点数，本文输入层节点包含风力发电时间序列、光伏发电时间序列、充电负荷、热负荷、冷负荷时间序列和照明负荷时间序列6 个对象，共构成42 个节点，因此输入层维度设置为42。由于本文同时预测风电、光伏、电力、热力和冷负荷6个属性，输出层有5个节点，故输出层维度设置为5。

多能负荷集成预测同时训练多个预测任务。为了全面衡量预测效果，需要对综合预测的准确性进行整体评估。为此，本文提出了带权重系数的平均精度评价指标。根据电网两侧不同能量的重要程度，对不同的能量输出类型赋予相应的权重系数。源侧风、光等不确定资源的不确定性较大，对系统的稳定运行和能源调度管理有很大影响，因此源侧风、光预测设置的权重系数较高。同时，由于电网凭借完善的架构和中心枢纽优势，在多能源系统中占据主导地位，相应地，电力负荷预测设置的权重系数也较高。本文采用平均绝对百分比误差MAPE（mean absolute percentage error）、平均准确度MA（mean accuracy）和加权平均精度WMA（weight⁃ed mean accuracy）3个评价指标，即

表1 源-荷两侧能量预测任务的权重设置Tab.1 Weights setting of source-load bilateral energy prediction tasks

2.5 基于农村区域电网负荷预测流程

基于LSTM 及互动的电网负荷预测流程如图5所示。本文首先采用模态分解技术[13]，将原始负荷时间序列分解为本征模函数分量和残差分量；其次，对各分量进行数据预处理，形成各分量的原始输入特征集；然后，根据负荷的用能频率特征建立分量负荷预测模型，并对每个分量采用并行LSTM技术分别进行负荷预测；最后，加权叠加所有分量预测值得到电网整体负荷预测结果。

图5 基于LSTM 及互动的电网负荷预测流程Fig.5 Flow chart of power grid load prediction based on LSTM and interactions

3 算例分析

3.1 数据说明

本文实验数据来源于河北雄安某农村区域实测数据。农村电网由电力系统、热力系统、天然气系统组成。为了验证源−荷纵向信息交互的有效性，还采样了反映用户典型用电行为的照明负荷历史数据。所有历史能源数据采样间隔为1 h，将总共57 168个样本分为两部分，选择92%的样本为训练集和8%的样本作为测试集。根据前7 d 的历史数据对次日的能源供应和能源需求进行负荷预测。预测模型由训练数据集训练并在测试数据集上验证。上述数据集的统计信息如表2 所示。本文根据经验和多次实验比较，设置隐藏层数量为2，隐藏层维度为30，Batch_size 为42，学习率为0.80，学习延迟率为0.05。风电出力、光伏出力、电负荷、热负荷、冷负荷的能量预测结果如图6所示。

表2 模拟数据集的描述Tab.2 Description of simulation dataset

图6 源-荷两侧能量预测结果Fig.6 Results of source-load bilateral energy prediction

由图6 可见，本文所提出的源−荷并行LSTM 学习模型在风电、光伏、电负荷、热负荷和冷负荷能量预测均能获得理想的预测结果，验证了本文所提模型的有效性。并行预测结果中每个子任务的预测效果差异很大，与源侧光伏、风电功率预测相比，电、热、冷负荷预测曲线更接近实际曲线,这是由于源侧光伏和风电的间歇性和随机性引起的。对比图6（c）～（e）可以发现，因为热惯性和冷惯性更大且波动性也更小，故电负荷比热、冷负荷波动更大。

3.2 多能信息交互的比较分析

为了验证横向和纵向多能量信息交互学习的效果，对考虑用户用能行为的并行LSTM预测、不考虑用户用能行为的并行LSTM预测及不考虑用户用能行为的单LSTM预测结果进行对比分析。使用相同的数据集进行训练和测试。对比实验设置如表3所示。多能电荷信息交互对比实验的预测精度如表4 所示。由表4 可知，模型A、B、C 的平均预测精度分别为90.09%、89.17%、87.28%，模型A 的预测结果为最好。这表明考虑纵向和横向信息的交互作用后，源侧和荷侧的能量预测具有更好的预测精度。对比模型B和模型C的预测结果可知，对于5个预测子任务，当并行预测不同能量时，可以获得比单个预测更高的精度。这表明考虑横向多能信息交互的并行LSTM学习可以利用不同能源系统之间的耦合数据，从而提高对某一能源的预测性能。此外，考虑多能横向信息交互，荷侧的电负荷、热负荷、冷负荷的预测精度分别增加了3.13%、2.53%和2.67%，而源侧的风电和光伏的预测精度分别提高了1.52%和1.46%，荷侧的能量预测精度较高。对比模型A和模型B的预测结果可知，考虑用户能量行为信息的纵向交互，整体预测的平均精度提高了1.03%。对比5 个预测子任务可以发现，光伏预测精度提升了1.85%，提升效果最好，其次是电力负荷，而风电、热负荷、冷负荷的预测精度也有明显提升。这表明考虑源−荷纵向信息交互可以提高源侧−荷侧的能量预测精度。

表3 多源信息交互对比实验设置Tab.3 Experimental setup for compering multisource information interaction

表4 信息交互比较实验的3 种模型预测结果Tab.4 Three kinds of model prediction result of information interaction contrast experiment

3.3 LSTM 参数选择

（1）LSTM 节点数代表隐藏层神经元个数，决定了参数规模。对于大量数据训练，存在训练时间长、延时及误差等问题，本文将节点数分别设置为32、64 和128。LSTM 节点数选择结果如表5 所示。设置60%的样本为训练集进行实验，结果表明LSTM 节点数（即隐藏层神经元个数）为64 时预测效果达到较优。

表5 LSTM 节点数选择结果Tab.5 Selection results of LSTM node numbers

（2）LSTM 层数会影响时序数据的处理时间。实验中LSTM 层数选择结果如表6 所示。结果表明，过量的叠加层数会弱化模型效果，导致拟合性能变差，因此选择双层LSTM便能取得最好的效果。

表6 LSTM 层数选择结果Tab.6 Selection results of LSTM layer numbers

3.4 深度神经网络算法与其他算法的比较

将本文所提的LSTM模型和ARIMA模型算法、反向传播神经网络BPNN（back propagation neural network）算法进行比较分析。3 种算法均使用相同的数据集进行训练和测试，且均采用单任务预测策略，预测结果如图7所示。由图7可见，本文所提的LSTM深度学习预测算法每个任务的预测精度均最高，其次为BPNN算法，再次为ARIMA算法。另外，将LSTM 和BPNN 算法的能量预测结果逐一比较，可以看出LSTM算法对热负荷和冷负荷预测的准确性更高。这是由于热系统惯性较大、变化规律的时间尺度较长，使得长期和短期深度学习对热负荷和冷负荷的预测精度明显高于电负荷。

图7 3 种算法的预测效果比较Fig.7 Comparison of prediction effect of three algorithms

4 结 语

本文针对农村区域中用能改进导致的电网负荷预测复杂性提升的问题，提出了一种考虑多能互动的农村区域电网负荷预测方法。首先分析了农村区域电−热−气多能耦合关系；然后利用MTL机制和LSTM网络构建多预测任务并行处理的农村区域电网负荷预测模型；最后通过河北雄安某农村区域实测数据从预测模型预测的精准度、适用性角度验证了所提方法的可行性。相比于传统农村区域的负荷预测方法，本文方法的预测误差和模型拟合优度均有所提高，更适合农村区域的复杂用能场景。