隨著“雙碳”進程的不斷深入推進，我國能源電力高質量發展面臨新形式和新任務。電力系統作為能源系統的重要組成部分及“雙碳”目標的主要參與者、推動者，其源網荷儲等關鍵環節正在面臨深刻變革。

傳統電力系統的電源特性決定其有足夠的轉動慣量與發電靈活性，在保持穩定性的基礎上能夠實現發電側緊隨負荷波動變化的“源隨荷動”發展模式。在新型電力系統構建過程中，電源呈現出多能化、多層化、多樣化，風電、光伏等新能源占比逐步提升，其波動幅度與頻次增加，大量的不確定性、隨機性造成電網靈活調節能力日趨緊張，加之涉及儲能材料及其成本的限制，電能依舊無法大量儲存，進而導致棄電與缺電交互出現，因此源荷缺乏良性互動成為“雙碳”背景下能源綠色轉型中亟待解決的問題。構建以新能源為主體的新型電力系統，需從傳統模式下“源隨荷動”的穩定電網逐步轉變為“源荷互動”的非完全實時平衡、集中--分布協同控制的波動電網，以適應低慣量、弱靈活性的新型電力系統發電特性。

新能源的接入對電力系統調度計劃的制定提出了新的挑戰，面對新型電力系統背景下發電側靈活性受限問題，要保障系統的穩定運行，用戶側必須深度參與系統運行的調節，多時間尺度、高精度的電力負荷建模、預測以及優化對新型電力系統的運行、維護和規劃至關重要。

1電力系統負荷預測場景

首隨著電網需求側管理的日益普及與負荷調控的日趨深入，電力用戶不再同過去一樣僅僅作為被動的電力需求者，傳統剛性負荷的特性逐漸轉變，取而代之的柔性負荷成為電網負荷調控的重點對象。電力市場改革促使多種角色場景應運而生，負荷預測應用場景逐步多樣化、層次化，合理分析負荷場景典型特征并為之選取精準預測模型成為當今電力產業發展的重要課題。不同負荷預測場景總結歸納如下：

1.1區域級負荷預測

負荷特性分析工作是電力系統負荷預測的重要前提，了解并掌握預測供電區域內的負荷特性變化有助于地區電網合理規劃及優化調度。地區電網的區域級負荷特性分析與預測是我國負荷研究工作的重心。

以分區域分時段負荷曲線為研究對象，綜合分析天氣情況、社會經濟發展態勢、節假日等外部因素對于區域級負荷的影響，通過三次樣條插值、影響因子賦值等計算方法將非量化因素轉化為預測模型可以識別的數學量，挖掘負荷內在變化規律與外部影響因素間的非線性關系與復雜協同作用，細化分析區域級負荷特性并總結其發展變化態勢。基于負荷特性分析，區域級負荷預測模型需將高維負荷數據通過算法分析訓練及模型交互融合，充分挖掘數據間的潛在關聯，進而得到精度相對較高的預測結果。

區域級負荷預測模型評價體系一般以相對誤差、平均相對誤差、均方根誤差為基準，通過數值比較進行模型預測效果判斷。具體指標計算方法如下：

1. 相對誤差

1. 平均相對誤差

1. 均方根誤差

式中，pk代表第k個負荷采樣點的預測值，yk代表第k個負荷采樣點的實際值，n為短期負荷預測每日預測點的個數。

1.2母線負荷預測

作為系統區域級負荷的底層分布組成部分，母線負荷通常為由變電站的主變壓器共給的終端負荷總和，其預測精度對于電網負荷調控、優化調度及精益化運行決策有著重要影響。與區域級宏觀負荷特性不同，由于受供電區域內用戶自身用電行為影響，母線負荷的負荷慣性較小，規律性較差，因此需要長時間尺度的海量歷史負荷數據支撐預測模型的構建。

母線負荷預測方法一般以聚類、擬合等數理統計算法為理論基礎，考慮到非線性特征及波動性明顯，需采用人工智能算法構建預測模型。

利用Kears深度學習框架調整網絡結構，避免了相似日等相關特征變量選取問題，實現了高精度自適應變電站負荷預測。

母線負荷預測模型性能評估具有其獨立的評估度量體系，通常按照以下的母線負荷預測準確率RT為基準進行預測結果精度評價：

（4）

（5）

（6）

式中，RT代表當日母線負荷預測準確率，σK為時段t所有母線誤差的均方根，en,t為單母線誤差。

1.3居民住宅負荷預測

對于城市用電負荷而言，用戶側的居民住宅負荷占比較大，其主觀性的差異與用電電器的多樣性對城市電網運行時的應變能力與穩定性提出了較大的挑戰。考慮到居民住宅具有集群效應，且獨立用戶間的家用電器種類與用電習慣不盡相同，一般依據自上而下的負荷預測思想，利用相關聚類算法對海量居民住宅負荷數據進行聚類劃分后再建立差異化預測模型，避免海量數據預測效率較低的問題。

作為需求響應重要參與者，電力用戶的住宅樓宇中擁有大量以可平移、可中斷負荷形式存在的可調度需求響應資源，其參與電力系統削峰填谷的潛力巨大，居民住宅樓宇負荷分布如圖1所示。通過對用戶可調節負荷曲線精確預測，電力公司及負荷聚合商能夠分析評估用電負荷需求響應潛力，通過分時電價引導用戶參與需求響應。

圖1 居民住宅樓宇負荷分布

考慮到電力市場改革與綠色電力蓬勃發展，充分考慮用戶差異化的用電習慣、消費心理及當今電熱氣耦合模式，構建基于需求響應信號的LSTM超短期負荷預測模型，驗證了此模型對于計及需求響應信號情況下的明顯優勢。

以需求響應為前提進行負荷預測并建立分布式電源與智能家電之間的新型供需互動模型，對未來智能電網的建設規劃、深入挖掘用戶側參與需求響應的潛力、建立切實可行的新型源--荷互動模型、保障用電高峰期電網的安全高效運行等具有重要的理論和實踐意義。

1.4低壓配電臺區負荷預測

低壓配電臺區主要為 35kV或 10kV配電變壓器供電范圍內的所有用戶集合，其數量取決于配電變壓器臺數及其配電范圍。典型低壓配電臺區負荷由同一配電臺區內的居民用戶負荷、工業負荷及商業負荷組成，一般而言，同一配電所內包含多個配電臺區，臺區負荷數量僅次于前文所述的用戶住宅負荷。配電臺區負荷預測旨在根據精準的預測結果指導相關配網工作、獲取配電變壓器裕度指標，進一步合理化安排檢修計劃，為實現事前預警、調配搶修資源奠定堅實基礎，為提高臺區供電可靠性與運行經濟型提供保障。

選取同一區域內的三個低壓配電臺區數據，利用經細菌趨化算法優化的BP神經網絡進行負荷數據預測，結合負荷狀態結果進行臺區內低壓變壓器負荷率、容載比等裕度指標分析，綜合損耗及負荷預測數據得出配電變壓器經濟運行方式。在LSTM模型基礎上添加循環跳躍 組件與線性自回歸組件，構建具有捕獲配電臺區負荷短期局部依賴關系能力的LSTNet預測模型，通過訓練某小區一公共變壓器的負荷數據，表明 LSTNet 模型在臺區負荷變化呈現強烈波動時能夠較好地捕捉其變化趨勢，緩解了傳統神經網絡對負荷數據極端值不敏感的問題。

由于配電臺區具有較為明顯的用電差異性，其負荷規律有較強隨機性，單一預測模型的預測誤差較大，多數負荷預測模型難以投入實際應用。

1.5綜合能源系統負荷預測

作為能源互聯網的物理載體，綜合能源系統 (Integrated Energy System ，IES)集成多種形式的能量供應、轉換和儲存設備，實現不同類型能源在 源、網、荷、儲等環節的耦合，促成多個能源系統間的互動互聯與協同運行。

由于多類能源間的物理特性差異及耦合效應的必然存在，綜合能源系統存在明顯的負荷隨機波動性，其負荷預測準確性大大影響系統優化調度與協調規劃。綜合能源系統負荷預測框架如圖2所示。

圖2 綜合能源系統負荷預測框架

由從用戶級綜合能源系統入手，考慮到用戶級存在負荷類型多、規模小、波動大等特性，作者結合多通道卷積神經網絡與長短期記憶循神經網絡構建 MCNN-LSTM 負荷預測模型，通過對電、熱、氣、冷等多個用戶級基本負荷單元進行圖像特征重構及融合，更好地挖掘各類型負荷間的潛在關系，避免混合型負荷造成的模型預測結果混雜影響， 同時組合神經網絡的應用大大提高了預測精度。通過標簽劃分方法將負荷類型及其影響因素分別歸納至靜態標簽與動態標簽，充分分析多元負荷間的相關性與變化趨勢構建 CNN-LSTM負荷預測模型，依據標簽內容針對性進行差異性預測，通過利用由電、熱、氣三類能源組成的區域級綜合能源系統真實負荷數據進行訓練，此模型能夠較準確地預測三種能源耦合后的各自獨立負荷情況，預測精度較高。

2基于智能算法的負荷預測模型

負荷預測發展初期主要以數學算法理論為建模基礎，傳統負荷預測將電力負荷數據看作時間序列數據加以處理，預測方法主要包括時間序列法、回歸分析法、灰色預測法、卡爾曼濾波法等。當今發展態勢下，電力負荷種類、數量及其外部影響因素不斷增多，加之新能源發電占比增加帶來的負荷端主動性荷被動不確定性增強，傳統負荷預測模型難以滿足新型電力系統的高要求。人工智能技術憑借其非線性擬合等能力，在負荷建模及預測、負荷優化等方面取得突破，基于人工智能技術的智能算法模型能夠較好捕捉當今電力負荷的非線性特征，大大提高了負荷預測精度，成為當今負荷預測的主流模型。

2.1 單一預測模型

2.1.1 BP神經網絡

BP神經網絡一般具有輸入層、隱含層及輸出層三層網絡結構，用于負荷預測時，歷史負荷及 其影響因素進行數值量化后作為輸入數據，在隱含層內經過激勵函數的擬合處理，多次循環、迭代誤差反向傳輸過程，以此減小網絡訓練結果與已知實際真實值之間的誤差，最終由輸出層得到預測結果。BP神經網絡拓撲結構圖如圖3所示。

圖3 BP神經網絡拓撲結構

其中wi 、wj 分別代表輸入層與隱含層間的權重、隱含層與輸出層間的權重，X代表輸入量，y 代表神經網絡的輸出量，Y代表數據真實值，E代表真實值與預測值之間的差值。

與傳統的算法相比，BP神經網絡具有更好的模型泛化能力與非線性映射能力，其柔性的網絡結構使之成為應用為廣泛的人工神經網絡之一。

傳統BP神經網絡具有訓練速度慢、易陷入局部極小值、易出現過擬合等缺點，應用于負荷預測時，常通過加入遺傳算法、粒子群優化算法等對其網絡內部各層權值及閾值進行優化，有效提高BP神經網絡訓練精度與可靠性。

考慮到過多歷史負荷數據的輸入將大大增加神經網絡預測模型的復雜度，隨機分布式嵌入框架及BP神經網絡的負荷預測模型，采用核密度估計法擬合多個預測結果，通過聚合估計法得出負荷最終預測值，有效改善數據維度對BP神經網絡預測精度的影響。

2.1.2 傳統循環神經網絡

BP 神經網絡的三層網絡結構為全連接，且層間節點相互無連接，因此難以體現先后輸出數據的關聯關系。循環神經網絡（ Recurrent Neural Network ，RNN）在BP神經網絡的基礎上，為隱含層各節點提供前序連接與后序連接，用以記錄前序信息并將其應用于后序輸出計算中。RNN 網絡拓撲結構圖如圖 4 所示。

圖 4 RNN 網絡拓撲結構

考慮到RNN隱含層的基本循環體單元較多， 對多個循環體單元的權值進行 Xaier 初始化， 以保證初始權值的可靠性，進而利用隨機梯度下降算法優化的多尺度循環神經網絡RNN進行短期負荷預測。通過具有自適應能力的指數加權 平均調整方案進行數據插值，以減少量測數據準 確性對 RNN 模型負荷預測結果的影響。

由于RNN具有短時記憶特性，難以保證時間跨度較大的負荷序列信息傳遞的準確性。同時隨 著多層循環訓練， 內部梯度不斷減小，RNN 容易出現梯度消失和梯度爆炸等問題，因此 RNN 并不適用于長時間序列訓練。

2.1.3 長短期記憶神經網絡

傳統循環神經網絡的內部循環單元結構無法 傳遞前序特征信號與后序特征信號的函數關系， 為此基于循環神經網絡改進所得長短期記憶神經 網絡（Long Short-Term Memory ，LSTM），其網絡拓撲結構如圖5所示。

LSTM 保留了RNN基本結構中相鄰時間節點的隱含層傳遞關系，在循環體內部更新加入遺忘 門、輸入門和輸出門，對前序信息進行記憶、提取并篩選，進一步增強后續特征信號與前序特征信號間的關聯程度，有效解決傳統 RNN在長時間序列訓練時出現的梯度消失與梯度爆炸問題。

圖 5 LSTM網絡拓撲結構

LSTM保為充分發揮LSTM在處理長時間序列大數據集時性能較好的顯著優勢，利用互補集合經驗模態分解將電力負荷分解為不同頻率的分量，其中建立經貝葉斯優化的LSTM預測模型對復雜高頻分量進行預測，進一步提高波動大、規律性差的負荷高頻分量的預測精度。基于互信息理論對所選取的電力負荷進行最大相關最小冗余特征變量選擇（mRMR），以此擇出最優輸入變量集合，并通過 LSTM 進行用戶日前電力負荷預測。結果表明，mRMR-LSTM 模型能夠更好地處理波動較大、隨機性較強的用戶電力負荷序列。

2.1.4 門控循環單元

門控循環單元（Gated Recurrent Unit ，GRU）為長短期記憶神經網絡單元的簡化變體，其將LSTM循環體內部的遺忘門與輸入門合并為更新門，將輸出門替換為重置門，有效對前序信息進行記憶或遺忘，可以同時兼顧電力負荷序列的時序性與非線性，大大減少了參數數量，降低了網絡訓練難度。

圖 6 GRU 網絡拓撲結構

考慮到單一的GRU網絡在處理非連續性長時間序列時難以對序列特征做差異化區分，利用譜聚類算法對用電負荷進行聚類劃分，通過模型融合算法動態調節多種GRU模型在整體預測模 型中的權重，動態融合淺層、深層及多層疊加的各類 GRU網絡，提高聚類劃分下GRU預測模型 的預測精度與泛化能力。

為減少單一GRU模型存在的長時間序列信息丟失問題，在GRU負荷預測模型中加入 注意力（Attention）機制模塊，提高對負荷序列關 鍵特征的捕捉能力，進一步減小負荷序列長度對 預測精度的影響。對歷史電力負荷進行經驗模態分解，構建EMD- GRU-Attention 混合預測模型，較好地捕捉了負荷數據的時序性與復雜非線性關系。 此外，GRU- Attention 預測模型也較為廣泛地應用于具有強耦合性質的綜合能源系統冷、熱、電負荷的預測中，借助多任務學習中的權重共享機制提取不同類型負荷間的耦合信息，進一步提高大波動下單一負荷預測精度。

2.1.5 卷積神經網絡

考慮到循環神經網絡無法提取序列的空間特征，研究學者提出依靠卷積神經網絡模型提取序列的時間特征與空間特征。卷積神經網絡（Convolution Neural Networks ，CNN）在 BP 神經網絡結構基礎上將隱含層替換為卷積層與池化層， 高維電力負荷相關數據進行預處理后經輸入層輸入網絡模型，經卷積層的卷積計算提取不同數據間的關聯特征，經池化層池化后實現特征值篩選與降維，從而減少系統需要優化的參數數量， 降低了人為提取特征帶來的預測誤差。CNN網絡拓撲圖如圖7所示。

圖 7 CNN 網絡拓撲結構

傳統卷積神經網絡具有較強的非線性映射能 力及圖像特征提取能力，用于負荷預測時可將負荷數據及相關影響因素進行圖像化排列，充分發揮CNN在網絡訓練中的自學習、自適應優勢， 通過提取圖像數據關鍵特征來減小CNN處理序列數據時出現的過擬合問題。

卷積時間網絡在處理長時間序列時常存在視 野區間有限、難以提取全部時序特征等問題， 針對此問題，在傳統CNN基礎上引入擴張卷積、因果卷積及殘差網絡，構成具有更強時序特征捕捉能力的時序卷積神經網絡（TCN）負荷預測模型，通過對小型綜合能源系統負荷數據進行分析預測，驗證了此改進卷積神經網絡模型具有更高特征辨識能力及穩定性。

2.1.6 圖神經網絡

圖神經網絡（Graph Neural Networks ，GNN）主要包括圖卷積神經網絡、圖記憶力網絡等，是一種新興的專門處理圖數據的神經網絡模型，其具備同時挖掘節點內特征信息與節點間的相關性信息的優越能力，在負荷預測領域能夠較好地捕捉負荷序列的時間連續性與空間關聯性。利用圖神經網絡進行負荷預測時，需將歷史負荷數據進行預先聚類處理，利用同族負荷數據的時間序列特征與空間關聯性特征構建局部時空圖，利用圖聚合函數將自身特征信息與相鄰節點特征信息進行聚合，將最終信息平均值輸入至神經網絡。神經網絡一般預測流程如圖8所示。

圖8 圖神經網絡網絡拓撲結構

利用 K-means 聚類算法將用電集群進行分組，將每組用戶聚合的負荷序列作為節點特 征，建立面向用戶集群負荷預測的圖結構數據，構建并訓練自適應時空同步圖卷積神經網絡模型，充分挖掘居民用電負荷的時空關聯性，通過提取圖像特征提高預測精度，但由于圖神經網絡捕獲時間依賴關系的能力有限，預測精度仍有待提升。為進一步提高 GNN的時間特征提取能力，利用圖神經網絡與循環神經網絡組合模型進行配電網負荷時空預測，其中，利用圖卷積網絡捕獲電力網絡的拓撲結構、獲得空間依賴性，利用門控遞歸單元捕捉負荷信息的動態變化、獲取時間依賴性，發揮兩種神經網絡自身特性，提高時空兩維負荷預測的準確性。

2.2 組合預測模型

一直以來，高穩定性和準確度都是負荷預測模 型訓練所追求的目標，但單一的模型算法往往存在自身固有缺陷，僅僅憑借調整算法內部參數難以減弱甚至消除缺陷所帶來的結果誤差。當今，以參數耦合方式、流程組合方式、算法融合方式為基本構成的組合模型在負荷預測領域逐步興起，較好地結合各個單一負荷預測模型的自身特長，改善因單一模型自身固有缺陷導致的預測精度受限問題。

2.2.1 CNN-LSTM 模型

卷積神經網絡可以較好地提取長時間序列的空間特征，但難以準確地提取出序列的時間特征，長短期記憶神經網絡憑借其記憶功能能夠準確提取序列時間特征信息，但自身短時記憶的固有缺陷容易丟失序列信息。因此，單一CNN與LSTM負荷預測模型在面對多維負荷數據序列常出現多維特征信息提取不充分、序列信息結構混亂等問題。

CNN-LSTM 組合模型可由 CNN 層提取序列空間特征，負荷序列經 CNN 處理后輸入LSTM進行時序特征提取并進行負荷預測，充分集成 CNN與LSTM 兩類神經網絡模型的固有優勢，有效減少單一模型在預測方面體現出的序列丟失、時序特征捕獲不完全等問題。CNN-LSTM 模型網絡拓撲結構如圖9所示。

圖9 CNN-LSTM 模型網絡拓撲結構

CNN-LSTM 預測模型在綜合能源系統負荷預測、居民住宅負荷預測等方面應用廣泛，其較強的時空特征捕捉特性能夠差異化跟蹤綜合能源系統及居民住宅內各類負荷變化情況，有效提高具有耦合性質的獨立負荷預測精度。進一步研究了居民住宅內家用電器的能耗情況，通過對電熱水器與變頻空調的能耗監測與預測，表明 CNN-LSTM 組合模型可以 很好地預測住宅內能耗占比較大的家用電器使用情況。

在系統區域級負荷預測方面，運用 CNN 充分提取各分量的潛在特征并作為 LSTM 網絡輸入對各分量進行預測，明顯縮短負荷預測時間，有效提升負荷預測精度。由于傳統 CNN- LSTM 模型只在結構上實現兩個單體網絡的順序鏈接，為進一步提高訓練性能，在整體結構上，可引入時序注意力機制及通道注意力機制來強化負荷序列特征提取能力；在單一網絡上，可建立具有雙向遞歸反饋的雙向長短期記憶循環網絡 BiLSTM，利用給 L1正則化對特征數據進行特征篩選后通過CNN-BiLSTM模型進行負荷預測，進一步增強模型預測性能。

2.2.2 CNN-GRU 模型

門控循環單元GRU簡化了LSTM的內部單元結構，在保證較高預測精度的同時可有效縮短模型的訓練時間，因此更適用于負荷預測領域。使用GRU網絡雖然可以考慮時序性數據的歷史規律，但是需人工構造特征關系，不能充分挖掘非連續特征在高維空間中的聯系，因此考慮結合其他網絡以提升對負荷特征的挖掘能力。與CNN-LSTM 模型相比，CNN-GRU 模型結構更為簡單，大大縮減了循環單元的參數數量與網絡訓練時間，進一步增強了時空關聯特征提取能力。

對負荷數據進行 k-means 聚類劃分后， 采用 CNN 網絡提取特征與負荷因素在高維空間的 聯系，構造時序序列的特征向量并輸入到三層GRU網絡中，通過訓練 GRU 網絡輸出負荷預測值， 此模型在保持較快訓練速度的同時，具有較高的預測精度。基礎上引入Attention 機制，通過映射加權和學習參數矩陣賦予 GRU 隱含狀態不同的權重，以此減少序列信息的遺忘丟失，與未加 Attention 機制的預測模型相比，預測誤差明顯減小。在 GRU網絡基礎上建立雙向門控循環單元BiGRU，對負荷數據特征進行特征初篩后，通過經貝葉斯算法優化的CNN-BiGRU 模型進行預測，此模型得到的負荷曲線更加平滑，峰谷預測值及變化趨勢更加接近真實值，預測精度較高。

2.2.3 RNN-ResNet 模型

高維的電力系統負荷數據通常需要結構復雜、層數較多的神經網絡進行訓練，以此提高負荷特征提取的完整性與預測結果的準確性。由于神經網絡層數疊加及多種神經網絡耦合互聯，面對高維度海量數據時模型訓練速度較慢，且當訓練達到一定次數與深度時，卷積神經網絡、循環神經網絡等將出現精度飽和甚至下降的“模型退化現象”。深度殘差網絡（Residual Network ，ResNet）由多個殘差塊堆疊而成，其內部的殘差塊結構不會增加網絡模型參數數量與計算復雜度，可以有效緩解其他神經網絡的訓練速度慢及模型退化問題， 因此深度殘差網絡已被用于組合神經網絡負荷預測模型中配合其他循環神經網絡進行數據訓練，其組合模型網絡拓撲結構如圖10所示。

圖 10 RNN-ResNet 模型網絡拓撲結構

綜合上述分析，經過長時間的發展，電力系統短期負荷預測技術更加趨于智能化，預測模型越發復雜，預測精度隨之不斷提高。雖然已經存在較為成熟的短期負荷預測理論，但隨著新型電力系統的發展，傳統的負荷預測理論已難以滿足當前環境下對于負荷預測的要求，提出預測精度 更高、預測過程更穩定、泛化能力更強的電力系統短期負荷預測模型仍為當前的重要研究方向。

3安科瑞光儲充一體化方案

安科瑞為新能源工程包括分布式光伏、儲能、充電站提供軟硬件一體化解決方案，圖11為一個包含分布式光伏、儲能、汽車充電站和傳統用電負荷組成的新型10kV配電網，由10kV開閉所、10kV并網分布式光伏系統、10kV并網儲能系統、電動汽車充電站以及其它負荷組成。

圖11 安科瑞分布式光伏、儲能、充電樁的10kV配電系統

審核編輯 黃宇