雙碳背景下計及新能源大規(guī)模接入的電量趨勢預(yù)測與分析

賀春光，韓 光，趙 陽，宋 楠

（1.國網(wǎng)河北省電力有限公司經(jīng)濟技術(shù)研究院，河北 石家莊 050000；2.國網(wǎng)河北省電力有限公司，河北石家莊 050000）

0 引言

近年來，隨著我國經(jīng)濟社會的快速發(fā)展，能源消費也呈現(xiàn)大幅上升的趨勢。為了加快推進能源的綠色低碳轉(zhuǎn)型，積極參與全球氣候治理，我國在2020年第75屆聯(lián)合國大會上正式提出了“碳達峰”和“碳中和”的碳減排兩階段目標(biāo)[1]。2020年，我國全社會碳排放約106億t，其中電力行業(yè)排放約占44%，因此，實現(xiàn)雙碳目標(biāo)，電力行業(yè)是尤其重要的一環(huán)。在雙碳背景下，傳統(tǒng)的電力系統(tǒng)將迎來全面的轉(zhuǎn)型升級，新型電力系統(tǒng)在滿足經(jīng)濟社會發(fā)展需求的前提下，承載了實現(xiàn)“碳達峰”、“碳中和”以及最大化消納新能源的任務(wù)。以智能電網(wǎng)為樞紐平臺，以“源-網(wǎng)-荷-儲”互動與多能互補為支撐，是具有清潔低碳、安全可控、靈活高效、智能友好、開放互動基本特征的電力系統(tǒng)[2]。在新型電力系統(tǒng)的發(fā)電側(cè)，風(fēng)電、光伏等清潔能源發(fā)電的大規(guī)模接入，將增加電網(wǎng)調(diào)峰、調(diào)頻的壓力。新能源發(fā)電所具有的波動性、間歇性和不可預(yù)測性，也給電力系統(tǒng)的電量預(yù)測帶來一定的困難[3]，[4]。電力供應(yīng)與需求之間處于動態(tài)平衡過程，當(dāng)供大于求時，會造成電力過剩，從而導(dǎo)致棄風(fēng)、棄光現(xiàn)象嚴(yán)重。因此，在各個不同區(qū)域，根據(jù)電網(wǎng)對風(fēng)電、光伏的接納能力選擇新能源的并網(wǎng)方案，離不開準(zhǔn)確的電量預(yù)測。對電量的準(zhǔn)確預(yù)測可以為電網(wǎng)的規(guī)劃建設(shè)、優(yōu)化調(diào)度以及負(fù)荷的最優(yōu)分配提供可靠的依據(jù)[5]。

隨著新型電力系統(tǒng)消費終端電氣化水平的不斷提高和新能源電源的不斷接入，地區(qū)的電量呈現(xiàn)多因素化、不確定性增加和變化復(fù)雜等特點。這對地區(qū)電量的精準(zhǔn)預(yù)測提出了挑戰(zhàn)。目前，國內(nèi)外專家學(xué)者對電量預(yù)測進行了大量的研究，預(yù)測方法主要分為傳統(tǒng)預(yù)測和人工智能預(yù)測兩大類。傳統(tǒng)預(yù)測方法包括統(tǒng)計法、時間序列法、回歸分析法等[6]～[9]；人工智能預(yù)測方法有樹集成算法、支持向量機和神經(jīng)網(wǎng)絡(luò)算法等[10]～[13]。

文獻[6]對地區(qū)的月用電量與經(jīng)濟因素進行了研究分析，采用隨機森林算法對經(jīng)濟因素和用電量進行針對性建模預(yù)測，模型的預(yù)測精度有所提升。文獻[8]考慮了多種因素對電量的影響，提出了基于K-L信息法和ARIMA誤差修正的月度電量預(yù)測方法。文獻[12]提出了一種灰色系統(tǒng)理論與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的地區(qū)用電量預(yù)測方法。采用灰色關(guān)聯(lián)度分析法篩選出對用電量影響較大的因素，建立了BP神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)地區(qū)用電量的預(yù)測。文獻[13]提出了一種時間卷積網(wǎng)絡(luò)與圖注意力網(wǎng)絡(luò)相結(jié)合的分行業(yè)日售電量預(yù)測方法，搭建了高維度變量分行業(yè)日售電預(yù)測模型。

目前，針對大規(guī)模新能源接入的電量趨勢預(yù)測研究較少。較多文獻注重于傳統(tǒng)電力系統(tǒng)的電量預(yù)測，未考慮新能源并網(wǎng)對電量的影響，且影響因素考慮較少，預(yù)測精度有待進一步提高。在新的電網(wǎng)背景下，本文面向新型電力系統(tǒng)，綜合考慮了大規(guī)模新能源接入、外部環(huán)境和節(jié)假日對地區(qū)電量的影響，通過定性和定量分析，探索了影響因素與地區(qū)電量之間的相關(guān)性。本文建立的Informer電量趨勢預(yù)測模型，采用了粒子群算法對模型的超參數(shù)進行尋優(yōu)，得到最佳電量趨勢預(yù)測模型。通過算例分析，驗證了所提出模型的有效性和穩(wěn)定性。

1 地區(qū)用電量的影響因素分析

在新型電力系統(tǒng)中，新能源電源不斷接入到電網(wǎng)中，對地區(qū)的用電量趨勢產(chǎn)生不同程度的影響。另外，溫度、濕度、風(fēng)速、天氣類型等環(huán)境因素對地區(qū)的用電量也會產(chǎn)生一定的影響。綜合考慮各類因素對地區(qū)用電量趨勢的影響，可以進一步提升地區(qū)電量趨勢的預(yù)測精度。

1.1 定性分析

（1）新能源接入對用電量的影響

由于風(fēng)電、光伏受天氣因素的影響較大，其出力具有不確定性的特點。根據(jù)電網(wǎng)的供需動態(tài)平衡關(guān)系，地區(qū)的電量等于傳統(tǒng)電源出力和新能源出力之和[14]。傳統(tǒng)電源具有較為平穩(wěn)的出力特性，但風(fēng)電、光伏等新能源出力具有較強的波動性，因此地區(qū)的電量也會出現(xiàn)較強的波動性、隨機性和不可預(yù)測性。不同規(guī)模的新能源接入電網(wǎng)，將產(chǎn)生不同程度的沖擊和波動，新能源接入規(guī)模越大，沖擊性和波動性越強。為了準(zhǔn)確把握當(dāng)?shù)仉娏ο到y(tǒng)的未來電量變化趨勢，須考慮不同規(guī)模新能源接入對地區(qū)電量產(chǎn)生的影響。本文采用滲透比指標(biāo)來衡量新能源接入對電量的影響。圖1為3種不同風(fēng)電滲透率下的地區(qū)日電量曲線。由圖1可見，隨著新能源滲透率的提升，地區(qū)日電量曲線波動性增加。

圖1 不同新能源發(fā)電滲透率下的地區(qū)日電量曲線Fig.1 Regional daily electricity consumption curve under different permeability of new energy generation

（2）外部環(huán)境因素對用電量的影響

環(huán)境溫度、濕度、風(fēng)速、天氣類型等外部環(huán)境因素對地區(qū)用電量也有影響。環(huán)境溫度的升高將會使電量增加。環(huán)境濕度與溫度之間呈現(xiàn)負(fù)相關(guān)關(guān)系，因此環(huán)境濕度的變化也會導(dǎo)致地區(qū)電量的變化。風(fēng)速的大小直接影響風(fēng)電的出力，從而對地區(qū)電量產(chǎn)生間接性的影響。天氣類型有晴天、陰天和雨雪天氣等。不同的天氣類型會引起地區(qū)電量的變化。因此，外部環(huán)境因素與地區(qū)電量之間存在一定的相關(guān)性。圖2給出了我國西部某地區(qū)2020年日電量與日平均溫度的關(guān)系。

圖2 我國西部某地2020年日電量與日平均溫度曲線Fig.2 The curve of daily electricity consumption and daily average temperature in a certain area of western China in 2020

（3）節(jié)假日對用電量的影響

由于人們在節(jié)假日的用電行為發(fā)生了改變，因此在節(jié)假日期間的地區(qū)用電量會發(fā)生較大的變化。

1.2 定量分析

采用灰色關(guān)聯(lián)度分析方法對各影響因素變量進行定量分析[15]。通過計算各因素與目標(biāo)變量之間的關(guān)聯(lián)程度來判斷目標(biāo)變量受因子的影響程度。如果一個因素與目標(biāo)變量變化的趨勢具有一致性，則說明同步變化程度較高，即二者關(guān)聯(lián)程度較高；反之，則二者關(guān)聯(lián)程度較低。因此，灰色關(guān)聯(lián)分析方法是根據(jù)因素之間發(fā)展趨勢的相似或相異程度，亦即“灰色關(guān)聯(lián)度”，作為衡量影響因素間關(guān)聯(lián)程度的一種方法。

本文以上海市全社會月度電量作為特征因子，首先對初始值進行量綱化處理；然后求出特征因子x0（t）與影響因子xi（t）的差序列Δi（t），進而計算兩級最小差值e和最大差值E；再計算關(guān)聯(lián)系數(shù)；最后計算關(guān)聯(lián)度。計算公式如下。

通過計算影響因子與地區(qū)電量間的灰色關(guān)聯(lián)度，來篩選出對地區(qū)電量影響較大的關(guān)鍵因素。表1給出了接入電網(wǎng)風(fēng)電規(guī)模、外部環(huán)境、節(jié)假日等影響因子與地區(qū)電量的關(guān)聯(lián)度。關(guān)聯(lián)度越大，影響因素對地區(qū)電量的影響程度越大，反之，影響程度越小。表1中除了濕度因素以外，其他各類因素與地區(qū)電量的關(guān)聯(lián)度都在0.5以上，對地區(qū)電量變化有著較明顯的影響。因此，將歷史電量數(shù)據(jù)、新能源歷史出力數(shù)據(jù)、溫度、風(fēng)速、天氣類型以及節(jié)假日特征作為決策變量，輸入到預(yù)測模型中。為了研究新能源出力特性對地區(qū)電量造成的影響，引入滲透率指標(biāo)，將不同滲透率下的新能源出力與電網(wǎng)電量進行關(guān)聯(lián)度計算。從表1可見，滲透率越高，關(guān)聯(lián)度越大，由此說明滲透率越高，對電量變化趨勢的影響越大。因此，可將不同新能源滲透率當(dāng)作不同的場景，對電網(wǎng)電量預(yù)測展開研究。

表1 影響因素與電量關(guān)聯(lián)度定量分析Table 1 Quantitative analysis of correlation degree between influencing factors and electricity consumption

2 算法模型

2.1 Informer算法原理

Informer模型的提出為長時間序列預(yù)測（Long Sequence Time-series Forecasting，LSTF）問題提供了新的解決方案，能夠準(zhǔn)確地捕捉輸出與輸入之間的長期依賴關(guān)系[16]。Informer模型是在Transformer模型的基礎(chǔ)上提出的一種LSTF模型。與Transformer模型相比，Informer模型具有三大顯著的特征：①提出了概率稀疏自注意力機制，在時間復(fù)雜度和計算復(fù)雜度方面得到了有效的提升；②使用自注意蒸餾技術(shù)縮短了每一層的輸入序列長度，降低了J個推疊層的內(nèi)存使用量；③提出了生成式的解碼方式，只需一個前向步驟就可以獲得長序列輸出，避免了預(yù)測階段的累計誤差傳播。Informer模型保存了Encoder-Decoder的架構(gòu)，其整體框架如圖3所示。

圖3 Informer整體框架圖Fig.3 Informer framework

（1）Informer模型的輸入輸出

Informer處理長時間序列過程即稀疏自適應(yīng)機制算法流程如下。

電量數(shù)據(jù)、新能源出力數(shù)據(jù)及氣象等因素具有時間序列屬性，可以根據(jù)歷史數(shù)據(jù)進行預(yù)測函數(shù)擬合，通過歷史觀測值預(yù)測未來時刻的電量值。對于具有離散特性的節(jié)假日因素，可經(jīng)過獨熱編碼處理變成連續(xù)變量。

t時刻的Informer模型輸入為Xt={x1t，x2t，…，xLxt|xit∈Rdx}，包括電量歷史數(shù)據(jù)、新能源歷史出力數(shù)據(jù)、氣象特征和節(jié)假日特征。模型輸出為需要預(yù)測的序列Yt={y1t，y2t， …，yLxt|yit∈Rdy}， 對于LSTF問題，要求更長的輸出序列長度Ly。

（2）稀疏自注意力機制

常規(guī)自注意力機制接受3個輸入query，key和value，然后使用縮放點積進行計算，即：

式中：Q∈RLQ×d，K∈RLK×d，V∈RLV×d，Q，K，V分別為輸入特征變量經(jīng)過變換后的矩陣，且具有相同大小；T表示矩陣轉(zhuǎn)置；d為輸入的維度；softmax是一種激活函數(shù)，它可以將一個數(shù)值向量歸一化為一個概率分布向量，且各個概率之和為1。

第i個query的注意力被定義為一個概率形式的核平滑方法，即：

自注意機制通過計算p（kj|qi）來將所有的value進行加權(quán)求和，這個過程須使用O（LQ，LK）的時間復(fù)雜度和內(nèi)存，這是解決LSTF問題的主要原因。

研究發(fā)現(xiàn)，自注意力機制具有潛在的稀疏性，其權(quán)重構(gòu)成了一個長尾分布，部分權(quán)重的貢獻被忽略。為了度量query的稀疏性，引入了KL散度。

加入一個采樣因子c，設(shè)定u=clnLQ，使得稀疏自注意力算法僅須為每個query-key lookup計算o（lnLQ）點積，則層layer的內(nèi)存使用量為O（LKlnLQ）。整體的時間復(fù)雜度為O（L，lnL）。

（3）Encoder-Decoder結(jié)構(gòu)

①編碼器Encoder

編碼器的目標(biāo)是在內(nèi)存占用限制內(nèi)，允許編碼器處理更長的序列輸入。編碼器主要功能是捕獲長序列輸入之間的長范圍依賴，將輸入送至多頭稀疏自注意力模塊。這里采用的是自注意力蒸餾操作，可以減少網(wǎng)絡(luò)參數(shù)，并且隨著堆疊層數(shù)增加，不斷“蒸餾”突出特征?！罢麴s”操作主要為使用一維卷積和最大池化，將上一層的輸出送至下一層的多頭注意力模塊之前，做維度修剪和降低內(nèi)存占用。蒸餾第j層到第（j+1）層的操作如下式：

式中：[·]AB為多頭稀疏注意力機制以及其他必要的操作；Conv1d為在時間維度上執(zhí)行一維卷積；σ為激活函數(shù)，這里采用ELU激活函數(shù)；MaxPool為最大池化。

②解碼器Decoder

解碼器的目標(biāo)是進行一次前向計算，預(yù)測長序列輸出。該編碼器采用了類似的標(biāo)準(zhǔn)解碼器結(jié)構(gòu)，由兩個相同的多頭注意力層組成。該編碼器與標(biāo)準(zhǔn)解碼器的區(qū)別是，Informer解碼器舍棄了動態(tài)解碼過程而采用了生成式預(yù)測，直接地一步輸出多步預(yù)測結(jié)果。該編碼器輸入格式為

式中：Xttoken為開始字符；X0為占位符；Concat表示將Xtoken和X0合并連接。

最后連接一個全連接層，再到輸出層，實現(xiàn)多步預(yù)測結(jié)果。

2.2 粒子群優(yōu)化算法

粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）是一種進化計算技術(shù)，其基本思想源于對鳥群捕食行為的研究[17]。粒子群優(yōu)化算法利用群體中個體信息的共享，使整個群體的運動在問題求解空間中產(chǎn)生從無序到有序的演化過程，從而獲得問題的可行解。首先給空間中的所有粒子分配初始隨機位置和初始隨機速度；隨后根據(jù)每個粒子的速度、問題空間中已知的最優(yōu)全局位置和已知的最優(yōu)位置，依次迭代更新每個粒子的位置；最后通過終止條件獲得粒子群的最優(yōu)解。

假設(shè)在D維的目標(biāo)搜索空間中，有m個粒子組成一個群體，其中第i個粒子（i=1，2，…，m）位置表示為Xi=（xi1，xi2，…，xiD）。每個粒子的位置是一個潛在解。通過計算粒子的適應(yīng)度值來衡量粒子的優(yōu)劣。粒子個體經(jīng)歷的最好位置記為Pi=（Pi1，Pi2，…，PiD），整個群體所有粒子經(jīng)歷過的最好位置Pg=（Pg1，Pg2，…，PgD），以νi=（νi1，νi2，…，νiD）表示第i個粒子的當(dāng)前速度。粒子群優(yōu)化算法采用公式（9），（10）對粒子所在位置不斷更新：

式中：ω為非負(fù)數(shù)，稱為慣性因子；加速常數(shù)c1和c2為非負(fù)常數(shù)；r1和r2為[0，1]內(nèi)變換的隨機數(shù)；α為約束因子，目的是控制速度的權(quán)重。

當(dāng)?shù)阉鬟_到最大迭代次數(shù)，或到目前為止搜索粒子群的最優(yōu)位置滿足目標(biāo)函數(shù)的最小允許誤差時，停止迭代更新，輸出粒子群的最優(yōu)解。

2.3 基于PSO優(yōu)化的Informer電量趨勢預(yù)測方法

基于PSO-Informer模型對地區(qū)電量趨勢進行精準(zhǔn)預(yù)測。首先通過灰色關(guān)聯(lián)度分析篩選出對地區(qū)電量影響較大的因素，將新能源歷史出力數(shù)據(jù)、環(huán)境溫度、風(fēng)速、天氣類型以及節(jié)假日特征作為模型的輸入特征集；再對異常值、缺失值、歸一化等數(shù)據(jù)進行預(yù)處理。將預(yù)處理后的數(shù)據(jù)集按照8∶2的比例劃分為訓(xùn)練集和測試集。訓(xùn)練集用于訓(xùn)練Informer電量預(yù)測模型，并通過PSO進行超參數(shù)尋優(yōu)，找到Informer電量預(yù)測模型性能最佳的超參數(shù)組合。最后使用最優(yōu)PSO-Informer模型進行電量預(yù)測，輸出地區(qū)電量的預(yù)測值。測試集用于評估Informer電量預(yù)測模型的效果?；赑SO優(yōu)化的Informer模型地區(qū)電量趨勢預(yù)測流程圖如圖4所示。

圖4 基于PSO優(yōu)化的Informer模型地區(qū)電量趨勢預(yù)測流程圖Fig.4 Flow chart of regional electric quantity trend prediction based on Informer model optimized by PSO

粒子群算法優(yōu)化的Informer電量預(yù)測算法的具體步驟如下。

步驟1：樣本數(shù)據(jù)預(yù)處理。

由于電量預(yù)測模型的輸入為多維數(shù)據(jù)，變量之間存在一定的量綱差異，因此在對模型進行訓(xùn)練及尋優(yōu)之前首先對輸入數(shù)據(jù)進行預(yù)處理。通過最大最小值歸一化，消除各維度數(shù)據(jù)之間的量綱。如公式（11）所示，將輸入數(shù)據(jù)轉(zhuǎn)換為[0，1]之間的數(shù)。

式中：x為全體樣本數(shù)據(jù)；xmax，xmin分別為樣本數(shù)據(jù)的最大值和最小值。

步驟2：確定Informer的超參數(shù)及其搜索范圍。

根據(jù)Informer的算法原理，確定影響Informer模型的主要超參數(shù)，將其作為粒子群優(yōu)化的搜索空間，并確定超參數(shù)的搜索范圍。

步驟3：確定粒子群算法的參數(shù)搜索空間。

將粒子群中粒子的位置、速度與Informer的超參數(shù)相對應(yīng)，學(xué)習(xí)因子c1和c2取值為[1，3]。

步驟4：粒子位置與速度初始化。

初始化所有粒子的速度、位置，并將個體的歷史最優(yōu)pbest設(shè)為當(dāng)前位置，群體中最優(yōu)的個體作為當(dāng)前的gbest。

步驟5：計算粒子的適應(yīng)度，獲取個體的全局極值與個體極值。

本文采用均方誤差作為適應(yīng)度函數(shù)，在每一代的進化中，計算各個粒子的適應(yīng)度函數(shù)值。通過對比各個粒子的適應(yīng)度值獲得個體的全局極值gbest和個體極值pbest。若該粒子當(dāng)前的適應(yīng)度函數(shù)值好于其歷史最優(yōu)值，那么歷史最優(yōu)將會被當(dāng)前位置所替代；若該粒子的歷史最優(yōu)好于全局最優(yōu)，則全局最優(yōu)將會被該粒子的歷史最優(yōu)所替代。

步驟6：按照式（8），（9）對各個粒子的位置和速度進行更新。

步驟7：完成迭代，輸出最優(yōu)解。

當(dāng)滿足誤差要求或者達到設(shè)定迭代次數(shù)時，停止迭代，輸出Informer模型超參數(shù)的最優(yōu)解。若未滿足上述條件，則返回步驟5繼續(xù)進行迭代求解。將進行超參數(shù)尋優(yōu)后的Informer模型作為最終的電量趨勢預(yù)測模型。

3 算例分析

為了驗證本文提出的PSO優(yōu)化的Informer電量趨勢預(yù)測模型的有效性，采用我國西部某地區(qū)2019年1月1日-2021年12月31日的日電量數(shù)據(jù)、不同規(guī)模風(fēng)電接入電網(wǎng)的出力數(shù)據(jù)、天氣數(shù)據(jù)，采集間隔為1 d。將其中80%的數(shù)據(jù)集作為訓(xùn)練集，20%的數(shù)據(jù)集作為測試集。

3.1 數(shù)據(jù)預(yù)處理

在模型訓(xùn)練之前，須對原始采集數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理工作，其中包括異常值與缺失值處理、數(shù)據(jù)歸一化等。在數(shù)據(jù)采集過程中，由于設(shè)備故障、停電等原因造成數(shù)據(jù)丟失或者異常，這些值的存在會造成數(shù)據(jù)集不完整而影響到后續(xù)的預(yù)測工作。因此，采取一定的手段對數(shù)據(jù)集中出現(xiàn)的缺失或異常值進行處理。當(dāng)模型的輸入數(shù)據(jù)有多維特征時，維度間數(shù)據(jù)的量綱是不同的，須對其進行歸一化處理，消除量綱不同造成的影響。如式（11）所示，本文采用最大、最小值歸一化的方式，將數(shù)據(jù)集按維度轉(zhuǎn)換到[0，1]之間。

3.2 評價指標(biāo)

為了驗證本文所提電量趨勢預(yù)測模型的預(yù)測效果，須評估模型在測試集上的表現(xiàn)。目前，對于預(yù)測領(lǐng)域的評價指標(biāo)較多，本文主要采用平均絕對誤差（Mean Absolute Error，MAE）、均方根誤差（Root Mean Square Error，RMSE）、平均絕對百分誤差（Mean Absolute Percentage Error，MAPE）等3個評價指標(biāo)：

式中：yi為真實值；y^i為預(yù)測值；n為測試集樣本容量。

3.3 確定Informer的最優(yōu)超參數(shù)

采用PSO算法對Informer電量趨勢預(yù)測模型的超參數(shù)進行尋優(yōu)。研究發(fā)現(xiàn)，影響Informer模型性能的超參數(shù)主要有batchsize、編碼器層數(shù)、解碼器層數(shù)、注意力頭數(shù)、編碼器的輸入長度、解碼器的輸入長度和優(yōu)化器。將這些超參數(shù)作為PSO算法的尋優(yōu)變量進行求解。經(jīng)過優(yōu)化后的最優(yōu)超參數(shù)以及PSO算法的參數(shù)初始設(shè)置如表2所示。

表2 PSO和Informer算法的參數(shù)設(shè)置Table 2 Parameter settings of PSO and Informer algorithms

續(xù)表2

3.4 實驗結(jié)果及分析

新能源的大規(guī)模接入會影響電量的變化趨勢。為了研究新能源發(fā)電接入電網(wǎng)對地區(qū)電量預(yù)測的影響，將其分為兩種預(yù)測場景：考慮新能源接入的影響和不考慮新能源接入的影響。兩種預(yù)測場景均采用文章提出的PSO-Informer模型進行驗證。前者在構(gòu)建模型的輸入數(shù)據(jù)時，考慮了新能源出力數(shù)據(jù)，將其歷史出力數(shù)據(jù)作為重要的輸入特征；后者在構(gòu)建模型的輸入數(shù)據(jù)時，沒有考慮新能源出力數(shù)據(jù)，只是將電量歷史數(shù)據(jù)、天氣特征及節(jié)假日特征作為模型的輸入。圖5給出了PSOInformer在考慮和不考慮新能源接入影響時，對地區(qū)電量趨勢的預(yù)測結(jié)果。圖5顯示，考慮新能源接入因素的影響，有利于PSO-Informer模型對電量變化趨勢的把握，從而做出準(zhǔn)確的預(yù)判。

圖5 考慮和不考慮新能源接入的PSO-Informer模型電量趨勢預(yù)測Fig.5 Power trend prediction of PSO-Informer model with and without new energy access

為了進一步細(xì)化新能源接入電網(wǎng)對電量預(yù)測的影響，設(shè)置了15%，20%，30%滲透率下3種不同預(yù)測場景，構(gòu)建了3種不同滲透率下的電量預(yù)測模型。通過電量預(yù)測結(jié)果對比，來具體刻畫新能源并網(wǎng)運行對地區(qū)電量預(yù)測的影響。表3給出了不同滲透率預(yù)測場景下，新能源出力對地區(qū)電量預(yù)測的影響。從表3中可以看出，不同滲透率下，PSO-Informer模型的電量預(yù)測效果不同，滲透率越低，預(yù)測精度越高。這說明滲透率越高，新能源接入電網(wǎng)對地區(qū)電量的影響越大。

表3 不同滲透率預(yù)測場景下，PSO-Informer模型對地區(qū)電量預(yù)測的效果Table 3 Effects of PSO-Informer model on regional electric quantity prediction under different permeability prediction scenarios

為了驗證本文提出的PSO優(yōu)化的Informer地區(qū)電量趨勢預(yù)測方法對電量預(yù)測的有效性以及預(yù)測精度的提升，使用訓(xùn)練集訓(xùn)練Informer模型，并通過PSO進行超參數(shù)尋優(yōu)，將訓(xùn)練后的電量趨勢預(yù)測模型在測試集上進行評估和預(yù)測。為了突出PSO-Informer模型對地區(qū)電量趨勢預(yù)測的效果，分別采用BP神經(jīng)網(wǎng)絡(luò)和支持向量機（SVM）作為對比模型。圖6給出了PSO-Informer、BP網(wǎng)絡(luò)、SVM等3種方法對電量趨勢的預(yù)測結(jié)果。

圖6 3種模型的電量趨勢預(yù)測效果圖Fig.6 Effect diagram of electric quantity trend prediction of the three models

從圖6中可以看出，本文提出的PSOInformer預(yù)測方法具有更好的預(yù)測效果，在電量趨勢發(fā)生較大波動時，能夠做出有效的預(yù)測。BP神經(jīng)網(wǎng)絡(luò)模型和SVM模型在電量趨勢變化轉(zhuǎn)折處的預(yù)測偏差較大，對未來一個月日電量趨勢的擬合度不太理想，而Informer模型在電量趨勢轉(zhuǎn)折處的預(yù)測偏差較小且擬合度較高。通過預(yù)測結(jié)果對比發(fā)現(xiàn)，Informer模型在對長時間序列進行預(yù)測時，準(zhǔn)確地捕捉輸出與輸入之間的依賴關(guān)系，具有較高的預(yù)測精確度。

圖7給出了兩種對比模型與PSO-Informe模型的預(yù)測誤差圖。由圖7可見，BP神經(jīng)網(wǎng)絡(luò)模型和SVM模型的日電量趨勢預(yù)測誤差較大，且波動范圍較大；PSO-Informer模型的日電量趨勢預(yù)測誤差較小，波動在合理的誤差范圍內(nèi)。顯然，在長時間預(yù)測問題上，PSO-Informer模型優(yōu)勢明顯。

圖7 3種模型的電量趨勢預(yù)測誤差圖Fig.7 Error chart of electric quantity trend prediction of the three models

表4給出了采用MSE，RMSE和MAPE指標(biāo)評價3種預(yù)測模型在測試集上的表現(xiàn)。從表4中數(shù)據(jù)可以看出，與另外兩種模型相比，本文提出的PSO-Informer模型的3種評價指標(biāo)值較低，預(yù)測誤差較小。

表4 3種模型在測試集上的表現(xiàn)Table 4 Performance of the three models on the test set

4 結(jié)論

為了提高地區(qū)中長期電量趨勢預(yù)測精度，本文提出了一種采用PSO優(yōu)化的Informer模型，有效地解決了長時間序列預(yù)測問題。首先從定性和定量角度分析大規(guī)模新能源電源接入新型電力系統(tǒng)、外部環(huán)境以及節(jié)假日等因素對地區(qū)電量的影響，在此基礎(chǔ)上，建立了Informer電量趨勢預(yù)測模型。通過概率稀疏自注意力機制和蒸餾操作，解決了模型的時間復(fù)雜度和內(nèi)存使用的問題，并以生成式解碼方式輸出多步預(yù)測值。為了提升Informer模型的預(yù)測能力，采用PSO算法對Informer模型的超參數(shù)進行尋優(yōu)，獲得最優(yōu)的電量趨勢預(yù)測模型。

研究結(jié)果表明，與BP神經(jīng)網(wǎng)絡(luò)模型和SVM模型相比，Informer模型的預(yù)測誤差更小，泛化性能更強，適應(yīng)于中長期電量趨勢預(yù)測。