長短期記憶網絡在虛擬電廠數(shù)據(jù)中心的應用

陳峻，寧思衡

1.上海時石能源有限公司，上海 201402；

2.中國科學院大學應急管理科學與工程學院，北京 100049

0 引言

在“雙碳”目標驅動下，加大可再生能源占比對實現(xiàn)能源轉型、綠色低碳發(fā)展具有重大意義。但可再生能源獲取不穩(wěn)定、難以大量發(fā)電，導致實踐中容易出現(xiàn)發(fā)電與用電需求難以維持動態(tài)平衡的現(xiàn)象。在國家“30·60”戰(zhàn)略[1]推動下，虛擬電廠成為開展新型電力系統(tǒng)建設、解決能源變革的重要手段，為新能源電力的安全、高效利用開辟了一條新的路徑[2]。在電力供應緊張時段，集成分布式能源資源管理系統(tǒng)可以直接調度海量分散的電力負荷和供給資源，跨空間自主調控供需兩端的功率，保證電網的安全穩(wěn)定運行。

虛擬電廠是“互聯(lián)網+源網荷儲”[3]一體化的數(shù)字化能源管理系統(tǒng)，通過先進信息通信和監(jiān)測控制技術，將閑散的電力負荷資源聚合起來并加以優(yōu)化控制。近年來，我國電力系統(tǒng)和政策市場的變化，為虛擬電廠的誕生、發(fā)展提供了環(huán)境，虛擬電廠受到了越來越多的關注。虛擬電廠兼具“源-荷”[4]特性，既能提高電網的穩(wěn)定性和可靠性，又可以消納電網的電力，更靈活地實現(xiàn)“削峰填谷”[5]的功能。虛擬電廠不僅是當前電力系統(tǒng)和市場發(fā)展的必然選擇，也是未來智能、高效、可持續(xù)電網體系[6]的重要組成部分，在現(xiàn)代電力系統(tǒng)中擁有巨大潛力和價值。

隨著虛擬電廠的快速演進和國內對人工智能需求的日益高漲，計算資源低成本化在虛擬電廠領域的重要性日益凸顯，國內社會對數(shù)據(jù)中心提出了更加嚴格的技術要求，具體如下。

● 優(yōu)秀的環(huán)境適應性。虛擬電廠可能大規(guī)模地采納可再生能源，數(shù)據(jù)中心必須具備對電力供應不穩(wěn)定性和波動性的高度適應能力。此外，數(shù)據(jù)中心也應實施高效的能源管理策略，以降低對整體電力系統(tǒng)的負載。

● 先進的預警系統(tǒng)。虛擬電廠的操作和管理模式涉及多種復雜的電力供應鏈和需求響應策略，數(shù)據(jù)中心的預警系統(tǒng)必須具備高度的敏感性和較好的響應能力。為了滿足這一需求，深度學習方法可能是最好的選擇。其中，結合時間嵌詞編碼的LSTM的特殊門控機制[7]是專為處理具有時間依賴性的序列數(shù)據(jù)而設計的。LSTM可以實時分析和處理大量的電力數(shù)據(jù)，從而為數(shù)據(jù)中心提供精確的潛在問題預測。預警系統(tǒng)的高度自動化和智能化不僅確保了數(shù)據(jù)中心的穩(wěn)定運行，還為電力市場中的策略決策提供了有力支持。

● 無損的調節(jié)能力。在傳統(tǒng)電力系統(tǒng)中，強制調節(jié)電力供應通常會導致一定程度的服務中斷或數(shù)據(jù)損壞。然而，虛擬電廠技術的發(fā)展對數(shù)據(jù)中心提出了無損調節(jié)的新要求。這意味著數(shù)據(jù)中心需要在不影響系統(tǒng)整體完整性和“斷點續(xù)行”能力的前提下，靈活地調整電力需求。這一能力不僅可以提高電網整體電力使用效率，還有助于減少運營成本和環(huán)境影響。

綜上所述，虛擬電廠為數(shù)據(jù)中心帶來了一系列前沿的技術要求，包括環(huán)境適應性、高級預警機制和無損調節(jié)策略等。這些技術要求不僅提升了數(shù)據(jù)中心的技術標準，而且為數(shù)據(jù)中心未來的技術演進提供了廣闊的研究空間。本文在虛擬電廠數(shù)據(jù)中心的電力調控方面提出了一系列創(chuàng)新性策略，包括使用LSTM進行電力需求和供應的預測、引入時間嵌詞編碼以提高預測準確性以及實現(xiàn)自動化和實時響應機制。這些策略不僅在預測準確性、自動化程度和可持續(xù)性方面有明顯優(yōu)勢，還有效減少了對人工干預的依賴。與現(xiàn)有的調控策略相比，本文方法更先進、有效，具有重要的社會和環(huán)境意義。首先，數(shù)據(jù)中心可以通過“隔墻售電”獲得更低的閑時電價，降低計算服務的成本，更好地助力智能化和云計算。其次，本文方法通過智能調控策略提高了電力系統(tǒng)的整體穩(wěn)定性和效率，進而推動可再生能源在電力系統(tǒng)中的發(fā)電比例。再次，自動化和智能化的電力調控不僅可以降低運營成本，還有助于提高服務穩(wěn)定性和降低服務價格。最后，本文為電力系統(tǒng)的未來研究提供了新的視角和思路。

1 虛擬電廠數(shù)據(jù)中心系統(tǒng)架構

作為虛擬電廠負荷側的用電主體之一，數(shù)據(jù)中心成為負荷側的可調節(jié)資源，為虛擬電廠提供調控手段。面對電力波動，為了保持服務的連續(xù)性和穩(wěn)定性，數(shù)據(jù)中心需要具備預警能力和無損調節(jié)的能力。

傳統(tǒng)虛擬電廠數(shù)據(jù)中心系統(tǒng)架構如圖1所示，包含用電、發(fā)電、電力檢測、容器管理4個部分。

圖1 傳統(tǒng)虛擬電廠數(shù)據(jù)中心系統(tǒng)架構

在傳統(tǒng)數(shù)據(jù)中心架構中，電力供應和管理是至關重要的一環(huán)。傳統(tǒng)的數(shù)據(jù)中心通常需要配備一個足以支撐其高負荷運轉的大型儲能單元。這些儲能單元通常是由一系列高成本的電池或其他儲能設備組成的，目的是在電力短缺或其他緊急情況下提供臨時電力。然而，這種設置有以下幾個明顯的缺點。

● 高成本。為滿足數(shù)據(jù)中心的緩沖電力需求，需要配備一個大型儲能單元，而它的成本很高，再加上使用過程中電池儲電量的衰減，進一步增加了數(shù)據(jù)中心的運營成本。

● 反應時長有限。傳統(tǒng)數(shù)據(jù)中心通常依賴預設的規(guī)則和閾值來進行電力短缺的警報和響應。這種方法往往只能在問題即將發(fā)生或已經發(fā)生后才能觸發(fā)警報，這意味著數(shù)據(jù)中心的容器只有非常有限的時間做出響應。

● 被動響應模式。由于警報通常在問題發(fā)生后才觸發(fā)，這種模式是極為被動的。這不僅限制了數(shù)據(jù)中心應對突發(fā)事件的靈活性，也可能增加運營問題和成本。

傳統(tǒng)數(shù)據(jù)中心在電力管理方面存在一些固有的局限性，特別是在儲能成本和響應機制方面。這些問題需要通過更先進、更靈活的方案來解決，以提高數(shù)據(jù)中心的效率和可靠性。

2 新型虛擬電廠數(shù)據(jù)中心管理系統(tǒng)

2.1 系統(tǒng)架構

本文提出的新型虛擬電廠數(shù)據(jù)中心系統(tǒng)架構如圖2所示，包含用電、發(fā)電、預警、容器管理4個部分。

圖2 新型虛擬電廠數(shù)據(jù)中心系統(tǒng)架構

本文提出的架構運用了深度學習模型進行電力需求的預測。這不僅提高了預警的準確性，還能提前15 min發(fā)出電力短缺的預警。15 min的時間窗口為數(shù)據(jù)中心的容器提供了足夠的時間來暫停運行的服務并進行數(shù)據(jù)備份，極大地減少了電力短缺引起的數(shù)據(jù)丟失和服務中斷的風險。另外，該系統(tǒng)架構具有較好的動態(tài)響應能力和自適應性，能夠根據(jù)預測結果自動調整資源分配和備份策略。這一點與傳統(tǒng)架構的靜態(tài)和人工干預方式形成了鮮明的對比。

總體而言，該系統(tǒng)架構通過引入數(shù)據(jù)驅動的智能預測和動態(tài)響應機制，不僅提升了分布式能源資源的整合和管理效率、虛擬電廠的抗風險能力，還為應對未來不斷變化的需求和挑戰(zhàn)做好了充分準備，能夠保證可持續(xù)的電力供應。

2.2 工作機理

在虛擬電廠數(shù)據(jù)中心系統(tǒng)中，電源主要來源于風電和光伏發(fā)電。由于這兩種可再生能源具有較強的波動性，數(shù)據(jù)中心面臨著用電功率管理的挑戰(zhàn)。為了解決這一問題，該系統(tǒng)基于LSTM模型進行電力需求和供應的預測。這個模型能夠相對準確地預測未來15 min可能出現(xiàn)的電力短缺或過剩情況。

為了更準確地捕捉電力需求的季節(jié)性和周期性變化，本文在模型的輸入層拼接了嵌詞編碼過的月份和星期信息。這些嵌詞編碼能夠將月份和星期轉換為一組連續(xù)的數(shù)值向量，使神經網絡能夠捕捉時間信息中的潛在模式。例如，電力需求在工作日可能與周末有所不同，夏季和冬季的電力需求也可能有顯著差異。通過這種方式，LSTM模型能夠更全面地理解電力需求的動態(tài)變化，從而生成更準確的預測結果。

一旦接收到電力短缺的預警，數(shù)據(jù)中心的容器會自動進入安全模式。在這個模式下，非關鍵任務會被暫停，而關鍵任務則會被迅速備份。這為數(shù)據(jù)中心提供了一個15 min的時間窗口，以確保在電力供應不穩(wěn)定的情況下，關鍵數(shù)據(jù)和應用不會受到影響。同時，控制系統(tǒng)還會自動調整各種能源存儲設備（如電池和超級電容器）的充放電狀態(tài)，以維持電網的供需平衡。這一切都是通過與數(shù)據(jù)中心內部的“協(xié)調優(yōu)化”模塊進行實時通信來實現(xiàn)的。

總而言之，本文提出的數(shù)據(jù)中心系統(tǒng)通過智能預測和動態(tài)響應，成功地解決了可再生能源波動性強所帶來的問題，確保了數(shù)據(jù)和應用的安全性和可用性。

3 數(shù)據(jù)與模型結構

3.1 數(shù)據(jù)集和數(shù)據(jù)特性

本文的模擬實驗使用的數(shù)據(jù)均來自德國ENTSO-E和AG Energiebilanzen 公司統(tǒng)計的2020—2022年德國境內電力數(shù)據(jù)，電力數(shù)據(jù)集的數(shù)據(jù)類型見表1。

表1 電力數(shù)據(jù)集的數(shù)據(jù)類型

數(shù)據(jù)集內的所有數(shù)據(jù)的采樣間隔為15 min，均來自德國境內發(fā)電廠的真實數(shù)據(jù)。電力數(shù)據(jù)集的分布如圖3所示。該箱體圖提供了一個全面的視角來審視各種發(fā)電方式在數(shù)據(jù)分布和離散度方面的特性。其中，風能和光伏發(fā)電的數(shù)據(jù)離散度顯著高于其他發(fā)電形式，這一現(xiàn)象揭示了這兩種可再生能源在供電穩(wěn)定性和對環(huán)境條件（如風速和太陽輻射）的依賴性方面存在隱患。這種高度的數(shù)據(jù)離散性會對電力系統(tǒng)的魯棒性和電力調度算法產生復雜的影響。該箱體圖不僅揭示了電力網絡的復雜性，還凸顯了優(yōu)化電力調度策略的難度。取其中任意一周的數(shù)據(jù)進行放大觀察，可再生能源在發(fā)電與負載中的占比如圖4所示。

圖3 電力數(shù)據(jù)集中各種能源的分布

圖4 可再生能源在發(fā)電與負載中的占比

從圖4可知，可再生能源的發(fā)電比例與負載比例的走勢基本相似，少有遲滯和交叉，響應速度快。虛擬電廠能在再生能源“年富力強”的時候“物盡其用”，這通常意味著德國境內電力供應策略可能優(yōu)先使用可再生能源。

累積發(fā)電與負載對比如圖5所示。由圖5可知，本周數(shù)據(jù)存在負載（電力需求）大于累積發(fā)電量的現(xiàn)象。這種現(xiàn)象主要出現(xiàn)在需求峰值時，即使通過電力系統(tǒng)跨境輸電也無法滿足當時的電力需求。在這種情況下，擁有高效穩(wěn)定的應急策略、能夠保障客戶數(shù)據(jù)完整性的虛擬電廠數(shù)據(jù)中心，就顯得尤為重要。

圖5 累積發(fā)電與負載對比

3.2 深度學習模型結構

為了精準預測此類“電力短缺”事件，防止造成無法挽回的損失，本文提出一種基于LSTM的預測模型。該模型結構包括輸入層、LSTM單元和輸出層。為了捕捉更多的時間序列信息，本文在LSTM模型前加入了嵌詞編碼過的月份和星期，提出了Embedding_LSTM模型，該模型整體結構如圖6所示。

圖6 Embedding_LSTM模型結構

3.2.1 輸入層

輸入層接收一個由17維電力數(shù)據(jù)、月份和星期組成的復合輸入。電力數(shù)據(jù)需要進行標準化處理，以便模型能夠捕捉其內在規(guī)律。而星期和月份信息通過嵌詞編碼（即式（1）和式（2））轉換為低維向量。這兩部分數(shù)據(jù)隨后被拼接在一起，形成一個高維輸入向量，為模型后續(xù)的隱藏層提供豐富的特征信息。

3.2.2 LSTM層

LSTM層通過堆疊兩個LSTM模型來增加模型的復雜性和學習能力。單個LSTM單元的內部狀態(tài)（即隱藏狀態(tài)和單元狀態(tài)）的維度是128，并且每次前向傳播時會考慮96個時間步長的數(shù)據(jù)?；镜腖STM單元結構如圖7所示。

圖7 基本的LSTM單元結構

LSTM內部每一層的計算如下。

其中，W和b表示LSTM神經元的權重矩陣和偏置矩陣，Wii和bii分別表示W和b的第i行和第i列，xt是在時間t時的輸入，ht-1是該層在t-1時刻的隱藏狀態(tài)或時間0的初始隱藏狀態(tài)。ct是在時間t時的單元狀態(tài)，ht是在時間t時的隱藏狀態(tài)。在每個時間步t，LSTM接收輸入xt和前一個時刻的記憶狀態(tài)ct-1和隱藏狀態(tài)ht-1。然后，使用門控機制來計算輸入門it、遺忘門ft、單元門gt、輸出門ot。⊙是矩陣的Hadamard乘積，σ是Sigmoid函數(shù)，計算式如下。

該LSTM層旨在處理具有復雜時間依賴性的高維輸入數(shù)據(jù)，通過多層堆疊和較大的隱藏層維度來增加模型的表達能力[8]，這樣的設計有助于模型更準確地預測未來的電力需求和供應情況。

3.2.3 輸出層

輸出層是一個全連接層，具有17個輸出節(jié)點，與原始電力數(shù)據(jù)的維度相匹配。這一層的主要任務是將LSTM層的高維隱藏狀態(tài)映射為一個17維的輸出向量。這個輸出向量代表了未來15 min的電力需求和供應預測。全連接層由于沒有激活函數(shù)或其他非線性操作，能夠直接線性地轉換前一層（即LSTM層）的輸出。這樣的設計使模型能夠在最后一步生成與原始電力數(shù)據(jù)相同維度的預測結果，便于后續(xù)的解釋和應用。

模型采用了基于時間窗口的訓練模式，具體來說，它使用一天左右的歷史數(shù)據(jù)作為輸入來預測未來的電力需求和供應情況。模型的輸入層接收一個17維的電力數(shù)據(jù)以及月份和星期信息。電力數(shù)據(jù)進行標準化處理，而月份和星期信息則通過嵌詞編碼進行處理。這些處理后的數(shù)據(jù)隨后被拼接在一起，形成模型的最終輸入。整體而言，該模型綜合考慮了電力數(shù)據(jù)的多維特性、時間依賴性以及其他輔助信息（如月份和星期），實現(xiàn)了對電力需求和供應的有效預測。

4 實驗結果分析

4.1 電力數(shù)據(jù)預測分析

在同類型實驗中，評價指標選擇常用的均方根誤差（root mean square error，RMSE）和平均絕對誤差（mean absolute error，MAE）進行評估，這兩項指標均能對連續(xù)變量的預測結果和實際值的差進行很好的量化，RMSE和MAE的數(shù)學表達式如下。

其中，ypre,i為模型預測值，ytrue,i是實際值，n為數(shù)據(jù)的總數(shù)。這兩個指標都以電力數(shù)據(jù)的兆瓦（MW）為單位，數(shù)值越小表示模型的預測效果越好，預測結果越接近實際值。

對長短時記憶網絡模型進行測試后，得到了各維度的評價指標，具體數(shù)據(jù)見表2?！瓣懙仫L能”和“光伏發(fā)電”的RMSE和MAE值相對較高，這表明這些電力來源可能受到多種不可預測因素的影響，導致發(fā)電量預測相對較難。其次，“地熱能”的RMSE和MAE值非常低，幾乎接近于零，這意味著該電力來源的發(fā)電量相對穩(wěn)定或者模型對其預測表現(xiàn)出色。

表2 各維度評價指標對比

為了直觀地感受本文提出的模型預測的準確性，本文從離岸風能、陸地風能、太陽能和負載4個維度選取720個樣本點繪制實際電量與預測電量對比曲線，如圖8所示。其中，藍色線是真實值，橙色線是預測值?？梢钥闯觯壬€基本復制了藍色線的走勢，幾乎覆蓋了藍色線的數(shù)據(jù)，預測值與真值非常接近，幾乎同步變化。這表明模型在這4個關鍵數(shù)據(jù)類型上的預測性能表現(xiàn)得相當出色。在陸地風能和離岸風能這兩個維度上，模型能夠準確捕捉到電量的波動趨勢。對于風能這種受多種環(huán)境因素影響的可再生能源來說，這無疑是一個令人鼓舞的結果。對于太陽能而言，模型同樣展示了高度的預測準確性，這意味著模型能夠有效地應對太陽能發(fā)電量受天氣、季節(jié)等因素的影響。在負載這一維度上，模型也能準確預測電力需求，這對于電網運營和電力供應策略的優(yōu)化具有重要意義。

圖8 實際電量與預測電量對比

總體而言，這些結果證明了本文提出的模型在這4個關鍵數(shù)據(jù)類型的預測上具有高度準確性，也進一步印證了其在電力系統(tǒng)分析和優(yōu)化中的應用潛力，為未來更復雜、更全面的電力系統(tǒng)模型提供了有力的支持。

4.2 電力短缺事件預測評價

本節(jié)基于LSTM神經網絡模型的預測結果計算電力短缺事件，測試集的大小為20 909個樣本點，涵蓋了217天的數(shù)據(jù)，該測試集為模型提供了足夠多的樣本來進行全面的評估，表3展示了電力短缺事件預測的詳細結果。

表3 電力短缺事件預測結果

表3顯示，模型在預測“實際為假”和“實際為真”的事件上表現(xiàn)得相當出色。模型成功地將13 112個實際為假的事件預測為假，而只有213個實際為假的事件被誤判為真；模型將7 265個實際為真的事件準確地預測為真，僅有319個實際為真的事件被誤判為假。從準確率、F1分數(shù)和精確度這3個指標來看，模型在整體預測上的準確性非常高；召回率為95.86%，表明模型能夠準確地識別出絕大多數(shù)實際為真的電力短缺事件；假陽性率意味著模型在可能造成重要損失的情況下的誤報率僅為1.6%。

綜上所述，這些評價指標說明該模型在電力短缺事件預測方面表現(xiàn)出色，具有很高的可靠性、準確性，這對虛擬電廠的數(shù)據(jù)中心管理系統(tǒng)具有重要的實用價值。

4.3 虛擬電廠數(shù)據(jù)中心容器管理

本節(jié)的模擬實驗研究了容器管理系統(tǒng)的功率信號動態(tài)響應過程，如圖9所示。該實驗模擬了一個典型的數(shù)據(jù)中心環(huán)境，功率需求會隨時間變化。在模擬實驗中，容器管理系統(tǒng)能夠及時預警并給予15 min的“黃金窗口”，能夠及時完成非關鍵任務容器的暫停和關鍵任務容器的迅速備份。

圖9 容器管理系統(tǒng)功率信號動態(tài)響應過程

● 穩(wěn)態(tài)階段（0~20 min）。在實驗開始的前20 min，系統(tǒng)處于穩(wěn)態(tài)，虛擬電廠電力供應充足，功率需求約為1 700 kW。這一階段反映了數(shù)據(jù)中心在正常運行狀態(tài)下的功率消耗。

● 下降階段（21~25 min）。系統(tǒng)接到了“電力短缺”預警，進入一個短暫的下降階段，功率需求從1 700 kW迅速下降到50 kW。為應對“電力短缺”事件，虛擬電廠對供電策略進行優(yōu)化調整，此時無法滿足數(shù)據(jù)中心對電力輸出穩(wěn)定性和連續(xù)性的要求。這一階段模擬了數(shù)據(jù)中心在遭遇突發(fā)事件的功率需求變化。

● 低功率階段（26~265 min）。系統(tǒng)進入一個長達近240 min的低功率階段，功率需求維持在約50 kW。這一階段代表了數(shù)據(jù)中心在高峰時段且用電緊張時的功率消耗。

● 上升階段（266~270 min）。“電力短缺”警報解除，系統(tǒng)再次進入一個上升階段，功率需求從50 kW迅速回升至1 700 kW，之后維持穩(wěn)態(tài)。

該模擬實驗不僅揭示了數(shù)據(jù)中心容器管理系統(tǒng)在不同時間尺度下的功率需求和響應特性，還展示了其在面對突發(fā)事件（如“電力短缺”）時出色的動態(tài)響應能力。

5 結束語

本文提出了一種綜合運用深度學習和容器化技術的方法，旨在對虛擬電廠的“源荷”雙側狀態(tài)進行實時預測和預警。該方法成功實現(xiàn)了15 min級別的“電力短缺”主動預警機制，為數(shù)據(jù)中心的高可用性和魯棒性提供了強有力的數(shù)據(jù)支持。本文基于LSTM構建的電力短缺預警模型的預測準確率高達97.48%，這一結果明顯高于傳統(tǒng)方法。該方法將LSTM網絡與容器化技術結合，使該預警系統(tǒng)在數(shù)據(jù)中心的能效優(yōu)化和安全管理方面具有顯著效果，可以有效地應對電力供應不足或突發(fā)事件，從而減少運營風險。該方法不僅適用于虛擬電廠數(shù)據(jù)中心，還具有廣泛的應用前景，例如多個可再生能源分支的管理、智能電網以及工業(yè)自動化等多個領域。