準確的短期電力負荷預測對保證電網安全穩定運行、能量優化管理、提高發電設備利用率和降低運行成本等具有重要作用，傳統時間序列分析方法難以學習短期電力負荷數據的非線性特徵。東莞理工學院電子工程與智能化學院的研究人員趙洋、王瀚墨、康麗、張兆雲，在2022年第5期《電工技術學報》上撰文，提出一種基於時間卷積深度學習網絡的短期電力負荷預測方法。實驗結果表明，時間卷積網絡可以獲得更高的預測精度，深度學習方法相較於經典機器學習方法在非線性特徵學習方面更具優勢。
電能本身具有不易存儲的特點，因此在傳統電力系統中需要保持發電側與負荷側的實時功率平衡。由於負荷側的實際電能需求是一個受多種因素影響的動態變化過程，因此採用電力負荷預測技術來預測未來電量需求可以為制定發電計劃提供數據支持，且有利於實現發電側和負荷側的優化調度和電網的經濟運行。
隨著智能電網技術的發展，各種可再生能源越來越多地接入電力系統中，構成各種不同滲透率、不同結構形式的智能微電網。為應對可再生能源所具有的隨機性、波動性和周期性等特徵對微電網的穩定運行所帶來的負面影響，配置電能存儲系統已成為一種重要的解決方案。
但是，受目前儲能系統構建、維護成本、能量密度和使用壽命等因素的制約，在微電網實際應用領域中，需要採用先進的能量管理方法和控制策略來保證儲能系統在充分發揮儲能作用的同時確保整個微電網系統運行的安全性、經濟型和可靠性。而對於配置儲能系統的微電網能量管理和控制策略的設計和實現，電力負荷的準確預測也是一項必不可少的關鍵技術。
由此可見，不論是對傳統電力系統還是對智能微電網系統而言，系統內部的能量管理均是一項複雜的任務，具體管理方法和策略的有效性及實施效果在很大程度上取決於未來電力負荷需求的預測結果。如果發電量不能滿足需求則會導致電網故障，而供過於求又會導致能源和資源的浪費。因此，基於準確的電力系統負荷預測結果不僅可以減少不必要的發電量，從而降低資源浪費，實現節能使用；還可以為輸配電規劃、用電需求管理、能源市場中的智能化交易等提供重要數據支撐。
電力負荷預測根據預測時間尺度可以分為：長期預測（以年為單位）、中期預測（以月為單位）、短期預測（以日為單位）和超短期預測（以時、分為單位）。其中，短期電力負荷預測範圍可從一天內每小時擴展到一周內每天的負荷，其預測結果對於發電單元的起停安排，提升可再生能源的滲透率及用電需求側的有效管理等方面均具有重要作用。
影響短期電力負荷的因素主要有天氣條件、假日安排和用戶使用習慣等。這些因素的共同作用使得短期電力負荷數據呈現出強非線性、隨機性和時變性等特徵，這無疑增加了實現準確預測的難度。因此，高精度和高魯棒性的短期電力負荷建模和預測方法一直是電力負荷預測領域的研究重點。國內外研究者的主要研究目標也大多聚焦於採用不同的建模和預測方法來提高短期電力負荷的預測精度。電力負荷預測精度越高，越有利於提高發電設備的利用率和經濟調度的有效性。
目前，從建模和預測方法來看，短期電力負荷預測的實現手段主要有基於統計分析的時間序列分析方法和基於數據驅動的機器學習方法。時間序列分析法在處理平穩序列和學習數據的線性特徵方面具有較好的性能，但對於數據的非線性特性處理較差；機器學習方法則具有較強的非線性學習能力，因此在處理具有強非線性和隨機性等特徵的短期電力負荷數據方面具有天然優勢。
綜上所述，短期電力負荷的預測精度與預測方法的選取和數據自身特點的關係較大。
基於此背景，東莞理工學院電子工程與智能化學院的研究人員首先將支持向量回歸、高斯過程回歸和前向神經網絡等經典機器學習法應用於短期電力負荷預測的適用性和預測效果進行對比分析。然而，經典機器學習方法通常比較適合處理小樣本數據，當樣本數據量顯著增大時通常會出現模型性能下降的問題。預測評價指標表明機器學習方法能夠得到較高的預測精度，適用於處理含強非線性特徵的短期電力負荷數據。
在此基礎上，研究人員進一步提出一種基於時間卷積深度學習網絡的短期電力負荷預測方法，該模型具有從大樣本時間序列中提取特徵和實現預測的能力，其模型架構能有效解決深層網絡學習的退化問題。
他們通過對真實電力負荷數據進行預測建模並分析實驗結果，得出以下主要結論：
1）所選用的各種機器學習方法在合理選擇模型參數後，均可以對含有非線性特徵的短期電力負荷數據取得較好的預測效果。因此，機器學習方法適用於解決短期電力負荷預測問題。
2）深度學習網絡相比經典機器學習方法具有更好的特徵提取能力，因此可以獲得更高的預測精度。由於TCN網絡的構建引入了擴大因果卷積和殘差塊，使得該深度學習網絡模型具有更好的大樣本時間序列處理能力和魯棒性，實驗結果也驗證了該方法的有效性和高準確性。
研究人員指出，本課題的研究內容不僅為短期電力負荷預測的方法選擇提供了參考依據和選擇多樣性，而且對於研究電力系統領域中的其他預測問題如風力、光伏發電功率預測、儲能系統中儲能元件的使用壽命預測等也具有很好的借鑑意義。
但是，深度學習方法通常主要適用於挖掘數據中的非線性特徵，對於數據的線性特徵的學習效果有時可能不如傳統時間序列分析方法。而實際的電力負荷數據一般既包含線性成分又包含非線性成分，即電力負荷時間序列具有複合特徵。
與此同時，其他因素如天氣、假日安排和用戶使用習慣等與負荷數據特徵之間的關係，以及對模型預測效果的影響也是需要深入關注的內容。因此，未來研究工作將聚焦於設計一種可以更好地處理電力負荷數據複合特徵的預測模型，以期進一步提高模型的預測精度。
本文編自2022年第5期《電工技術學報》，論文標題為「基於時間卷積網絡的短期電力負荷預測」。論文第一作者和通訊作者為趙洋，1981年生，副教授，碩士生導師，研究方向為儲能系統運行控制、系統建模與預測等。本課題得到了國家重點研發計劃「智能電網技術與裝備」重點專項資助的支持。