1、基于元胞自动机技术的农村中长期负荷预测方法熊宁1，肖异瑶2，姚志刚1，钟士元1，舒娇1(1 国网江西省电力有限公司经济技术研究院，南昌 330096;2 华南理工大学 电力学院，广州 510000)摘要:针对农村用电负荷分布不均、多样性强，难以准确预测的问题，在考虑农村发展规划、经济、人口等影响负荷变化因素的基础上，提出了一种基于元胞自动机技术的农村中长期负荷预测方法。根据农村用电用途和特点，对农村负荷进行分类;按照台区供电范围内地块利用性质以及地块上负荷分布特点，定义了农村地块功能，利用最小二乘法得到不同功能地块的历史负荷密度曲线;在此基础上，结合农村发展规划、经济及自然条件等引起农村负荷密
2、度和地块功能变化的影响因素，利用历史数据训练门控循环单元负荷密度模型，并利用元胞自动机技术预测地块变化信息;根据地块变化信息和历史负荷密度曲线，利用门控循环单元网络模型预测负荷密度，进而得到农村中长期负荷的预测结果;以某农村为例，验证了所提策略的可行性和有效性。关键词:农村用电负荷;中长期;负荷预测;元胞自动机技术;门控循环单元网络模型DOI:10 19753/j issn1001-1390 2023 04 015中图分类号:TM731文献标识码:B文章编号:1001-1390(2023)04-0106-07ural medium long term load forecasting meth
3、od based oncellular automata technologyXiong Ning1，Xiao Yiyao2，Yao Zhigang1，Zhong Shiyuan1，Shu Jiao1(1 Economics and Technology esearch Institute of State Grid Jiangxi Electric Power Co，Ltd，Nanchang330096，China 2 School of Electric Power，South China University of Technology，Guangzhou 510000，China)Ab
4、stract:Aiming at the problem that the rural load distribution is uneven，the diversity is strong，and it is difficult topredict accurately，on the basis of considering the factors of the rural development planning，economy，population andother factors，the medium-long-term load forecasting method of a rur
5、al area based on cellular automata technology and ma-chine learning is proposed in this paper Firstly，according to the use and characteristics of the rural electricity load，therural load is classified Then，according to the nature of land use in the power supply scope of station area and the distri-b
6、ution characteristics of the load on the block，the function of the rural land is defined，and the least squares method(LSM)is used to obtain the historical load density curve of different functions On this basis，combined with the factors ofthe rural development planning，economic and natural condition
7、s，etc，historical data is used to train the gated loop unitload density model，and the cellular automata technology is used to predict change information of the land block Moreo-ver，based on change information of the land block and historical load density curve，the gated loop unit network model isused
8、 to predict the load density，and then，the rural medium-long-term load forecast results are obtained Finally，takinga rural area as an example，the feasibility and effectiveness of the proposed strategy are verifiedKeywords:rural electricity load，medium-long term，load forecasting，cellular automata tech
9、nology，gated loop unit net-work model0引言在乡村振兴发展战略背景下，农村及农业产业的发展将促进农村用电需求发展，且伴随着用电结构的多样性凸显、季节性问题加剧以及供电质量要求提高等新阶段下农村用电需求的新特性。同时，农村用电负荷预测是电网规划的重要依据，故而有必要考虑农村发展新形势下呈现出的用电新特征，采用更为有效的预测方法来适应新时代农村发展建设的需求。由于601第 60 卷第 4 期电测与仪表Vol 60 No42023 年 4 月 15 日Electrical Measurement InstrumentationApr15，2023农村用电负荷的变化
10、与农村经济发展水平、土地规划以及产业类型等密切相关，因此在考虑影响农村电力负荷变化诸多因素的基础上，如何实现农村中长期电力负荷的准确预测具有重要的意义。目前，国内外关于电力系统负荷预测方面的研究很多，包括时间序列法1-2、灰色预测法3-4，以及神经网络法5-7 等。在中长期负荷预测方面，文献 8 利用Verhulst 模型对“S”型曲线增长的电力负荷影响因素实现中长期负荷预测;文献 9计及灰色关联度分析的中长期负荷灰色预测方法。但是，以上文献仅从时间上对电力负荷进行预测。在空间负荷预测10-11 方面，文献 12 基于城市的用地性质进行负荷分区，并将其与负荷预测相结合，实现负荷密度预测;文献
11、13 利用元胞自动机理论模拟城市用地动态变化过程，提出一种基于饱和负荷密度的空间负荷预测方法;文献 14 采用元胞自动机模拟城市土地利用变化，提出城市配电网空间负荷预测方法。目前考虑农村负荷特征的中长期电力负荷预测研究几乎空白。在已有研究的基础上，文章提出一种基于元胞自动机技术的农村中长期负荷预测方法。考虑农村发展规划、经济、人口、自然等影响农村负荷变化的因素，既从时间上预测负荷密度变化，也从地理空间上预测地块功能变化，并利用元胞自动机模型(Cellular Automata，CA)和门控循环单元(Gated ecurrent Unit，GU)网络模型分别进行预测，得到农村中长期负荷预测结果。
12、1农村中长期负荷预测基础1 1 农村用电负荷类型分类农村用电负荷是指居民日常用电、农业用电、商业负荷、工业用电、学校、医院、政府等负荷。其中，学校、医院、政府等负荷相对较少，为了简化分析，文中将该类负荷统称为第三产业用电负荷。因此，结合农村用户的实际情况，文中将农村用电负荷分为农村居民日常用电、农业用电、商业用电、工业用电以及第三产业用电负荷。1 2 农村地块类型分类地块类型分类是地块变化研究的基础，不同的地块类型具有不同的用电用户以及用电模式，因此通过对不同地块功能变化的研究，也是对用电用户负荷变化的研究。根据农村地形地貌以及土地的利用特点，将地块分为居民住房用地、农业用地、工业用地、商业用
13、地、水域、林业用地、公共设施用地、公共服务用地、交通设施用地以及未利用地等用地类型。其中，为了简化分析，将公共设施用地、公共服务用地统称为第三产业用地。同时，考虑到生态红线管控要求以及新农村生态文明建设，除政策允许范围内的规划外，由于水域、林地和交通设施用地基本不会转化为其他地块，故将水域、森林用地、交通设施用地统称为特殊用地。因此，本文将地块类型划分为居民住房用地、工业用地、商业用地、农业用地、第三产业用地、未利用地以及特殊用地。其中，由于特殊用地的用电负荷很少，文中认为特殊用地用电负荷为 0。1 3 负荷密度预测模型1 3 1 历史负荷密度计算模型根据台区的供电范围以及台区内不同地块类型的
14、面积，建立了各台区负荷与不同类型负荷密度的关系方程，利用最小二乘法得到不同地块的不同类型负荷密度 15。1 3 2 基于 GU 的负荷密度预测模型循环神经网络(ecurrent Neural Networks，NN)是一种常用的处理时间序列预测问题的网络结构，并且 k 时刻输出状态通过信号反馈结构与 k 时刻以前的历史信号相关联，实现了动态特性，且具有记忆能力。NN 的输入层接收输入矢量，然后将其传递给隐藏层，最后在输出层以未来时间步骤预测一组数据。NN 高维隐藏状态为模型的非线性演化提供了显著的表现力，使得 NN 的隐藏状态能够在许多时间步骤上集成信息，从而做出准确预测。一直以来，NN 的改
15、进结构长短期记忆(LongShort-Term Memory，LSTM)网络由于良好的长期记忆功能，被广泛用于预测时间序列数据。然而，由于其内部结构较为复杂，LSTM 网络的训练通常需要很长时间。因此，Cho 在 LSTM 网络模型的基础上提出了一种GU 网络模型，并且与 LSTM 网络具有相似的单元内数据流。然而，与 LSTM 不同的是 GU 没有单独的存储单元，这在训练数据时更加高效。GU 网络模型如图 1 所示。图 1GU 网络模型Fig 1GU network model由图 1 可知，GU 网络模型是将 LSTM 网络模型的输入门和忘记门通过更新门耦合，以及将复位门直701第 60
16、卷第 4 期电测与仪表Vol 60 No42023 年 4 月 15 日Electrical Measurement InstrumentationApr15，2023接应用于之前的隐藏状态构成。因而 LSTM 复位门的任务在 GU 中被分解为重置门(r)和更新门(z)来完成。其中，r 用于确定是否要将当前状态与先前的信息结合起来，z 则定义需要保留多少内存。GU 单元的更新公式为:zt=(Wzht1，xt)(1)rt=Wrht1，x()t(2)ht=tanh(Whrt*ht1，xt)(3)ht=1 z()t*ht1+zt*槇ht(4)yt=(Woht)(5)式中 为 sigmoid 函数;ht1、ht分别为 t 1、t 时刻 GU 单元的隐藏状态向量;zt为 t 时刻更新门中间状态向量;Wz为更新门权重矩阵;rt为 t 时刻重置门中间状态向量;Wr为重置门权重矩阵;Wh为控制隐藏状态更新的权重矩阵;ht是 t 时刻隐藏状态的备选向量;tanh 为双曲正切激活函数;yt为 t 时刻模型输出;Wo为输出层权重矩阵。将农村历史负荷类型以及影响负荷变化的因素作为深度 GU 神经网络输入，通过
