融合时间序列趋势的Dual-ESN机组负荷预测模型

樊建升，吴海滨，刘泽军

（1.山西焦煤能源集团股份有限公司，太原 030006；2.山西大学资源与环境工程研究所，太原 030006；3.古交西山发电有限公司，太原 030020）

现阶段，我国形成了以火电机组供电为主，新能源发电为辅的多元化新型能源结构[1]。受新能源装机容量的持续增加和用电负荷的间断性影响，电网发供电实时平衡主要依靠燃煤电厂进行调节，燃煤机组的负荷变化区间进一步增大，变化速率要求不断提高。为保证机组运行的安全性和经济性，需要探索机组负荷和多变量之间的演化关系，建立实时精确的机组负荷预测模型[2]，以供工作人员参考负荷变化并及时调参。经典预测方法如指数平滑、回归分析和时间序列等，通常要求负荷数据具有良好的规律性，得到的预测模型简单[3]，无法适应现阶段机组负荷数据复杂多元、预测模型精度要求高的需求。

基于大量历史数据，智能化方法越来越多地被应用在机组负荷预测的研究中。神经网络建模作为一种数据驱动的自适应方法，成为了主流的建模工具。前馈神经网络BP（back propagation neural network）、循环神经网络RNN（recurrent neural network）等已被广泛应用于机组负荷预测建模研究中[3-7]。然而，静态BP无法利用时间序列信息的问题，造成了结构性缺陷。RNN框架具有局部或者全局反馈连接，能够以“时间”先后次序处理工业数据，从而拥有更优越的动力学特性。但传统RNN迭代学习中存在梯度下降和消失的缺陷[8]。ESN摒弃了RNN中迭代学习的网络模型，只通过输出权值以类似回归方法求解，避免了上述缺陷。……