Short-term Load Forecasting in Renewable Energy Grid Based on Bi-directional Long Short-term Memory Network Considering Feature Selection

Long YANG; Hongbin WU; Ming DING; Rui BI

doi:10.7500/AEPS20200202002

您当前的位置：

首页 >

文章列表页 >

Short-term Load Forecasting in Renewable Energy Grid Based on Bi-directional Long Short-term Memory Network Considering Feature Selection

Basic Research | 更新时间：2025-06-16

- Short-term Load Forecasting in Renewable Energy Grid Based on Bi-directional Long Short-term Memory Network Considering Feature Selection
- Automation of Electric Power Systems Vol. 45, Issue 3, Pages: 166-173(2021)
- 作者机构：
  
  安徽省新能源利用与节能省级实验室（合肥工业大学），安徽省合肥市 230009
- 作者简介：
- 基金信息：
  
  National Key R&D Program of China;the Regional Innovation and Development Joint Fund of National Natural Science Foundation of China
- DOI：10.7500/AEPS20200202002
  CLC：
- Received：02 February 2020，
  
  Revised：2020-04-22，
  
  Published Online：08 July 2020，
  
  Published：10 February 2021
- 稿件说明：
移动端阅览
杨龙,吴红斌,丁明等.新能源电网中考虑特征选择的Bi-LSTM网络短期负荷预测[J].电力系统自动化,2021,45(3):166-173.

YANG Long,WU Hongbin,DING Ming,et al.Short-term Load Forecasting in Renewable Energy Grid Based on Bi-directional Long Short-term Memory Network Considering Feature Selection[J].Automation of Electric Power Systems,2021,45(3):166-173.
杨龙,吴红斌,丁明等.新能源电网中考虑特征选择的Bi-LSTM网络短期负荷预测[J].电力系统自动化,2021,45(3):166-173. DOI： 10.7500/AEPS20200202002.

YANG Long,WU Hongbin,DING Ming,et al.Short-term Load Forecasting in Renewable Energy Grid Based on Bi-directional Long Short-term Memory Network Considering Feature Selection[J].Automation of Electric Power Systems,2021,45(3):166-173. DOI： 10.7500/AEPS20200202002.

摘要

新能源电网中负荷对各特征因素更为敏感，当面对海量特征数据时，短期负荷预测方法面临着新的挑战。针对含有高维特征数据的新能源电网，提出一种考虑特征选择的双向长短期记忆(Bi-LSTM)网络短期负荷预测方法。先将样本数据按密度进行聚类后映射到权重诱导空间中，通过定义一种数据结构，以间隔之和最大为目标函数。为实现解空间的稀疏性，将正则项添加到目标函数中，并采用梯度下降法求解特征权值。经过预试验确定特征选择阈值等超参数，从而选出所需的特征因素。最后，使用Bi-LSTM网络基于选择后的数据进行负荷预测。以中国某地区新能源电网为例，验证了该方法的有效性，结果表明其与传统方法相比，具有更好的准确性和适用性。

Abstract

Loads in the renewable energy grid is more sensitive to various feature factors

and there is a new challenge for short-term load forecasting method when facing massive feature data. Aiming at the renewable energy grid with high-dimensional feature data

a short-term load forecasting method based on the bi-directional long short-term memory (Bi-LSTM) network considering feature selection is proposed. The sample data are firstly clustered and mapped into the weight-induced space according to density. By defining a structure of interval measurement data

the maximum interval sum is used as the objective function. In order to achieve the sparsity of the solution space

a regular term is added into the objective function

and the feature weights are solved by the gradient descent algorithm. Hyper-parameters such as the feature selection threshold are determined by pre-tests

and then the required feature factors are selected. Finally

the Bi-LSTM network is used to carry out load forecasting based on the selected data. Taking the renewable energy grid in certain area of China as an example

the effectiveness of the proposed method is verified. And compared with the traditional methods

the proposed method is more accurate and applicable.

关键词

Keywords

references

万灿，贾妍博，李彪，等 . 城镇能源互联网能源交易模式和用户响应研究现状与展望［J］. 电力系统自动化， 2019 ， 43 （ 14 ）： 29 - 40 .

WAN Can ， JIA Yanbo ， LI Biao ， et al . Research status and prospect of energy trading mode and user demand response in urban Energy Internet ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 14 ）： 29 - 40 .

JIANG H ， ZHANG Y ， MULJADI E ， et al . A short-term and high-resolution distribution system load forecasting approach using support vector regression with hybrid parameters optimization ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 4 ）： 3341 - 3350 .

孔祥玉，郑锋，鄂志君，等 . 基于深度信念网络的短期负荷预测方法［J］. 电力系统自动化， 2018 ， 42 （ 5 ）： 133 - 139 .

KONG Xiangyu ， ZHENG Feng ， E Zhijun ， et al . Short-term load forecasting based on deep belief network ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 5 ）： 133 - 139 .

CHEN K ， CHEN K ， WANG Q ， et al . Short-term load forecasting with deep residual networks ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 4 ）： 3943 - 3952 .

陆继翔，张琪培，杨志宏，等 . 基于CNN-LSTM混合神经网络模型的短期负荷预测方法［J］. 电力系统自动化， 2019 ， 43 （ 8 ）： 131 - 137 .

LU Jixiang ， ZHANG Qipei ， YANG Zhihong ， et al . Short-term load forecasting method based on CNN-LSTM hybrid neural network mode ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 8 ）： 131 - 137 .

王增平，赵兵，纪维佳，等 . 基于GRU-NN模型的短期负荷预测方法［J］. 电力系统自动化， 2019 ， 43 （ 5 ）： 53 - 58 .

WANG Zengping ， ZHAO Bing ， JI Weijia ， et al . Short-term load forecasting method based on GRU-NN model ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 5 ）： 53 - 58 .

黄南天，齐斌，刘座铭，等 . 采用面积灰关联决策的高斯过程回归概率短期负荷预测［J］. 电力系统自动化， 2018 ， 42 （ 23 ）： 64 - 71 .

HUANG Nantian ， QI Bin ， LIU Zuoming ， et al . Probabilistic short-term load forecasting using Gaussian process regression with area grey incidence decision making ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 23 ）： 64 - 71 .

MA H ， TANG J . Short-term load forecasting of microgrid based on chaotic particle swarm optimization ［C］// 2019 International Conference on Multidisciplinary Innovations and Research ， April 21 ， 2019 ， Moscow ， Russia： 546 - 550 .

LI B ， ZHANG J ， HE Y ， et al . Short-term load-forecasting method based on wavelet decomposition with second-order gray neural network model combined with ADF test ［J］. IEEE Access ， 2017 ， 5 ： 16324 - 16331 .

WANG Y ， CHEN Q ， ZHANG N ， et al . Conditional residual modeling for probabilistic load forecasting ［J］. IEEE Transactions on Power Systems ， 2018 ， 33 （ 6 ）： 7327 - 7330 .

WANG Y ， ZHANG N ， TAN Y ， et al . Combining probabilistic load forecasts ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 4 ）： 3664 - 3674 .

XIE J ， HONG T . Variable selection methods for probabilistic load forecasting： empirical evidence from seven states of the United States ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 6 ）： 6039 - 6046 .

GAN D ， WANG Y ， YANG S ， et al . Embedding based quantile regression neural network for probabilistic load forecasting ［J］. Journal of Modern Power Systems and Clean Energy ， 2018 ， 6 （ 2 ）： 244 - 254 .

刘俊，赵宏炎，刘嘉诚，等 . 基于协整-格兰杰因果检验和季节分解的中期负荷预测［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 73 - 80 .

LIU Jun ， ZHAO Hongyan ， LIU Jiacheng ， et al . Medium-term load forecasting based on cointegration-Granger causality test and seasonal decomposition ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 73 - 80 .

OUYANG T ， HE Y ， LI H ， et al . Modeling and forecasting short-term power load with Copula model and deep belief network ［J］. IEEE Transactions on Emerging Topics in Computational Intelligence ， 2019 ， 3 （ 2 ）： 127 - 136 .

GONG X ， CARDENAS-BARRERA J ， CASTILLO-GUERRA E ， et al . Bottom-up load forecasting with Markov-based error reduction method for aggregated domestic electric water heaters ［J］. IEEE Transactions on Industry Applications ， 2019 ， 55 （ 6 ）： 6401 - 6413 .

KONG W ， DONG Z ， HILL D ， et al . Short-term residential load forecasting based on resident behavior learning ［J］. IEEE Transactions on Power Systems ， 2018 ， 3 （ 1 ）： 1087 - 1088 .

陈丽丹，张尧， FIGUEIREDO A . 电动汽车充放电负荷预测研究综述［J］. 电力系统自动化， 2019 ， 43 （ 10 ）： 177 - 191 .

CHEN Lidan ， ZHANG Yao ， FIGUEIREDO A . Overview of charging and discharging load forecasting for electric vehicles ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 10 ）： 177 - 191 .

XIE J ， HONG T . Load forecasting using 24 solar terms ［J］. Journal of Modern Power Systems and Clean Energy ， 2018 ， 6 （ 2 ）： 208 - 214 .

林晶怡，李斌，熊敏，等 . 电力负荷影响因素研究［M］. 北京：中国电力出版社， 2016 .

LIN Jingyi ， LI Bin ， XIONG Min ， et al . Study on influencing factors of power load ［M］. Beijing ： China Electric Power Press ， 2016 .

MARTIN E ， HANS P ， JORG S ， et al . A density-based algorithm for discovering clusters in large spatial databases with noise ［C］// Proceedings of 2nd International Conference on Knowledge Discovery and Data Mining ， 1996 ， Portland ， USA .

DEEPAK J ， AKSHI K ， GEETANJALI G . Sarcasm detection in mash-up language using soft-attention based bi-directional LSTM and feature-rich CNN ［EB/OL］. ［ 2020-04-05 ］. https：//www.onacademic.com/detail/journal_1000041624821099_b5b1.html https://www.onacademic.com/detail/journal_1000041624821099_b5b1.html .

TANG X ， DAI Y ， WANG T ， et al . Short-term power load forecasting based on multi-layer bidirectional recurrent neural network ［J］. IET Generation ， Transmission & Distribution ， 2019 ， 13 （ 17 ）： 3847 - 3854 .

ROBERT W ， MARK H ， CHRISTIAN S ， et al . Missing data in cross-sectional networks： an extensive comparison of missing data treatment methods ［J］. Social Networks ， 2020 ， 62 ： 99 - 112 .

胡忠义 . 基于计算智能技术的电力负荷预测理论及应用［M］. 武汉：武汉大学出版社， 2019 .

HU Zhongyi . Theory and application of power load forecasting based on computational intelligence technology ［M］. Wuhan ： Wuhan University Press ， 2019 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

No data

Related Author

BI Jiarui

LIU Chun

SUN Dan

ZHANG Mingyuan

WANG Haijiao

ZHAO Muchi

LI Xue

ZHAO Shukang

Related Institution

College of Electrical Engineering, Zhejiang University

State Key Laboratory of Renewable Energy Grid-integration (China Electric Power Research Institute)

Key Laboratory of Modern Power System Simulation and Control & Renewable Energy Technology, Ministry of Education (Northeast Electric Power University)

School of Electrical Engineering and Automation, Wuhan University

State Key Laboratory of Power Grid Environmental Protection (Wuhan University)

⁰