Short-term Load Prediction Based on Combined Model of Long Short-term Memory Network and Light Gradient Boosting Machine

Weinan CHEN; Zhijian HU; Jingpeng YUE; Yixing DU; Qi QI

doi:10.7500/AEPS20200312005

您当前的位置：

首页 >

文章列表页 >

Short-term Load Prediction Based on Combined Model of Long Short-term Memory Network and Light Gradient Boosting Machine

Basic Research | 更新时间：2025-06-16

- Short-term Load Prediction Based on Combined Model of Long Short-term Memory Network and Light Gradient Boosting Machine
- Automation of Electric Power Systems Vol. 45, Issue 4, Pages: 91-97(2021)
- 作者机构：
  
  1.武汉大学电气与自动化学院，湖北省武汉市 430072
  2.广东电网有限责任公司电力科学研究院，广东省广州市 510080
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China
- DOI：10.7500/AEPS20200312005
  CLC：
- Received：12 March 2020，
  
  Revised：2020-05-16，
  
  Published Online：03 August 2020，
  
  Published：25 February 2021
- 稿件说明：
移动端阅览
陈纬楠,胡志坚,岳菁鹏等.基于长短期记忆网络和LightGBM组合模型的短期负荷预测[J].电力系统自动化,2021,45(4):91-97.

CHEN Weinan,HU Zhijian,YUE Jingpeng,et al.Short-term Load Prediction Based on Combined Model of Long Short-term Memory Network and Light Gradient Boosting Machine[J].Automation of Electric Power Systems,2021,45(4):91-97.
陈纬楠,胡志坚,岳菁鹏等.基于长短期记忆网络和LightGBM组合模型的短期负荷预测[J].电力系统自动化,2021,45(4):91-97. DOI： 10.7500/AEPS20200312005.

CHEN Weinan,HU Zhijian,YUE Jingpeng,et al.Short-term Load Prediction Based on Combined Model of Long Short-term Memory Network and Light Gradient Boosting Machine[J].Automation of Electric Power Systems,2021,45(4):91-97. DOI： 10.7500/AEPS20200312005.

摘要

短期负荷预测是电网安全调度与平稳运行的基础，为进一步提升负荷预测的精度，提出了基于长短期记忆(LSTM)网络和轻梯度提升机(LightGBM)的组合预测模型。首先，根据LSTM网络和LightGBM模型的输入结构，将预处理后的负荷数据、温度数据、日期数据以及节假日信息分别输入2个模型中，通过训练得出各自的预测结果。然后，采用最优加权组合法确定权重系数，并得出组合模型的预测值。最后，采用实际负荷数据进行算例分析，结果表明所提方法能够有效结合2种模型的优点，在保留对时序数据整体感知的同时兼顾非连续特征的有效信息，与其他模型相比具有更高的预测精度。

Abstract

Short-term load prediction is the basis for safe dispatch and smooth operation of the power grid. To further improve the accuracy of load prediction

a combined prediction model based on long short-term memory (LSTM) network and light gradient boosting machine (LightGBM) is proposed. Firstly

according to the input structure of the LSTM network and LightGBM model

the pre-processed load data

temperature data

date data and holiday information are input into the two models

and the respective prediction results are obtained after training. Then

the optimal weighted combination method is used to determine the weight coefficients

and the prediction value of the combined model is obtained. Finally

taking actual load data as examples for analysis

the results show that the proposed method can effectively combine the advantages of the two models. It takes the effective information of discontinuous features into account while preserving the overall perception of time-series data. Compared with other models

the proposed method has higher prediction accuracy.

关键词

Keywords

references

吴云，雷建文，鲍丽山，等 . 基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测［J］. 电力系统自动化， 2018 ， 42 （ 20 ）： 67 - 72 .

WU Yun ， LEI Jianwen ， BAO Lishan ， et al . Short-term load forecasting based on improved grey relational analysis and neural network optimized by bat algorithm ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 20 ）： 67 - 72 .

孔祥玉，李闯，郑锋，等 . 基于经验模态分解与特征相关分析的短期负荷预测方法［J］. 电力系统自动化， 2019 ， 43 （ 5 ）： 46 - 52 .

KONG Xiangyu ， LI Chuang ， ZHENG Feng ， et al . Short-term load forecasting method based on empirical mode decomposition and feature correlation analysis ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 5 ）： 46 - 52 .

YILDIZ B ， BILBAO J I ， SPROUL A B . A review and analysis of regression and machine learning models on commercial building electricity load forecasting ［J］. Renewable and Sustainable Energy Reviews ， 2017 ， 73 ： 1104 - 1122 .

FANG J ， XING Y ， FU Y ， et al . Rural power system load forecast based on principal component analysis ［J］. Journal of Northeast Agricultural University ， 2015 ， 22 （ 2 ）： 67 - 72 .

刘蓉晖，赵才涛 . 基于数据挖掘技术的气温敏感负荷短期预测研究［J］. 电网与清洁能源， 2017 ， 33 （ 11 ）： 32 - 38 .

LIU Ronghui ， ZHAO Caitao . Study of the short-term forecasting of the temperature sensitive load based on data mining technology ［J］. Power system and clean energy ， 2017 ， 33 （ 11 ）： 32 - 38 .

刘鑫，滕欢，宫毓斌，等 . 基于改进卡尔曼滤波算法的短期负荷预测［J］. 电测与仪表， 2019 ， 56 （ 3 ）： 42 - 46 .

LIU Xin ， TENG Huan ， GONG Yubin ， et al . Short-term load forecasting based on the improved Kalman filter algorithm ［J］. Electrical Measurement & Instrumentation ， 2019 ， 56 （ 3 ）： 42 - 46 .

焦润海，苏辰隽，林碧英，等 . 基于气象信息因素修正的灰色短期负荷预测模型［J］. 电网技术， 2013 ， 37 （ 3 ）： 720 - 725 .

JIAO Runhai ， SU Chenjun ， LIN Biying ， et al . Short-term load forecasting by grey model with weather factor-based correction ［J］. Power System Technology ， 2013 ， 37 （ 3 ）： 720 - 725 .

SINGH P ， DWIVEDI P . Integration of new evolutionary approach with artificial neural network for solving short term load forecast problem ［J］. Applied Energy ， 2018 ， 217 ： 537 - 549 .

LLOYD J R . GEFCom2012 hierarchical load forecasting： gradient boosting machines and gaussian processes ［J］. International Journal of Forecasting ， 2014 ， 30 （ 2 ）： 369 - 374 .

赵云，高泽璞，肖勇，等 . 基于多层聚类和改进BP神经网络的短期负荷预测［J］. 武汉大学学报， 2019 ， 52 （ 7 ）： 622 - 629 .

ZHAO Yun ， GAO Zepu ， XIAO Yong ， et al . Short term load forecasting based on multilayer clustering and improved BP neural network ［J］. Engineering Journal of Wuhan University ， 2019 ， 52 （ 7 ）： 622 - 629 .

宫毓斌，滕欢 . 基于GOA-SVM的短期负荷预测［J］. 电测与仪表， 2019 ， 56 （ 14 ）： 12 - 16 .

GONG Yubin ， TENG Huan . Short-term load forecasting based on GOA-SVM ［J］. Electrical Measurement & Instrumentation ， 2019 ， 56 （ 14 ）： 12 - 16 .

熊军华，牛珂，张春歌，等 . 基于小波变异果蝇优化支持向量机短期负荷预测方法研究［J］. 电力系统保护与控制， 2017 ， 45 （ 13 ）： 71 - 77 .

XIONG Junhua ， NIU Ke ， ZHANG Chunge ， et al . LSSVM in short-term load forecasting based on wavelet transform and mutant fruit fly optimization algorithm ［J］. Power System Protection and Control ， 2017 ， 45 （ 13 ）： 71 - 77 .

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 .

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 model ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 8 ）： 131 - 137 .

陈剑强，杨俊杰，楼志斌 . 基于XGBoost算法的新型短期负荷预测模型研究［J］. 电测与仪表， 2019 ， 56 （ 21 ）： 23 - 29 .

CHEN Jianqiang ， YANG Junjie ， LOU Zhibin . A new short-term load forecasting model based on XGBoost algorithm ［J］. Electrical Measurement & Instrumentation ， 2019 ， 56 （ 21 ）： 23 - 29 .

王华勇，杨超，唐华 . 基于LightGBM改进的GBDT短期负荷预测研究［J］. 自动化仪表， 2018 ， 39 （ 9 ）： 76 - 78 .

WANG Huayong ， YANG Chao ， TANG Hua . Research on the short-term load forecasting using improved GBDT based on LightGBM ［J］. Process Automation Instrumentation ， 2018 ， 39 （ 9 ）： 76 - 78 .

BATES J M ， GRANGER C W J . The combination of forecasts ［J］. Journal of the Operational Research Society ， 1969 ， 20 （ 4 ）： 451 - 468 .

许言路，张建森，吉星，等 . 基于多模型融合神经网络的短期负荷预测［J］. 控制工程， 2019 ， 26 （ 4 ）： 619 - 624 .

XU Yanlu ， ZHANG Jiansen ， JI Xing ， et al . Research on short-term load forecasting method based on multi-model fusion neural network ［J］. Control Engineering of China ， 2019 ， 26 （ 4 ）： 619 - 624 .

白杨，赵冠，窦金延，等 . 基于并行膜计算的短期电力负荷组合预测［J］. 电力系统保护与控制， 2017 ， 45 （ 7 ）： 35 - 42 .

BAI Yang ， ZHAO Guan ， DOU Jinyan ， et al . Short-term power load combination forecasting based on parallel membrane computing ［J］. Power System Protection and Control ， 2017 ， 45 （ 7 ）： 35 - 42 .

张宇帆，艾芊，林琳，等 . 基于深度长短时记忆网络的区域级超短期负荷预测方法［J］. 电网技术， 2019 ， 43 （ 6 ）： 1884 - 1891 .

ZHANG Yufan ， AI Qian ， LIN Lin ， et al . A very short-term load forecasting method based on deep LSTM RNN at zone level ［J］. Power System Technology ， 2019 ， 43 （ 6 ）： 1884 - 1891 .

周挺，杨军，周强明，等 . 基于改进LightGBM的电力系统暂态稳定评估方法［J］. 电网技术， 2019 ， 43 （ 6 ）： 1931 - 1940 .

ZHOU Ting ， YANG Jun ， ZHOU Qiangming ， et al . Power system transient stability assessment method based on modified LightGBM ［J］. Power System Technology ， 2019 ， 43 （ 6 ）： 1931 - 1940 .

赵冬红，刘文颖 . 基于负荷预测模型特性的组合预测新方法［J］. 现代电力， 2008 ， 25 （ 6 ）： 21 - 26 .

ZHAO Donghong ， LIU Wenying . New combined load forecasting method based on model characteristics ［J］. Modern Electric Power ， 2008 ， 25 （ 6 ）： 21 - 26 .

HONG T ， PINSON P ， FAN S . Global energy forecasting competition 2012 ［J］. International Journal of Forecasting ， 2014 ， 30 （ 2 ）： 357 - 363 .

纪昌明，周婷，向腾飞，等 . 基于网格搜索和交叉验证的支持向量机在梯级水电系统隐随机调度中的应用［J］. 电力自动化设备， 2014 ， 34 （ 3 ）： 125 - 131 .

JI Changming ， ZHOU Ting ， XIANG Tengfei ， et al . Application of support vector machine based on grid search and cross validation in implicit stochastic dispatch of cascaded hydropower stations ［J］. Electric Power Automation Equipment ， 2014 ， 34 （ 3 ）： 125 - 131 .

杨红军，王胜辉，李潇潇 . 基于最优加权组合模型的光伏出力预测［J］. 沈阳工程学院学报， 2019 ， 15 （ 4 ）： 300 - 305 .

YANG Hongjun ， WANG Shenghui ， LI Xiaoxiao . Photovoltaic output prediction based on the optimal weighted combination model ［J］. Journal of Shenyang Institute of Engineering ， 2019 ， 15 （ 4 ）： 300 - 305 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Emergency Control Strategy of Power Grid Voltage Stability Based on Convolutional Neural Network and Long Short-term Memory Network

Feature Decoupling Peak-load Forecasting Model Considering Meteorological Cumulative Effect

Probability Prediction Based Risk Assessment and Proactive Regulation and Control Strategy for Static Operation Safety of Power Grid

Wind Power Ramp Forecast Based on Feature Extraction Using Convolutional Neural Network

Interval Estimation of Wind Power Based on Error Classification

Related Author

DING Tao

GAO Xin

QIN Boyu

ZHANG Zhe

Ping JU

Bo LIU

Pengfei DING

Chuan QIN

Related Institution

School of Electrical Engineering, Xi'an Jiaotong University

College of Energy and Electrical Engineering, Hohai University

Huaian Power Supply Company, State Grid Jiangsu Electric Power Co., Ltd., Huaian

Central China Branch of State Grid Corporation of China

School of Electrical and Power Engineering, China University of Mining and Technology

⁰