Short-term Load Forecasting Based on Holt-Winters Exponential Smoothing and Temporal Convolutional Network

Guohua YANG; Haofeng ZHENG; Honghao ZHANG; Rui JIA

doi:10.7500/AEPS20210409003

您当前的位置：

首页 >

文章列表页 >

Short-term Load Forecasting Based on Holt-Winters Exponential Smoothing and Temporal Convolutional Network

Basic Research | 更新时间：2025-06-16

- Short-term Load Forecasting Based on Holt-Winters Exponential Smoothing and Temporal Convolutional Network
- Automation of Electric Power Systems Vol. 46, Issue 6, Pages: 73-82(2022)
- 作者机构：
  
  1.宁夏大学物理与电子电气工程学院,宁夏回族自治区银川市 750021
  2.宁夏电力能源安全自治区重点实验室,宁夏回族自治区银川市 750004
- 作者简介：
- 基金信息：
  
  Natural Science Foundation of Ningxia(2021AAC03062);National Natural Science Foundation of China(71263043)
- DOI：10.7500/AEPS20210409003
  CLC：
- Received：09 April 2021，
  
  Revised：2021-09-27，
  
  Published Online：21 December 2021，
  
  Published：25 March 2022
- 稿件说明：
移动端阅览
杨国华,郑豪丰,张鸿皓等.基于Holt-Winters指数平滑和时间卷积网络的短期负荷预测[J].电力系统自动化,2022,46(6):73-82.

YANG Guohua,ZHENG Haofeng,ZHANG Honghao,et al.Short-term Load Forecasting Based on Holt-Winters Exponential Smoothing and Temporal Convolutional Network[J].Automation of Electric Power Systems,2022,46(6):73-82.
杨国华,郑豪丰,张鸿皓等.基于Holt-Winters指数平滑和时间卷积网络的短期负荷预测[J].电力系统自动化,2022,46(6):73-82. DOI： 10.7500/AEPS20210409003.

YANG Guohua,ZHENG Haofeng,ZHANG Honghao,et al.Short-term Load Forecasting Based on Holt-Winters Exponential Smoothing and Temporal Convolutional Network[J].Automation of Electric Power Systems,2022,46(6):73-82. DOI： 10.7500/AEPS20210409003.

摘要

为提升短期电力负荷预测的精度，着眼于特征组合的构建，提出了一种基于Holt-Winters指数平滑的特征组合(FCHW)，并结合时间卷积网络(TCN)构建了FCHW-TCN负荷预测框架。首先，应用Holt-Winters指数平滑进行负荷序列预测，得到与负荷序列相关的级别分量和季节性分量。通过将上述分量用作输入特征，并与常规特征(历史负荷、日期)构成特征组合，构建了FCHW；其次，选择TCN作为预测模型，以FCHW作为TCN输入，搭建了FCHW-TCN预测框架；最后，采用2个不同负荷数据集和多个预测模型对FCHW和FCHW-TCN进行验证。结果表明

FCHW有助于模型预测精度的提升；与其他预测模型相比，FCHW-TCN预测框架有着最高的预测精度，具有优越的预测能力。

Abstract

In order to improve the accuracy of short-term load forecasting

focusing on the construction of feature combinations

a feature combination based on Holt-Winters exponential smoothing (FCHW) is proposed. And combined with the temporal convolutional network (TCN)

the FCHW-TCN load forecasting framework is established. Firstly

the Holt-Winters exponential smoothing is applied to the load sequence forecasting

and the level component and seasonal component related to the load sequence are obtained. By using the above components as input features and combining them with conventional features (historical load

date)

the FCHW is constructed. Secondly

the TCN is chosen as the forecasting model

and the FCHW acts as the input of the TCN to build the FCHW-TCN forecasting framework. Finally

two different load data sets and multiple forecasting models are used to verify the FCHW and the FCHW-TCN. The results show that the FCHW contributes to the improvement of the forecasting accuracy for models. Compared with other forecasting models

FCHW-TCN forecasting framework has the highest forecasting accuracy and superior forecasting ability.

关键词

Keywords

references

康重庆，夏清，刘梅 . 电力系统负荷预测［Ｍ］. 北京：中国电力出版社， 2007 ．

KANG Chongqing ， XIA Qing ， LIU Mei . Power system load forecasting ［M］. Beijing ： China Electric Power Press ， 2007 .

梅建春，卫志农，张勇，等 . 电-气互联综合能源系统多时间尺度动态优化调度［J］. 电力系统自动化， 2018 ， 42 （ 13 ）： 36 - 42 .

MEI Jianchun ， WEI Zhinong ， ZHANG Yong ， et al . Dynamic optimal dispatch with multiple time scale in integrated power and gas energy systems ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 13 ）： 36 - 42 .

席雅雯，吴俊勇，石琛，等 . 融合历史数据和实时影响因素的精细化负荷预测［J］. 电力系统保护与控制， 2019 ， 47 （ 1 ）： 80 - 87 .

XI Yawen ， WU Junyong ， SHI Chen ， et al . A refined load forecasting based on historical data and real-time influencing factors ［J］. Power System Protection and Control ， 2019 ， 47 （ 1 ）： 80 - 87 .

赵佩，代业明 . 基于实时电价和加权灰色关联投影的SVM电力负荷预测［J］. 电网技术， 2020 ， 44 （ 4 ）： 1325 - 1332 .

ZHAO Pei ， DAI Yeming . Power load forecasting of SVM based on real-time price and weighted grey relational projection algorithm ［J］. Power System Technology ， 2020 ， 44 （ 4 ）： 1325 - 1332 .

李焱，贾雅君，李磊，等 . 基于随机森林算法的短期电力负荷预测［J］. 电力系统保护与控制， 2020 ， 48 （ 21 ）： 117 - 124 .

LI Yan ， JIA Yajun ， LI Lei ， et al . Short term power load forecasting based on a stochastic forest algorithm ［J］. Power System Protection and Control ， 2020 ， 48 （ 21 ）： 117 - 124 .

庄家懿，杨国华，郑豪丰，等 . 基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法［J］. 中国电力， 2021 ， 54 （ 5 ）： 46 - 55 .

ZHUANG Jiayi ， YANG Guohua ， ZHENG Haofeng ， et al . Short-term load forecasting method based on multi-model fusion using CNN-LSTM-XGBoost framework ［J］. Electric Power ， 2021 ， 54 （ 5 ）： 46 - 55 .

陈振宇，刘金波，李晨，等 . 基于LSTM与XGBoost组合模型的超短期电力负荷预测［J］. 电网技术， 2020 ， 44 （ 2 ）： 614 - 620 .

CHEN Zhenyu ， LIU Jinbo ， LI Chen ， et al . Ultra short-term power load forecasting based on combined LSTM-XGBoost model ［J］. Power System Technology ， 2020 ， 44 （ 2 ）： 614 - 620 .

郭玲，徐青山，郑乐 . 基于TCN-GRU模型的短期负荷预测方法［J］. 电力工程技术， 2021 ， 40 （ 3 ）： 66 - 71 .

GUO Ling ， XU Qingshan ， ZHENG Le . A forecasting method for short-term load based on TCN-GRU model ［J］. Electric Power Engineering Technology ， 2021 ， 40 （ 3 ）： 66 - 71 .

赵兵，王增平，纪维佳，等 . 基于注意力机制的CNN-GRU短期电力负荷预测方法［J］. 电网技术， 2019 ， 43 （ 12 ）： 4370 - 4376 .

ZHAO Bing ， WANG Zengping ， JI Weijia ， et al . A short-term power load forecasting method based on attention mechanism of CNN-GRU ［J］. Power System Technology ， 2019 ， 43 （ 12 ）： 4370 - 4376 .

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 .

庄家懿，杨国华，郑豪丰，等 . 并行多模型融合的混合神经网络超短期负荷预测［J］. 电力建设， 2020 ， 41 （ 10 ）： 1 - 8 .

ZHUANG Jiayi ， YANG Guohua ， ZHENG Haofeng ， et al . Ultra-short-term load forecasting using hybrid neural network based on parallel multi-model combination ［J］. Electric Power Construction ， 2020 ， 41 （ 10 ）： 1 - 8 .

KIM J ， MOON J ， HWANG E ， et al . Recurrent inception convolution neural network for multi short-term load forecasting ［J］. Energy and Buildings ， 2019 ， 194 ： 328 - 341 .

杨智宇，刘俊勇，刘友波，等 . 基于自适应深度信念网络的变电站负荷预测［J］. 中国电机工程学报， 2019 ， 39 （ 14 ）： 4049 - 4061 .

YANG Zhiyu ， LIU Junyong ， LIU Youbo ， et al . Transformer load forecasting based on adaptive deep belief network ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 14 ）： 4049 - 4061 .

DUDEK G ， PEŁKA P ， SMYL S . A hybrid residual dilated LSTM and exponential smoothing model for midterm electric load forecasting ［J/OL］. IEEE Transactions on Neural Networks and Learning Systems ［ 2021-01-08 ］. https：//ieeexplore.ieee.org/document/9316921 https://ieeexplore.ieee.org/document/9316921 .

HYNDMAN R J ， ATHANASOPOULOS G . Forecasting： principles and practice ［EB/OL］. ［ 2021-05-01 ］. https：//robjhyndman.com/seminars/uwa/ https://robjhyndman.com/seminars/uwa/ .

朱刘柱，王绪利，马静，等 . 基于小波包分解与循环神经网络的综合能源系统短期负荷预测［J］. 电力建设， 2020 ， 41 （ 12 ）： 131 - 138 .

ZHU Liuzhu ， WANG Xuli ， MA Jing ， et al . Short-term load forecast of integrated energy system based on wavelet packet decomposition and recurrent neural network ［J］. Electric Power Construction ， 2020 ， 41 （ 12 ）： 131 - 138 .

李鹏，何帅，韩鹏飞，等 . 基于长短期记忆的实时电价条件下智能电网短期负荷预测［J］. 电网技术， 2018 ， 42 （ 12 ）： 4045 - 4052 .

LI Peng ， HE Shuai ， HAN Pengfei ， et al . Short-term load forecasting of smart grid based on long-short-term memory recurrent neural networks in condition of real-time electricity price ［J］. Power System Technology ， 2018 ， 42 （ 12 ）： 4045 - 4052 .

彭文，王金睿，尹山青 . 电力市场中基于Attention-LSTM的短期负荷预测模型［J］. 电网技术， 2019 ， 43 （ 5 ）： 1745 - 1751 .

PENG Wen ， WANG Jinrui ， YIN Shanqing . Short-term load forecasting model based on attention-LSTM in electricity market ［J］. Power System Technology ， 2019 ， 43 （ 5 ）： 1745 - 1751 .

LINGE Y ， DUMAS C ， LAMBERT-LACROIX S . Mutual information coefficient analysis ［J］. International Association for Cryptologic Research ， 2014 ， 12 ： 2012 .

BAI S ， KOLTER J Z ， KOLTUN V . An empirical evaluation of generic convolutional and recurrent networks for sequence modeling ［EB/OL］. ［ 2021-05-01 ］. https：//arxiv.org/pdf/1803.01271.pdf https://arxiv.org/pdf/1803.01271.pdf .

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

OORD A V D ， DIELEMAN S ， ZEN H ， et al . WaveNet： a generative model for raw audio ［EB/OL］. ［ 2021-05-01 ］. https：//arxiv.org/pdf/1609.03499.pdf https://arxiv.org/pdf/1609.03499.pdf .

ENTSOE数据平台［EB/OL］. ［ 2021-05-01 ］. https：//transparency.entsoe.eu/dashboard/show https://transparency.entsoe.eu/dashboard/show .

Entsoe data platform ［EB/OL］. ［ 2021-05-01 ］. https：//transparency.entsoe.eu/dashboard/show https://transparency.entsoe.eu/dashboard/show .

PEDREGOSA F ， VAROQUAUX G ， GRAMFORT A ， et al ． Scikit-learn：machine learning in Python ［J］. Journal of Machine Learning Research ， 2011 （ 12 ）： 2825 - 2830 .

FRANCOIS C . Deep learning with Python ［M］. Greenwich， USA ： Manning Publications ， 2017 .

王毅，谷亿，丁壮，等 . 基于模糊熵和集成学习的电动汽车充电需求预测［J］. 电力系统自动化， 2020 ， 44 （ 3 ）： 114 - 121 .

WANG Yi ， GU Yi ， DING Zhuang ， et al . Charging demand forecasting of electric vehicle based on empirical mode decomposition-fuzzy entropy and ensemble learning ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 3 ）： 114 - 121 .

赵倩，黄景涛 . 基于EMD-SA-SVR的超短期风电功率预测研究［J］. 电力系统保护与控制， 2020 ， 48 （ 4 ）： 89 - 96 .

ZHAO Qian ， HUANG Jingtao . On ultra-short-term wind power prediction based on EMD-SA-SVR ［J］. Power System Protection and Control ， 2020 ， 48 （ 4 ）： 89 - 96 .

SUN W ， LI Z Q . Hourly PM2.5 concentration forecasting based on mode decomposition-recombination technique and ensemble learning approach in severe haze episodes of China ［J］. Journal of Cleaner Production ， 2020 ， 263 ： 121442 .

CHEN Y ， XU X Q ， KOCH T . Day-ahead high-resolution forecasting of natural gas demand and supply in Germany with a hybrid model ［J］. Applied Energy ， 2020 ， 262 ： 114486 .

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 .

LU H F ， MA X ， HUANG K ， et al . Carbon trading volume and price forecasting in China using multiple machine learning models ［J］. Journal of Cleaner Production ， 2020 ， 249 ： 119386 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Ultra-short-term Load Forecasting Considering Missing Data in Anomalous Scenarios

Bi-level Energy Scheduling Strategy for Hydrogen-powered Ships Combined with Multi-step Load Forecasting

Short-term Net Load Forecasting Considering Thermal Effect of Rooftop Photovoltaic

Short-term Load Probabilistic Forecasting Based on Conditional Enhanced Diffusion Model

Related Author

Guohua YANG

Haofeng ZHENG

Honghao ZHANG

Rui JIA

LI Jiawen

SUN Yonghui

WANG Sen

ZHANG Ziwei

Related Institution

School of Physics and Electronic-Electrical Engineering, Ningxia University

Key Laboratory of Ningxia Electric Power Security Autonomous Region

College of Artificial Intelligence and Automation, Hohai University

School of Applied Technology, Nanjing Institute of Technology

School of Electrical Engineering, Shandong University

⁰