Short-Term Load Forecasting Based on Mutual Information and Bi-directional Long Short-term Memory Network Considering Fluctuation in Importance Values of Features

Hui SUN; Fan YANG; Zhengnan GAO; Shubo HU; Zhonghui WANG; Jinsong LIU

doi:10.7500/AEPS20210625008

您当前的位置：

首页 >

文章列表页 >

Short-Term Load Forecasting Based on Mutual Information and Bi-directional Long Short-term Memory Network Considering Fluctuation in Importance Values of Features

Basic Research | 更新时间：2025-06-16

- Short-Term Load Forecasting Based on Mutual Information and Bi-directional Long Short-term Memory Network Considering Fluctuation in Importance Values of Features
- Automation of Electric Power Systems Vol. 46, Issue 8, Pages: 95-103(2022)
- 作者机构：
  
  1.大连理工大学电子信息与电气工程学部,辽宁省大连市 116024
  2.国网辽宁省电力有限公司电力科学研究院,辽宁省沈阳市 110055
  3.国网辽宁省电力有限公司调度控制中心,辽宁省沈阳市 110004
- 作者简介：
- 基金信息：
  
  National Key R&D Program of China(2019YFB1505400)
- DOI：10.7500/AEPS20210625008
  CLC：
- Received：25 June 2021，
  
  Revised：2021-12-15，
  
  Published Online：04 March 2022，
  
  Published：25 April 2022
- 稿件说明：
移动端阅览
孙辉,杨帆,高正男等.考虑特征重要性值波动的MI-BILSTM短期负荷预测[J].电力系统自动化,2022,46(8):95-103.

SUN Hui,YANG Fan,GAO Zhengnan,et al.Short-Term Load Forecasting Based on Mutual Information and Bi-directional Long Short-term Memory Network Considering Fluctuation in Importance Values of Features[J].Automation of Electric Power Systems,2022,46(8):95-103.
孙辉,杨帆,高正男等.考虑特征重要性值波动的MI-BILSTM短期负荷预测[J].电力系统自动化,2022,46(8):95-103. DOI： 10.7500/AEPS20210625008.

SUN Hui,YANG Fan,GAO Zhengnan,et al.Short-Term Load Forecasting Based on Mutual Information and Bi-directional Long Short-term Memory Network Considering Fluctuation in Importance Values of Features[J].Automation of Electric Power Systems,2022,46(8):95-103. DOI： 10.7500/AEPS20210625008.

摘要

在短期负荷预测中，含有循环单元的深度学习模型应用广泛，但训练时采用的权值共享结构具有时不变性，忽略了输入特征(气象、日期、历史负荷值等)在不同时刻下给负荷变化带来的不同影响，即权值共享结构无法追踪输入特征的重要性值波动。针对此问题，提出一种考虑特征重要性值波动的互信息(MI)-双向长短期记忆(BILSTM)网络预测方法。利用MI法提取输入特征在不同时刻下的重要性值，组成重要性值波动矩阵，并将其作为系数修正原输入特征。然后，代入BILSTM网络中完成训练和预测工作，弥补权值共享结构无法追踪特征重要性值波动的缺陷，进一步提高预测精度。最后，以某地区实际电网负荷数据为例，验证所提短期负荷预测方法的有效性。

Abstract

In short-term load forecasting

deep learning models with recurrent units are widely used. However

the weight sharing structure used during training is time-invariant

ignoring different influence of input features (weather

date

historical load value

etc.) on load changes at different moments

ie.

the weight sharing structure cannot track the fluctuations in the importance values of input features. To solve this problem

this paper proposes a forecasting method based on mutual information (MI) and bi-directional long short-term memory (BILSTM) network considering fluctuations in the importance values of features. The MI method is used to extract the importance value of input features at different moments

and constitute the fluctuant matrix of the importance values of input features

which is used as coefficients to correct the original input feature. Then

the corrected features are substituted into the BILSTM network to complete the training and forecasting

which makes up for the defect that the weight sharing structure cannot track the fluctuations in the importance values of input features and further improves the forecasting accuracy. Finally

taking the load data of the actual grid in a certain region as an example

the effectiveness of the proposed short-term load forecasting method is verified.

关键词

Keywords

references

康重庆，夏清，张伯明 . 电力系统负荷预测研究综述与发展方向的探讨［J］. 电力系统自动化， 2004 ， 28 （ 17 ）： 1 - 11 .

KANG Chongqing ， XIA Qing ， ZHANG Boming . Review of power system load forecasting and its development ［J］. Automation of Electric Power Systems ， 2004 ， 28 （ 17 ）： 1 - 11 .

FENG Y T ， ZHANG P X ， YANG M ， et al . Short term load forecasting of offshore oil field microgrids based on DA-SVM ［J］. Energy Procedia ， 2019 ， 158 ： 2448 - 2455 .

蔡舒平，张保会，汤大海，等 . 短期负荷预测中气象因素处理的费歇信息方法［J］. 电力自动化设备， 2020 ， 40 （ 3 ）： 141 - 146 .

CAI Shuping ， ZHANG Baohui ， TANG Dahai ， et al . Fisher information method for processing weather factors in short-term load forecasting ［J］. Electric Power Automation Equipment ， 2020 ， 40 （ 3 ）： 141 - 146 .

王东，史晓霞，尹交英 . 不同核函数的支持向量机用于空调负荷预测的对比研究［J］. 电工技术学报， 2015 ， 30 （增刊1 ）： 531 - 535 .

WANG Dong ， SHI Xiaoxia ， YIN Jiaoying . Prediction on hourly load of air conditioning by RBF support vector machine ［J］. Transactions of China Electrotechnical Society ， 2015 ， 30 （ Supplement 1 ）： 531 - 535 .

CECATI C ， KOLBUSZ J ， RÓŻYCKI P ， et al . A novel RBF training algorithm for short-term electric load forecasting and comparative studies ［J］. IEEE Transactions on Industrial Electronics ， 2015 ， 62 （ 10 ）： 6519 - 6529 .

苏学能，刘天琪，曹鸿谦，等 . 基于Hadoop架构的多重分布式BP神经网络的短期负荷预测方法［J］. 中国电机工程学报， 2017 ， 37 （ 17 ）： 4966 - 4973 .

SU Xueneng ， LIU Tianqi ， CAO Hongqian ， et al . A multiple distributed BP neural networks approach for short-term load forecasting based on Hadoop framework ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 17 ）： 4966 - 4973 .

ZHANG T F ， LIU D ， YUE D . Rough neuron based RBF neural networks for short-term load forecasting ［C］// 2017 IEEE International Conference on Energy Internet ， April 17-21 ， 2017 ， Beijing， China .

郑瑞骁，张姝，肖先勇，等 . 考虑温度模糊化的多层长短时记忆神经网络短期负荷预测［J］. 电力自动化设备， 2020 ， 40 （ 10 ）： 181 - 186 .

ZHENG Ruixiao ， ZHANG Shu ， XIAO Xianyong ， et al . Short-term load forecasting of multi-layer long short-term memory neural network considering temperature fuzziness ［J］. Electric Power Automation Equipment ， 2020 ， 40 （ 10 ）： 181 - 186 .

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 .

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 .

GAO X ， LI X B ， ZHAO B ， et al . Short-term electricity load forecasting model based on EMD-GRU with feature selection ［J］. Energies ， 2019 ， 12 （ 6 ）： 1140 .

姚程文，杨苹，刘泽健 . 基于CNN-GRU混合神经网络的负荷预测方法［J］. 电网技术， 2020 ， 44 （ 9 ）： 3416 - 3424 .

YAO Chengwen ， YANG Ping ， LIU Zejian . Load forecasting method based on CNN-GRU hybrid neural network ［J］. Power System Technology ， 2020 ， 44 （ 9 ）： 3416 - 3424 .

葛磊蛟，赵康，孙永辉，等 . 基于孪生网络和长短时记忆网络结合的配电网短期负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 23 ）： 41 - 50 .

GE Leijiao ， ZHAO Kang ， SUN Yonghui ， et al . Short-term load forecasting of distribution network based on combination of siamese network and long short-term memory network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 23 ）： 41 - 50 .

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 .

陈锦鹏，胡志坚，陈纬楠，等 . 二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 13 ）： 85 - 94 .

CHEN Jinpeng ， HU Zhijian ， CHEN Weinan ， et al . Load prediction of integrated energy system based on combination of quadratic modal decomposition and deep bidirectional long short-term memory and multiple linear regression ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 13 ）： 85 - 94 .

杨丽，吴雨茜，王俊丽，等 . 循环神经网络研究综述［J］. 计算机应用， 2018 ， 38 （增刊2 ）： 1 - 6 .

YANG Li ， WU Yuxi ， WANG Junli ， et al . Research on recurrent neural network ［J］. Journal of Computer Applications ， 2018 ， 38 （ Supplement 2 ）： 1 - 6 .

DABROWSKI J J ， ZHANG Y F ， RAHMAN A . ForecastNet： a time-variant deep feed-forward neural network architecture for multi-step-ahead time-series forecasting ［C］// Neural Information Processing ， November 18-22 ， 2020 ， Bangkok， Thailand ： 579 - 591 .

朱振伟 . 气象因素对电网负荷特性影响的研究［D］. 杭州：浙江大学， 2008 .

ZHU Zhenwei . Study on the impact of weather factors on characteristics of electric load ［D］. Hangzhou ： Zhejiang University ， 2008 .

WANG Y S ， LIAO W L ， CHANG Y Q . Gated recurrent unit network-based short-term photovoltaic forecasting ［J］. Energies ， 2018 ， 11 （ 8 ）： 2163 .

WANG Y Y ， CHEN J ， CHEN X Q ， et al . Short-term load forecasting for industrial customers based on TCN-LightGBM ［J］. IEEE Transactions on Power Systems ， 2021 ， 36 （ 3 ）： 1984 - 1997 .

AHMAD A ， JAVAID N ， GUIZANI M ， et al . An accurate and fast converging short-term load forecasting model for industrial applications in a smart grid ［J］. IEEE Transactions on Industrial Informatics ， 2017 ， 13 （ 5 ）： 2587 - 2596 .

SUBBIAH S S ， CHINNAPPAN J . An improved short term load forecasting with ranker based feature selection technique ［J］. Journal of Intelligent & Fuzzy Systems ， 2020 ， 39 （ 5 ）： 6783 - 6800 .

USAMA M ， MOGHAVVEMI M ， MOKHLIS H ， et al . Optimal protection coordination scheme for radial distribution network considering on/off-grid ［J］. IEEE Access ， 2021 ， 9 ： 34921 - 34937 .

张美霞，李丽，杨秀，等 . 基于高斯混合模型聚类和多维尺度分析的负荷分类方法［J］. 电网技术， 2020 ， 44 （ 11 ）： 4283 - 4296 .

ZHANG Meixia ， LI Li ， YANG Xiu ， et al . A load classification method based on Gaussian mixture model clustering and multi-dimensional scaling analysis ［J］. Power System Technology ， 2020 ， 44 （ 11 ）： 4283 - 4296 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Personalized Short-term Residential Load Forecasting Considering Missing Feature

Short-term Residential Load Forecasting Based on Dynamic Association Graph Attention Networks for Virtual Power Plant

Characteristic Analysis and Load Forecasting Based on Bayesian Method and Interpretable Machine Learning

Related Author

Zhengnan GAO

FENG Changsen

QIAN Yifei

SHAO Liang

WEN Fushuan

ZHANG Youbing

ZHANG Junkai

HU Xuguang

Related Institution

College of Electrical Engineering, Zhejiang University

College of Information Engineering, Zhejiang University of Technology

College of Information Science and Engineering, Northeastern University

Hainan Power Transmission and Transformation Maintenance Branch of Hainan Power Grid Co., Ltd., Haikou 570100, China

Power Dispatching and Control Centre of China Southern Power Grid, Guangzhou 510663, China

⁰