Short-term Load Forecasting for Integrated Energy System Based on Coupling Features and Multi-task Learning

Zhonglin LYU; Jie GU; Lu MENG

doi:10.7500/AEPS20210924002

您当前的位置：

首页 >

文章列表页 >

Short-term Load Forecasting for Integrated Energy System Based on Coupling Features and Multi-task Learning

Basic Research | 更新时间：2025-06-16

- Short-term Load Forecasting for Integrated Energy System Based on Coupling Features and Multi-task Learning
- Automation of Electric Power Systems Vol. 46, Issue 11, Pages: 58-66(2022)
- 作者机构：
  
  上海交通大学电子信息与电气工程学院大数据工程技术研究中心，上海市 200240
- 作者简介：
- 基金信息：
  
  Scientific Research Project of Shanghai Science and Technology Committee(18DZ1100303)
- DOI：10.7500/AEPS20210924002
  CLC：
- Received：24 September 2021，
  
  Revised：2021-12-13，
  
  Published Online：07 March 2022，
  
  Published：10 June 2022
- 稿件说明：
移动端阅览
吕忠麟,顾洁,孟璐.基于耦合特征与多任务学习的综合能源系统短期负荷预测[J].电力系统自动化,2022,46(11):58-66.

LYU Zhonglin,GU Jie,MENG Lu.Short-term Load Forecasting for Integrated Energy System Based on Coupling Features and Multi-task Learning[J].Automation of Electric Power Systems,2022,46(11):58-66.
吕忠麟,顾洁,孟璐.基于耦合特征与多任务学习的综合能源系统短期负荷预测[J].电力系统自动化,2022,46(11):58-66. DOI： 10.7500/AEPS20210924002.

LYU Zhonglin,GU Jie,MENG Lu.Short-term Load Forecasting for Integrated Energy System Based on Coupling Features and Multi-task Learning[J].Automation of Electric Power Systems,2022,46(11):58-66. DOI： 10.7500/AEPS20210924002.

摘要

在区域型综合能源系统（IES）内各负荷间耦合程度逐渐增强和对更准确、可靠的用能预测需求日益提高的背景下，提出一种基于耦合特征构造及多任务学习的IES冷热电负荷短期预测方法。首先，从特征工程的角度利用耦合特征挖掘算法构造IES冷热电负荷耦合特征变量，提取不同能源负荷需求间的耦合特征，进而将负荷历史数据、耦合特征变量及气温等外生变量作为模型输入，利用多任务学习的共享机制建立IES的负荷预测模型，使得各能源预测子任务间的高维特征及模型参数能够通过基于长短期记忆神经网络搭建的共享学习层相互借鉴，以实现对负荷间耦合特征的充分挖掘和利用。以美国亚利桑那州立大学坦佩校区IES为例，通过预测结果精度对比和深度学习模型可解释性研究，证明所提出的预测方法可以有效提高区域型IES冷热电短期负荷预测的精度。

Abstract

In the background of increasing coupling degree among different loads in the regional integrated energy system (IES) and increasing demand for more accurate and reliable energy consumption forecasting

a short-term forecasting method of cooling

heating and electrical loads in IES based on coupling feature construction and multi-task learning is proposed. First

from the perspective of feature engineering

the coupling feature mining algorithm is used to construct the coupling feature variables of cooling

heating and electrical loads in IES

and the coupling features among different energy load demands are extracted. Then

taking the exogenous variables such as load history data

coupling feature variables and the temperature as the model inputs

the load forecasting model of IES is established by using the sharing mechanism of multi-task learning

which makes the high-dimensional features and model parameters among energy forecasting subtasks be used for mutual reference through a shared learning layer built by long short-term memory neural network

so that the full exploitation and utilization of load coupling features can be realized. Taking the IES of Tempe Campus of Arizona State University as an example

this paper proves that the proposed forecasting method can effectively improve the short-term forecasting accuracy of cooling

heating and electrical loads in the regional IES

through the accuracy comparison of forecasting results and the interpretability research of the deep learning model.

关键词

Keywords

references

刘晓鸥，葛少云 . 区域综合能源系统的能效定义及其相关性分析［J］. 电力系统自动化， 2020 ， 44 （ 8 ）： 8 - 18 .

LIU Xiaoou ， GE Shaoyun . Definition and correlation analysis on energy utilization efficiency of regional integrated energy system ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 8 ）： 8 - 18 .

孙庆凯，王小君，张义志，等 . 基于LSTM和多任务学习的综合能源系统多元负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 5 ）： 63 - 70 .

SUN Qingkai ， WANG Xiaojun ， ZHANG Yizhi ， et al . Multiple load prediction of integrated energy system based on long short-term memory and multi-task learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 5 ）： 63 - 70 .

程浩忠，胡枭，王莉，等 . 区域综合能源系统规划研究综述［J］. 电力系统自动化， 2019 ， 43 （ 7 ）： 2 - 13 .

CHENG Haozhong ， HU Xiao ， WANG Li ， et al . Review on research of regional integrated energy system planning ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 7 ）： 2 - 13 .

梁荣，王洪涛，吴奎华，等 . 基于神经网络和ARIMA模型的冷热电短期负荷预测［J］. 电力系统及其自动化学报， 2020 ， 32 （ 3 ）： 52 - 58 .

LIANG Rong ， WANG Hongtao ， WU Kuihua ， et al . Short-term forecasting of cooling， heating and power loads based on neural network and ARIMA model ［J］. Proceedings of the CSU-EPSA ， 2020 ， 32 （ 3 ）： 52 - 58 .

李守茂，戚嘉兴，白星振，等 . 基于IPSO-WNN的综合能源系统短期负荷预测［J］. 电测与仪表， 2020 ， 57 （ 9 ）： 103 - 109 .

LI Shoumao ， QI Jiaxing ， BAI Xingzhen ， et al . A short-term load prediction of integrated energy system based on IPSO-WNN ［J］. Electrical Measurement & Instrumentation ， 2020 ， 57 （ 9 ）： 103 - 109 .

WU K H ， WU J ， FENG L ， et al . An attention-based CNN-LSTM-BiLSTM model for short-term electric load forecasting in integrated energy system ［J］. International Transactions on Electrical Energy Systems ， 2021 ， 31 （ 1 ）： e12637 .

田浩含，撖奥洋，于立涛，等 . 基于GRA-LSTM神经网络的区域综合能源系统多元负荷短期预测模型［J］. 广东电力， 2020 ， 33 （ 5 ）： 44 - 51 .

TIAN Haohan ， HAN Aoyang ， YU Litao ， et al . Research on multi-load short-term forecasting model of regional integrated energy system based on GRA-LSTM neural network ［J］. Guangdong Electric Power ， 2020 ， 33 （ 5 ）： 44 - 51 .

罗凤章，张旭，杨欣，等 . 基于深度学习的综合能源配电系统负荷分析预测［J］. 高电压技术， 2021 ， 47 （ 1 ）： 23 - 32 .

LUO Fengzhang ， ZHANG Xu ， YANG Xin ， et al . Load analysis and prediction of integrated energy distribution system based on deep learning ［J］. High Voltage Engineering ， 2021 ， 47 （ 1 ）： 23 - 32 .

栗然，孙帆，丁星，等 . 考虑多能时空耦合的用户级综合能源系统超短期负荷预测方法［J］. 电网技术， 2020 ， 44 （ 11 ）： 4121 - 4134 .

LI Ran ， SUN Fan ， DING Xing ， et al . Ultra short-term load forecasting for user-level integrated energy system considering multi-energy spatio-temporal coupling ［J］. Power System Technology ， 2020 ， 44 （ 11 ）： 4121 - 4134 .

WANG S M ， WANG S X ， CHEN H W ， et al . Multi-energy load forecasting for regional integrated energy systems considering temporal dynamic and coupling characteristics ［J］. Energy ， 2020 ， 195 ： 116964 .

SHI Y H ， SUK H I ， GAO Y ， et al . Leveraging coupled interaction for multimodal Alzheimer’s disease diagnosis ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2020 ， 31 （ 1 ）： 186 - 200 .

ZHANG L J ， SHI J Q ， WANG L L ， et al . Electricity， heat， and gas load forecasting based on deep multitask learning in industrial-park integrated energy system ［J］. Entropy ， 2020 ， 22 （ 12 ）： 1355 .

TAN Z F ， DE G ， LI M L ， et al . Combined electricity-heat-cooling-gas load forecasting model for integrated energy system based on multi-task learning and least square support vector machine ［J］. Journal of Cleaner Production ， 2020 ， 248 ： 119252 .

史佳琪 . 区域综合能源系统供需预测及优化运行技术研究［D］. 北京：华北电力大学， 2019 .

SHI Jiaqi . Energy supply-demand forecasting and optimal operating technology of local-area integrated energy system ［D］. Beijing ： North China Electric Power University ， 2019 .

Arizona State University . Load data ［EB/OL］. ［ 2020-07-15 ］. http：//cm.asu.edu/ http://cm.asu.edu/ .

LUNDBERG S M ， LEE S I . A unified approach to interpreting model predictions ［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems ， December 4-8 ， 2017 ， Long Beach， USA ： 4768 - 4777 .

SHI Y ， GAO Y ， LIAO S ， et al . Semi-automatic segmentation of prostate in CT images via coupled feature representation and spatial-constrained transductive lasso ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2015 ， 37 （ 11 ）： 2286 - 2303 .

杨国清，张凯，王德意，等 . 基于包络线聚类的多模融合超短期光伏功率预测算法［J］. 电力自动化设备， 2021 ， 41 （ 2 ）： 39 - 46 .

YANG Guoqing ， ZHANG Kai ， WANG Deyi ， et al . Multi-mode fusion ultra-short-term photovoltaic power prediction algorithm based on envelope clustering ［J］. Electric Power Automation Equipment ， 2021 ， 41 （ 2 ）： 39 - 46 .

WANG C ， SHE Z ， CAO L . Coupled attribute analysis on numerical data ［C］// Twenty-third International Joint Conference on Artificial Intelligence ， August 3-9 ， 2013 ， Beijing， China .

李滨，陆明珍 . 考虑实时气象耦合作用的地区电网短期负荷预测建模［J］. 电力系统自动化， 2020 ， 44 （ 17 ）： 60 - 68 .

LI Bin ， LU Mingzhen . Short-term load forecasting modeling of regional power grid considering real-time meteorological coupling effect ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 17 ）： 60 - 68 .

周长城，马溪原，郭祚刚，等 . 面向工程应用的用户级综合能源系统规划［J］. 电工技术学报， 2020 ， 35 （ 13 ）： 2843 - 2854 .

ZHOU Changcheng ， MA Xiyuan ， GUO Zuogang ， et al . User-level integrated energy system planning for engineering applications ［J］. Transactions of China Electrotechnical Society ， 2020 ， 35 （ 13 ）： 2843 - 2854 .

张钰，刘建伟，左信 . 多任务学习［J］. 计算机学报， 2020 ， 43 （ 7 ）： 1340 - 1378 .

ZHANG Yu ， LIU Jianwei ， ZUO Xin . Survey of multi-task learning ［J］. Chinese Journal of Computers ， 2020 ， 43 （ 7 ）： 1340 - 1378 .

SUN T X ， SHAO Y F ， LI X N ， et al . Learning sparse sharing architectures for multiple tasks ［J］. Proceedings of the AAAI Conference on Artificial Intelligence ， 2020 ， 34 （ 5 ）： 8936 - 8943 .

BRACALE A ， CARPINELLI G ， DE FALCO P ， et al . Short-term industrial reactive power forecasting ［J］. International Journal of Electrical Power & Energy Systems ， 2019 ， 107 ： 177 - 185 .

National Oceanic and Atmospheric Administration . Weather data ［EB/OL］. ［ 2020-07-15 ］. http：//www.noaa.gov/web.html http://www.noaa.gov/web.html .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Multiple Load Prediction of Integrated Energy System Based on Long Short-term Memory and Multi-task Learning

Review on Energy-Logistics Coupled Optimal Dispatching Models and Methods for Port

Research Review of Planning and Operation Dispatch of Integrated Energy System for Resilience Enhancement

Related Author

Qingkai SUN

Xiaojun WANG

Yizhi ZHANG

Fang ZHANG

Pei ZHANG

Wenzhong GAO

FENG Changsen

QIAN Yifei

Related Institution

School of Electrical Engineering, Beijing Jiaotong University

Department of Electrical & Computer Engineering, University of Denver

College of Information Engineering, Zhejiang University of Technology

College of Electrical Engineering, Zhejiang University

School of Smart Energy, Shanghai Jiao Tong University

⁰