基于LSTM和多任务学习的综合能源系统多元负荷预测

孙庆凯; 王小君; 张义志; 张放; 张沛; 高文忠

doi:10.7500/AEPS20200306002

您当前的位置：

首页 >

文章列表页 >

基于LSTM和多任务学习的综合能源系统多元负荷预测

学术研究 | 更新时间：2025-06-16

- 基于LSTM和多任务学习的综合能源系统多元负荷预测
- Multiple Load Prediction of Integrated Energy System Based on Long Short-term Memory and Multi-task Learning
- 电力系统自动化-方正平台 2021年45卷第5期页码：63-70
- 作者机构：
  
  1.北京交通大学电气工程学院，北京市 100044
  2.丹佛大学电气与计算机工程学院，丹佛 80208，美国
- 作者简介：
  
  孙庆凯(1992—)，男，博士研究生，主要研究方向：人工智能在综合能源系统优化运行中的应用。E-mail：sunqingkai_123@163.com
  王小君(1978—)，男，通信作者，博士，副教授，主要研究方向：电力系统分析与控制、综合能源系统优化运行。E-mail：xjwang1@bjtu.edu.cn
  张义志(1994—)，男，博士研究生，主要研究方向：综合能源系统优化控制技术。E-mail：18117031@bjtu.edu.com
- 基金信息：
  
  国家自然科学基金资助项目(51977005)
- DOI：10.7500/AEPS20200306002
  中图分类号：
- 收稿日期：2020-03-06，
  
  修回日期：2020-05-28，
  
  网络出版日期：2020-07-17，
  
  纸质出版日期：2021-03-10
- 稿件说明：
移动端阅览
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.
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. DOI： 10.7500/AEPS20200306002.

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. DOI： 10.7500/AEPS20200306002.

摘要

随着综合能源利用技术的不断发展与用户用能需求的多元化，现有单一负荷预测方法难以反映多元负荷间的耦合特性，精确的多元负荷预测将成为综合能源系统优化调度和经济运行的首要前提。基于此，提出一种以长短时记忆神经网络作为共享层的多任务学习负荷预测方法，经由共享层模拟多元负荷间的耦合特性，进而达到提升预测精度的目的。首先，以“硬共享机制+长短时记忆共享层”方式构建多任务学习负荷预测模型，利用共享机制学习不同子任务提供的耦合信息。其次，通过神经网络可解释性技术对离线训练结果进行可视化解释，证实了所构建模型能够利用子任务提供的耦合信息来提高预测精度。最后，与传统模型进行对比分析，结果表明所构建模型在预测精度和时间上具有更好的应用效果。

Abstract

With the continuous development of integrated energy utilization technologies and the diversification of users’ energy consumption needs

the existing method for single type load prediction is difficult to reflect the coupling characteristics of multiple loads. Accurate multiple load prediction will become the primary prerequisite for optimal dispatch and economic operation of integrated energy systems. Based on this

a multi-task learning load prediction method is proposed by using a long short-term memory (LSTM) neural network as a shared layer. In this method

the coupling characteristics of multiple loads are simulated through the shared layer to improve the prediction accuracy. Firstly

a multi-task learning load prediction model is developed by means of “hard sharing mechanism + LSTM sharing layer”

and the sharing mechanism is used to learn the coupling information provided by different subtasks. Secondly

the neural network interpretability technology is used to visually explain the offline training results

which demonstrates that the proposed model can use the coupling information provided by the subtasks to improve the prediction accuracy. Finally

compared with the traditional model

the results show that the proposed model has better effect on prediction accuracy and time.

关键词

Keywords

references

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 energy system planning ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 7 ）： 2 - 13 .

丁涛，牟晨璐，别朝红，等 . 能源互联网及其优化运行研究现状综述［J］. 中国电机工程学报， 2018 ， 38 （ 15 ）： 4318 - 4328 .

DING Tao ， MU Chenlu ， BIE Zhaohong ， et al . Review of energy internet and its operation ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 15 ）： 4318 - 4328 .

曾鸣，刘英新，周鹏程，等 . 综合能源系统建模及效益评价体系综述与展望［J］. 电网技术， 2018 ， 42 （ 6 ）： 1697 - 1708 .

ZENG Ming ， LIU Yingxin ， ZHOU Pengcheng ， et al . Review and prospects of integrated energy system modeling and benefit evaluation ［J］. Power System Technology ， 2018 ， 42 （ 6 ）： 1697 - 1708 .

艾芊，郝然 . 多能互补、集成优化能源系统关键技术及挑战［J］. 电力系统自动化， 2018 ， 42 （ 4 ）： 2 - 10 .

AI Qian ， HAO Ran . Key technologies and challenges for multi-energy complementarity and optimization of integrated energy system ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 4 ）： 2 - 10 .

别朝红，王旭，胡源 . 能源互联网规划研究综述及展望［J］. 中国电机工程学报， 2017 ， 37 （ 22 ）： 6445 - 6462 .

BIE Zhaohong ， WANG Xu ， HU Yuan . Review and prospect of planning of energy internet ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 22 ）： 6445 - 6462 .

史佳琪，谭涛，郭经，等 . 基于深度结构多任务学习的园区型综合能源系统多元负荷预测［J］. 电网技术， 2018 ， 42 （ 3 ）： 698 - 706 .

SHI Jiaqi ， TAN Tao ， GUO Jing ， et al . Multi-task learning based on deep architecture for various types of load forecasting in regional energy system integration ［J］. Power System Technology ， 2018 ， 42 （ 3 ）： 698 - 706 .

刘雨竹，徐楠 . 基于混沌时间序列的IGA-WLSSVR短期负荷预测模型［J/OL］. 控制工程［ 2019-12-20 ］. https：//doi.org/10.14107/j.cnki.kzgc.20190495 https://doi.org/10.14107/j.cnki.kzgc.20190495 .

LIU Yuzhu ， XU Nan . Short-term load forecasting model using IGA-WLSSVR based on chaotic time series ［J/OL］. Control Engineering of China ［ 2019-12-20 ］. https：//doi.org/10.14107/j.cnki.kzgc.20190495 https://doi.org/10.14107/j.cnki.kzgc.20190495 .

WANG Yi ， GAN Dahua ， ZHANG Ning ， et al . Feature selection for probabilistic load forecasting via sparse penalized quantile regression ［J］. Journal of Modern Power Systems and Clean Energy ， 2019 ， 7 （ 5 ）： 1200 - 1209 .

黄青平，李玉娇，刘松，等 . 基于模糊聚类与随机森林的短期负荷预测［J］. 电测与仪表， 2017 ， 54 （ 23 ）： 41 - 46 .

HUANG Qingping ， LI Yujiao ， LIU Song ， et al . Short-time load forecasting based on fuzzy clustering and random forest ［J］. Electrical Measurement & Instrumentation ， 2017 ， 54 （ 23 ）： 41 - 46 .

肖白，赵晓宁，姜卓，等 . 利用模糊信息粒化与支持向量机的空间负荷预测方法［J/OL］. 电网技术［ 2019-12-20 ］. http：//kns.cnki.net/kcms/detail/11.2410.TM.20191220.1450.001.html http://kns.cnki.net/kcms/detail/11.2410.TM.20191220.1450.001.html .

XIAO Bai ， ZHAO Xiaoning ， JIANG Zhuo ， et al . Spatial load forecasting method using fuzzy information granulation support vector machine ［J/OL］. Power System Technology ［ 2019-12-20 ］. http：//kns.cnki.net/kcms/detail/11.2410.TM.20191220.1450.001.html http://kns.cnki.net/kcms/detail/11.2410.TM.20191220.1450.001.html .

ZHAO Zhongqiu ， ZHENG Peng ， XU Shoutao ， et al . Object detection with deep learning： a review ［J］. IEEE Transactions on Neural Networks and Learning Systems ， 2019 ， 30 （ 11 ）： 3212 - 3232 .

SHI Heng ， XU Minghao ， LI Ran . Deep learning for household load forecasting—a novel pooling deep RNN ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 5 ）： 5271 - 5280 .

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 .

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/OL］. 电力系统自动化［ 2020-05-27 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20200526.1338.022.html http://kns.cnki.net/kcms/detail/32.1180.TP.20200526.1338.022.html .

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/OL］. Automation of Electric Power Systems ［ 2020-05-27 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20200526.1338.022.html http://kns.cnki.net/kcms/detail/32.1180.TP.20200526.1338.022.html .

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/OL］. 电测与仪表［ 2020-03-02 ］. https：//kns.cnki.net/KCMS/detail/23.1202.TH.20191114.1811.002.html https://kns.cnki.net/KCMS/detail/23.1202.TH.20191114.1811.002.html .

LI Shoumao ， QI Jiaxing ， BAI Xingzhen ， et al . A short-term load prediction of integrated energy system based on IPSO-WNN ［J/OL］. Electrical Measurement & Instrumentation ［ 2020-03-02 ］. https：//kns.cnki.net/KCMS/detail/23.1202.TH.20191114.1811.002.html https://kns.cnki.net/KCMS/detail/23.1202.TH.20191114.1811.002.html .

马建鹏，龚文杰，张智晟 . 基于Copula理论与KPCA-GRNN结合的区域综合能源系统多元负荷预测模型［J］. 电工电能新技术， 2020 ， 39 （ 3 ）： 24 - 31 .

MA Jianpeng ， GONG Wenjie ， ZHANG Zhisheng . Short-term multiple load prediction model for regional integrated energy system based on Copula theory and KPCA-GRNN ［J］. Advanced Technology of Electrical Engineering and Energy ， 2020 ， 39 （ 3 ）： 24 - 31 .

孙宏斌，郭庆来，吴文传，等 . 面向能源互联网的多能流综合能量管理系统：设计与应用［J］. 电力系统自动化， 2019 ， 43 （ 12 ）： 122 - 128 .

SUN Hongbin ， GUO Qinglai ， WU Wenchuan ， et al . Integrated energy management system with multi-energy flow for Energy Internet： design and application ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 12 ）： 122 - 128 .

杨挺，赵黎媛，王成山 . 人工智能在电力系统及综合能源系统中的应用［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 2 - 14 .

YANG Ting ， ZHAO Liyuan ， WANG Chengshan . Review on application of artificial intelligence in power system and integrated energy system ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 2 - 14 .

ZHANG Yu ， YANG Qiang . An overview of multi-task learning ［J］. National Science Review ， 2018 ， 5 （ 1 ）： 30 - 43 .

李亚 . 多任务学习的研究［D］. 合肥：中国科学技术大学， 2018 .

LI Ya . Research on multi-task learning ［D］. Hefei ： University of Science and Technology of China ， 2018 .

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 .

GREFF K ， SRIVASTAVA R K ， KOUTNIK J ， et al . LSTM： a search space odyssey ［J］. IEEE Transactions on Neural Networks & Learning Systems ， 2016 ， 28 （ 10 ）： 2222 - 2232 .

沈小军，付雪姣，周冲成，等 . 风电机组风速-功率异常运行数据特征及清洗方法［J］. 电工技术学报， 2018 ， 33 （ 14 ）： 3353 - 3361 .

SHEN Xiaojun ， FU Xuejiao ， ZHOU Chongcheng ， et al . Characteristics of outliers in wind speed-power operation data of wind turbines and its cleaning method ［J］. Transactions of China Electrotechnical Society ， 2018 ， 33 （ 14 ）： 3353 - 3361 .

MANTOVANI R G ， ROSSI A L D ， VANSCHOREN J ， et al . Effectiveness of random search in SVM hyper-parameter tuning ［C］// 2015 International Joint Conference on Neural Networks ， July 12 - 17 ， 2015 ， Killarney， Ireland： 1 - 8 .

修晓青，唐巍，李建林，等 . 基于层次分析法的储能配置综合评价技术［J］. 电力系统自动化， 2018 ， 42 （ 11 ）： 72 - 78 .

XIU Xiaoqing ， TANG Wei ， LI Jianlin ， et al . Comprehensive evaluation technology of energy storage configuration based on analytic hierarchy process ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 11 ）： 72 - 78 .

OpenEI DOE open data ［DB/OL］. America ［ 2016-08-09 ］. https：//openei.org/doe-opendata/dataset https://openei.org/doe-opendata/dataset .

Lundberg ， Lee . A unified approach to interpreting model predictions ［EB/OL］. America ［ 2020-03-02 ］. https：//arxiv.org/pdf/1705.07874.pdf https://arxiv.org/pdf/1705.07874.pdf .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

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

港口能源-物流耦合优化调度模型与方法综述

面向韧性提升的综合能源系统规划与运行调度研究综述

考虑电-碳市场决策协同的园区综合能源系统双层博弈调度