能源互联环境下考虑需求响应的区域电网短期负荷预测

李闯; 孔祥玉; 朱石剑; 田世明; 鄂志军

doi:10.7500/AEPS20200428001

您当前的位置：

首页 >

文章列表页 >

能源互联环境下考虑需求响应的区域电网短期负荷预测

新能源电力系统预测技术及其应用 | 更新时间：2025-06-16

- 能源互联环境下考虑需求响应的区域电网短期负荷预测
- Short-term Load Forecasting of Regional Power Grid Considering Demand Response in Energy Interconnection Environment
- 电力系统自动化-方正平台 2021年45卷第1期页码：71-78
- 作者机构：
  
  1.智能电网教育部重点实验室（天津大学），天津市 300072
  2.贵州电网有限责任公司电力科学研究院，贵州省贵阳市 550007
  3.中国电力科学研究院有限公司，北京市 100192
  4.国网天津市电力公司，天津市 300010
- 作者简介：
  
  李闯(1993—)，男，硕士研究生，主要研究方向：电力负荷预测及其应用、需求侧管理。E-mail：lchuangsky@tju.edu.cn
  孔祥玉(1978—)，男，通信作者，博士，副教授，博士生导师，主要研究方向：电力系统分析、智能配用电技术。E-mail：eekongxy@tju.edu.cn
  朱石剑(1993—)，男，硕士研究生，主要研究方向：家庭能量管理能效评估、智能用电。E-mail：353388947@qq.com
- 基金信息：
  
  国家重点研发计划资助项目(2016YFB0901104)
- DOI：10.7500/AEPS20200428001
  中图分类号：
- 收稿日期：2020-04-28，
  
  修回日期：2020-08-26，
  
  网络出版日期：2020-11-30，
  
  纸质出版日期：2021-01-10
- 稿件说明：
移动端阅览
李闯,孔祥玉,朱石剑等.能源互联环境下考虑需求响应的区域电网短期负荷预测[J].电力系统自动化,2021,45(1):71-78.

LI Chuang,KONG Xiangyu,ZHU Shijian,et al.Short-term Load Forecasting of Regional Power Grid Considering Demand Response in Energy Interconnection Environment[J].Automation of Electric Power Systems,2021,45(1):71-78.
李闯,孔祥玉,朱石剑等.能源互联环境下考虑需求响应的区域电网短期负荷预测[J].电力系统自动化,2021,45(1):71-78. DOI： 10.7500/AEPS20200428001.

LI Chuang,KONG Xiangyu,ZHU Shijian,et al.Short-term Load Forecasting of Regional Power Grid Considering Demand Response in Energy Interconnection Environment[J].Automation of Electric Power Systems,2021,45(1):71-78. DOI： 10.7500/AEPS20200428001.

摘要

在区域能源互联系统中，需求响应改变了电力用户的常规用电习惯，增加了预测环境的不确定因素。针对这种特定的环境，提出一种考虑需求响应的区域电网短期负荷预测方法来满足企业对预测精度的需求，该方法通过依次构建数据处理模型、负荷预测模型和误差预测模型实现了预测精度的提升。更具体地，针对历史数据样本集，采用灰色关联分析法处理气象数据以获取输入预测模型的相似日特征变量；针对电力负荷预测，建立了长短期记忆网络模型，利用其特殊的门结构选择性地控制输入变量对模型参数的影响，从而改善了模型的预测性能；针对误差数据样本集，采用了动态模式分解技术来挖掘误差数据的潜在价值，并利用其数据驱动特性刻画了误差时间序列的趋势变化特征，实现了良好的误差预测。最后，结合实际的电网数据，对比验证了所提方法的有效性和优越性。

Abstract

In the regional energy interconnection system

the demand response has changed the conventional power consumption habits of power users

and increased the uncertainties in forecasting environment. In view of this specific environment

this paper proposes a short-term load forecasting method of regional power grids considering demand response to meet the demand of enterprises for forecasting accuracy. This method improves the forecasting accuracy by constructing data processing model

load forecasting model and error forecasting model in turn. More specifically

for the historical data sample set

the gray relation analysis method is used to process the meteorological data to obtain the similar daily characteristic variables of the input forecasting model. For the power load forecasting

a long short-term memory network model is established. Its special gate structure is used to selectively control the influence of input variables on model parameters

and the forecasting performance of the model is improved. For the error data sample set

the dynamic modal decomposition technology is used to mine the potential value of the error data. Its data-driven characteristics are used to characterize the variation trend characteristics of the error series

and a good error prediction is achieved. Finally

combined with the actual power grid data

the effectiveness and superiority of the proposed method are verified.

关键词

Keywords

references

GARULLI A ， PAOLETTI S ， VICINO A . Models and techniques for electric load forecasting in the presence of demand response ［J］. IEEE Transactions on Control Systems Technology ， 2015 ， 23 （ 3 ）： 1087 - 1097 .

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 .

TAO H ， PIERRE P ， SHU F . Global energy forecasting competition 2012 ［J］. International Journal of Forecasting ， 2014 ， 30 （ 2 ）： 357 - 363 .

TAO H ， PIERRE P ， SHU F ， et al . Probabilistic energy forecasting： global energy forecasting competition 2014 and beyond ［J］. International Journal of Forecasting ， 2016 ， 32 （ 3 ）： 896 - 913 .

TAO H ， XIE J ， JONATHAN B . Global energy forecasting competition 2017： hierarchical probabilistic load forecasting ［J］. International Journal of Forecasting ， 2019 ， 35 （ 4 ）： 1389 - 1399 .

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 .

崔巍，顾冉浩，陈奔月，等 . BP与LSTM神经网络在福建小流域水文预报中的应用对比［J］. 人民珠江， 2020 ， 41 （ 2 ）： 74 - 84 .

CUI Wei ， GU Ranhao ， CHEN Benyue ， et al . Application comparison of BP and LSTM neural network in hydrological forecasting of Fujian small watershed ［J］. People’s Pearl River ， 2020 ， 41 （ 2 ）： 74 - 84 .

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 - 56 .

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 - 56 .

IRENA K ， MASHUD R ， VASSILIOS G A . Correlation and instance based feature selection for electricity load forecasting ［J］. Knowledge-based Systems ， 2015 ， 82 ： 29 - 40 .

LIANG Yi ， NIU Dongxiao ， HONG Weichiang . Short term load forecasting based on feature extraction and improved general regression neural network model ［J］. Energy ， 2019 ， 166 ： 653 - 663 .

LIANG Zhengtang ， LIANG Jun ， WANG Chengfu ， et al . Short-term wind power combined forecasting based on error forecast correction ［J］. Energy Conversion and Management ， 2016 ， 119 ： 215 - 226 .

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/OL］. 电力系统自动化［ 2020-06-16 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20200610.1819.012.html http://kns.cnki.net/kcms/detail/32.1180.TP.20200610.1819.012.html .

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/OL］. Automation of Electric Power Systems ［ 2020-06-16 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20200610.1819.012.html http://kns.cnki.net/kcms/detail/32.1180.TP.20200610.1819.012.html .

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［ 2020-06-16 ］. 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 of Bi-LSTM network considering feature selection in new energy grid ［J/OL］. Automation of Electric Power Systems ［ 2020-06-16 ］. http：//kns.cnki.net/kcms/detail/1180.TP.20200526.1338.022.html http://kns.cnki.net/kcms/detail/1180.TP.20200526.1338.022.html .

苏小林，刘孝杰，阎晓霞，等 . 计及需求响应的主动配电网短期负荷预测［J］. 电力系统自动化， 2018 ， 42 （ 10 ）： 60 - 66 .

SU Xiaolin ， LIU Xiaojie ， YAN Xiaoxia ， et al . Short-term load forecasting of active distribution network considering demand response ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 10 ）： 60 - 66 .

张智晟，于道林 . 考虑需求响应综合影响因素的RBF-NN短期负荷预测模型［J］. 中国电机工程学报， 2018 ， 38 （ 6 ）： 1631 - 1638 .

ZHANG Zhisheng ， YU Daolin . RBF-NN short-term load forecasting model considering comprehensive factors of demand response ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 6 ）： 1631 - 1638 .

GALLEGO J S ， MORALES J M . Short-term forecasting of price-responsive loads using inverse optimization ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 5 ）： 4805 - 4814 .

HAO Yan ， TIAN Chengshi . A novel two-stage forecasting model based on error factor and ensemble method for multi-step wind power forecasting ［J］. Applied Energy ， 2019 ， 238 ： 368 - 383 .

MAO Meiqin ， LING Jin ， CHANG Liuchen ， et al . A novel short-term wind speed prediction based on MFEC ［J］. IEEE Journal of Emerging and Selected Topics in Power Electronics ， 2016 ， 4 （ 4 ）： 1206 - 1216 .

CAI Guowei ， WANG Wenjin ， LU Junhai . A novel hybrid short term load forecasting model considering the error of numerical weather prediction ［J］. Energies ， 2016 ， 9 （ 12 ）： 994 .

CUI Lingxiao ， LONG Wen . Trading strategy based on dynamic mode decomposition： tested in Chinese stock market ［J］. Physica A： Statistical Mechanics and its Applications ， 2016 ， 461 ： 498 - 508 .

MOHAN N ， SOMAN K P ， KUMAR S S . A data-driven strategy for short-term electric load forecasting using dynamic mode decomposition model ［J］. Applied Energy ， 2018 ， 232 ： 229 - 244 .

DING Y ， HONG S ， LI X . A demand response energy management scheme for industrial facilities in smart grid ［J］. IEEE Transactions on Industrial Informatics ， 2014 ， 10 （ 4 ）： 2257 - 2269 .

FAN Guofeng ， PENG Liling ， HONG Weichiang ， et al . Electric load forecasting by the SVR model with differential empirical mode decomposition and auto regression ［J］. Neurocomputing ， 2016 ， 173 ： 958 - 970 .

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 - 74 .

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 - 74 .

KONG Xiangyu ， KONG Deqian ， YAO Jingtao ， et al . Online pricing of demand response based on long short-term memory and reinforcement learning ［J］. Applied Energy ， 2020 ， 271 ： 114945 .

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

考虑异方差性的城市电网电动汽车充电负荷预测

新型电力系统多元用户的用电特征建模与用电负荷预测综述

负荷聚合商模式下考虑需求响应的超短期负荷预测

电动汽车充放电负荷预测研究综述

计及需求响应的主动配电网短期负荷预测