基于条件生成对抗网络的短期负荷预测

林珊; 王红; 齐林海; 冯函宇; 苏盈

doi:10.7500/AEPS20200804004

您当前的位置：

首页 >

文章列表页 >

基于条件生成对抗网络的短期负荷预测

学术研究 | 更新时间：2025-06-16

- 基于条件生成对抗网络的短期负荷预测
- Short-term Load Forecasting Based on Conditional Generative Adversarial Network
- 电力系统自动化-方正平台 2021年45卷第11期页码：52-60
- 作者机构：
  
  华北电力大学控制与计算机工程学院，北京市 102206
- 作者简介：
  
  林珊(1995—)，女，硕士研究生，主要研究方向：深度学习、电力大数据处理。E-mail：linshan@ncepu.edu.cn
  王红(1978—)，女，通信作者，博士，讲师，主要研究方向：大数据应用技术、电能质量智能信息处理。E-mail：wh@ncepu.edu.cn
  齐林海(1964—)，男，副教授，主要研究方向：电能质量智能信息处理、智能电网大数据应用。E-mail：qilinhai@ncepu.edu.cn
- 基金信息：
- DOI：10.7500/AEPS20200804004
  中图分类号：
- 收稿日期：2020-08-04，
  
  修回日期：2020-12-28，
  
  网络出版日期：2021-03-18，
  
  纸质出版日期：2021-06-10
- 稿件说明：
移动端阅览
林珊,王红,齐林海等.基于条件生成对抗网络的短期负荷预测[J].电力系统自动化,2021,45(11):52-60.

LIN Shan,WANG Hong,QI Linhai,et al.Short-term Load Forecasting Based on Conditional Generative Adversarial Network[J].Automation of Electric Power Systems,2021,45(11):52-60.
林珊,王红,齐林海等.基于条件生成对抗网络的短期负荷预测[J].电力系统自动化,2021,45(11):52-60. DOI： 10.7500/AEPS20200804004.

LIN Shan,WANG Hong,QI Linhai,et al.Short-term Load Forecasting Based on Conditional Generative Adversarial Network[J].Automation of Electric Power Systems,2021,45(11):52-60. DOI： 10.7500/AEPS20200804004.

摘要

精准的短期负荷预测对电力系统制定合理生产计划、提高经济效益、保证电网安全运行具有重要意义。为学习非线性负荷数据中隐含的深层关系，提高短期负荷预测精度，文中提出一种基于条件生成对抗网络的短期负荷预测模型。所提模型使用卷积神经网络构建生成模型和判别模型，以负荷影响因素作为条件，并引入特征损失函数作为判别模型部分隐藏层的损失函数。然后，通过条件生成对抗网络的博弈训练，使生成模型以负荷影响因素为条件生成预测负荷数据，从而进行短期负荷预测。最后，以美国某地区3年的负荷作为实际算例，对比所提模型与其他模型的预测结果，验证了所提模型在兼顾泛化能力的同时可以提高短期负荷的预测精度。

Abstract

Accurate short-term load forecasting is of great significance for power systems to formulate rational production plans

improve economic benefits

and ensure safe operation of power grids. In order to learn the hidden deep relationship in nonlinear load data and improve the accuracy of the short-term load forecasting

this paper proposes a short-term load forecasting model based on the conditional generative adversarial network. This model uses the convolutional neural network to construct a generative model and a discriminant model

which takes load influencing factors as conditions

and introduces a feature loss function as the loss function of some hidden layers in the discriminant model. Through the game training of the conditional generative adversarial network

the generative model takes the load influencing factors as the conditions to generate the forecasting load data

and then performs short-term load forecasting. Finally

taking the three-year load in a certain area of the United States as a practical example

the forecasting results of the proposed model are compared with other models. It is verified that the proposed model can improve the accuracy of the short-term load forecasting while considering the generalization ability.

关键词

Keywords

references

耿光飞，郭喜庆 . 模糊线性回归法在负荷预测中的应用［J］. 电网技术， 2002 ， 26 （ 4 ）： 19 - 21 .

GENG Guangfei ， GUO Xiqing . Application of fuzzy linear regression to load forecasting ［J］. Power System Technology ， 2002 ， 26 （ 4 ）： 19 - 21 .

蒋敏，顾东健，孔军，等 . 基于在线序列极限支持向量回归的短期负荷预测模型［J］. 电网技术， 2018 ， 42 （ 7 ）： 2240 - 2247 .

JIANG Min ， GU Dongjian ， KONG Jun ， et al . Short-term load forecasting model based on online sequential extreme support vector regression ［J］. Power System Technology ， 2018 ， 42 （ 7 ）： 2240 - 2247 .

OSTERTAGOVÁ E ， OSTERTAG O . Forecasting using simple exponential smoothing method ［J］. Acta Electrotechnica et Informatica ， 2012 ， 12 （ 3 ）： 62 - 66 .

艾欣，周志宇，魏妍萍，等 . 基于自回归积分滑动平均模型的可转移负荷竞价策略［J］. 电力系统自动化， 2017 ， 41 （ 20 ）： 26 - 31 .

AI Xin ， ZHOU Zhiyu ， WEI Yanping ， et al . Bidding strategy for time-shiftable loads based on autoregressive integrated moving average model ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 20 ）： 26 - 31 .

赵登福，庞文晨，张讲社，等 . 基于贝叶斯理论和在线学习支持向量机的短期负荷预测［J］. 中国电机工程学报， 2005 ， 25 （ 13 ）： 8 - 13 .

ZHAO Dengfu ， PANG Wenchen ， ZHANG Jiangshe ， et al . Based on Bayesian theory and online learning SVM for short term load forecasting ［J］. Proceedings of the CSEE ， 2005 ， 25 （ 13 ）： 8 - 13 .

吴倩红，高军，侯广松，等 . 实现影响因素多源异构融合的短期负荷预测支持向量机算法［J］. 电力系统自动化， 2016 ， 40 （ 15 ）： 67 - 72 .

WU Qianhong ， GAO Jun ， HOU Guangsong ， et al . Short-term load forecasting support vector machine algorithm based on multi-source heterogeneous fusion of load factors ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 15 ）： 67 - 72 .

曾鸣，吕春泉，田廓，等 . 基于细菌群落趋药性优化的最小二乘支持向量机短期负荷预测方法［J］. 中国电机工程学报， 2011 ， 31 （ 34 ）： 93 - 99 .

ZENG Ming ， LÜ Chunquan ， TIAN Kuo ， et al . Least squares-support vector machine load forecasting approach optimized by bacterial colony chemotaxis method ［J］. Proceedings of the CSEE ， 2011 ， 31 （ 34 ）： 93 - 99 .

何耀耀，刘瑞，撖奥洋 . 基于实时电价与支持向量分位数回归的短期电力负荷概率密度预测方法［J］. 中国电机工程学报， 2017 ， 37 （ 3 ）： 768 - 776 .

HE Yaoyao ， LIU Rui ， HAN Aoyang . Short-term power load probability density forecasting method based on real time price and support vector quantile regression ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 3 ）： 768 - 776 .

邹政达，孙雅明，张智晟 . 基于蚁群优化算法递归神经网络的短期负荷预测［J］. 电网技术， 2005 ， 29 （ 3 ）： 59 - 63 .

ZOU Zhengda ， SUN Yaming ， ZHANG Zhisheng . Short-term load forecasting based on recurrent neural network using ant colony optimization algorithm ［J］. Power System Technology ， 2005 ， 29 （ 3 ）： 59 - 63 .

李国庆，刘钊，金国彬，等 . 基于随机分布式嵌入框架及BP神经网络的超短期电力负荷预测［J］. 电网技术， 2020 ， 44 （ 2 ）： 437 - 445 .

LI Guoqing ， LIU Zhao ， JIN Guobin ， et al . Ultra short-term power load forecasting based on randomly distributive embedded framework and BP neural network ［J］. Power System Technology ， 2020 ， 44 （ 2 ）： 437 - 445 .

刘洋，许立雄 . 适用于海量负荷数据分类的高性能反向传播神经网络算法［J］. 电力系统自动化， 2018 ， 42 （ 21 ）： 96 - 103 .

LIU Yang ， XU Lixiong . High-performance back propagation neural network algorithm for classification of mass load data ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 21 ）： 96 - 103 .

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 .

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 .

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 .

GOODFELLOW I ， POUGET-ABADIE J ， MIRZA M ， et al . generative adversarial nets ［C］// Proceedings of the 27th International Conference on Neural Information Processing Systems ， 2014 ， Montreal ， Canada .

王静，邹慧敏，曲东东，等 . 基于经验模态分解生成对抗网络的金融时间序列预测［J］. 计算机应用与软件， 2020 ， 37 （ 5 ）： 293 - 297 .

WANG Jing ， ZOU Huimin ， QU Dongdong ， et al . Financial time series prediction based on empirical mode decomposition to generate adversarial networks ［J］. Computer Applications and Software ， 2020 ， 37 （ 5 ）： 293 - 297 .

杨玉莲，齐林海，王红，等 . 基于生成对抗和双重语义感知的配电网量测数据缺失重构［J］. 电力系统自动化， 2020 ， 44 （ 18 ）： 46 - 54 .

YANG Yulian ， QI Linhai ， WANG Hong ， et al . Reconstruction of missing measurement data in distribution network based on generative adversarial network and double semantic perception ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 18 ）： 46 - 54 .

黄文琦，许爱东，明哲，等 . 基于生成对抗网络的变电站工作人员行为预测的方法［J］. 南方电网技术， 2019 ， 13 （ 2 ）： 45 - 50 .

HUANG Wenqi ， XU Aidong ， MING Zhe ， et al . Prediction method for the behavior of substation staff based on generative adversarial network ［J］. Southern Power System Technology ， 2019 ， 13 （ 2 ）： 45 - 50 .

肖白，黄钰茹，姜卓，等 . 数据匮乏场景下采用生成对抗网络的空间负荷预测方法［J/OL］. 中国电机工程学报［ 2020-04-14 ］. https：//kns-cnki-net.webvpn.las.ac.cn/kcms/detail/11.2107.TM.20200414.1255.007.html https://kns-cnki-net.webvpn.las.ac.cn/kcms/detail/11.2107.TM.20200414.1255.007.html .

XIAO Bai ， HUANG Yuru ， JIANG Zhuo ， et al . Spatial load forecasting method based on generated countermeasure network in data deficient scenario ［J/OL］. Proceedings of the CSEE ［ 2020-04-14 ］. https：//kns-cnki-net.webvpn.las.ac.cn/kcms/detail/11.2107.TM.20200414.1255.007.html https://kns-cnki-net.webvpn.las.ac.cn/kcms/detail/11.2107.TM.20200414.1255.007.html .

CRESWELL A ， WHITE T ， DUMOULIN V ， et al . Generative adversarial networks： an overview ［J］. IEEE Signal Processing Magazine ， 2018 ， 35 （ 1 ）： 53 - 65 .

JOHNSON J ， ALAHI A ， LI F F . Perceptual losses for real-time style transfer and super-resolution ［C］// Proceedings of the 14th European Conference on Computer Vision ， October 11 - 14 ， 2016 ， The Netherlands .

谭本东，杨军，赖秋频，等 . 基于改进CGAN的电力系统暂态稳定评估样本增强方法［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 149 - 157 .

TAN Bendong ， YANG Jun ， LAI Qiupin ， et al . Data augment method for power system transient stability assessment based on improved conditional generative adversarial network ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 149 - 157 .

袁福来，戴宁，田素坤，等 . 采用条件生成式对抗网络的缺损牙全冠修复技术［J］. 计算机辅助设计与图形学学报， 2019 ， 31 （ 12 ）： 2113 - 2120 .

YUAN Fulai ， DAI Ning ， TIAN Sukun ， et al . A full crown restoration approach for defect teeth based on CGAN ［J］. Journal of Computer-aided Design & Computer Graphics ， 2019 ， 31 （ 12 ）： 2113 - 2120 .

李昭昱，艾芊，张宇帆，等 . 基于attention机制的LSTM神经网络超短期负荷预测方法［J］. 供用电， 2019 ， 36 （ 1 ）： 17 - 22 .

LI Zhaoyu ， AI Qian ， ZHANG Yufan ， et al . A LSTM neural network method based on attention mechanism for ultra short-term load forecasting ［J］. Distribution & Utilization ， 2019 ， 36 （ 1 ）： 17 - 22 .

KRIZHEVSKY A ， SUTSKEVER I ， HINTON G E . ImageNet classification with deep convolutional neural networks ［J］. Communications of the ACM ， 2017 ， 60 （ 6 ）： 84 - 90 .

查雪帆，杨丰，吴俣南，等 . 结合迁移学习与深度卷积网络的心电分类研究［J］. 中国医学物理学杂志， 2018 ， 35 （ 11 ）： 1307 - 1312 .

ZHA Xuefan ， YANG Feng ， WU Yunan ， et al . ECG classification based on transfer learning and deep convolution neural network ［J］. Chinese Journal of Medical Physics ， 2018 ， 35 （ 11 ）： 1307 - 1312 .

胡涛，张超，程炳，等 . 卷积神经网络在异常声音识别中的研究［J］. 信号处理， 2018 ， 34 （ 3 ）： 357 - 367 .

HU Tao ， ZHANG Chao ， CHENG Bing ， et al . Research on abnormal audio event detection based on convolutional neural networks ［J］. Journal of Signal Processing ， 2018 ， 34 （ 3 ）： 357 - 367 .

ZEILER M D ， TAYLOR G W ， FERGUS R . Adaptive deconvolutional networks for mid and high level feature learning ［C］// 2011 International Conference on Computer Vision ， November 6 - 13 ， 2011 ， Barcelona ， Spain .

NAIR V ， HINTON G E . Rectified linear units improve restricted Boltzmann machines ［C］// Proceedings of the 27th International Conference on Machine Learning ， June 21 - 24 ， 2010 ， Haifa， Israel： 807 - 814 .

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

基于可解释性条件生成对抗网络的台风气象负荷场景生成方法

基于Lissajous轨迹的电能质量扰动边-云协同高效辨识框架

基于动态关联图注意力网络的虚拟电厂居民短期负荷预测

基于时空图注意力网络的超短期区域负荷预测