二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测

陈锦鹏; 胡志坚; 陈纬楠; 高明鑫; 杜一星; 林铭蓉

doi:10.7500/AEPS20200829004

您当前的位置：

首页 >

文章列表页 >

二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测

学术研究 | 更新时间：2025-06-16

- 二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测
- Load Prediction of Integrated Energy System Based on Combination of Quadratic Modal Decomposition and Deep Bidirectional Long Short-term Memory and Multiple Linear Regression
- 电力系统自动化-方正平台 2021年45卷第13期页码：85-94
- 作者机构：
  
  武汉大学电气与自动化学院，湖北省武汉市 430072
- 作者简介：
  
  陈锦鹏(1995—)，男，硕士研究生，主要研究方向：负荷预测、电力系统规划与运行。E-mail：1079858106@qq.com
  胡志坚(1969—)，男，通信作者，博士，教授，博士生导师，主要研究方向：电力系统稳定分析与控制、新能源与分布式发电等。E-mail：zhijian_hu@163.com
  陈纬楠(1995—)，男，硕士研究生，主要研究方向：负荷预测、电力系统规划与运行。E-mail：2572921286@qq.com
- 基金信息：
  
  国家自然科学基金资助项目(51977156)
- DOI：10.7500/AEPS20200829004
  中图分类号：
- 收稿日期：2020-08-29，
  
  修回日期：2021-01-20，
  
  网络出版日期：2021-03-12，
  
  纸质出版日期：2021-07-10
- 稿件说明：
移动端阅览
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.
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. DOI： 10.7500/AEPS20200829004.

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. DOI： 10.7500/AEPS20200829004.

摘要

用户级综合能源系统多元负荷存在随机性、波动性相对更大的特点，现有预测方法不能得到很好的预测效果。为此提出一种基于核主成分分析(KPCA)、二次模态分解、深度双向长短期记忆(DBiLSTM)神经网络和多元线性回归(MLR)的多元负荷预测模型。首先，运用自适应噪声的完全集合经验模态分解分别对电、冷、热负荷进行本征模态分解，对分解得到的强非平稳分量运用变分模态分解进行再次分解。然后，运用KPCA对天气、日历规则特征集提取主成分实现数据降维；将分解得到的非平稳、平稳分量结合特征集主成分分别用DBiLSTM神经网络、MLR进行预测。最后，将预测结果进行重构得到最终预测结果。通过实际算例分析可知，与其他模型相比，所提模型具有更高的预测精度。

Abstract

Due to the features of relatively greater randomness and volatility of multiple loads in the user-level integrated energy system

the existing prediction methods cannot get good prediction effects. To this end

a multiple load prediction model based on kernel principal component analysis (KPCA)

quadratic modal decomposition

deep bidirectional long short-term memory (DBiLSTM) neural network and multiple linear regression (MLR) is proposed. First

the complete ensemble empirical mode decomposition with noise adaptability is used to perform eigenmode decomposition of the electric

cooling

and heating loads

and the obtained strong non-steady components after decomposition are decomposed again by using variational modal decomposition. Then

KPCA is used to extract principal components from feature sets of weather and calendar rules to achieve data dimension reduction. The decomposed non-steady and steady components

combined with the principal components of the feature set are respectively predicted by DBiLSTM neural network and MLR. Finally

the prediction results are reconstructed to obtain the final prediction results. Through the analysis of actual calculation examples and compared with other models

the proposed model has higher prediction accuracy.

关键词

Keywords

references

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 .

孙庆凯，王小君，张义志，等 . 基于LSTM-MTL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 LSTM-MTL ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 5 ）： 63 - 70 .

GUAN C ， LUH P B ， MICHEL L D ， et al . Hybrid Kalman filters for very short-term load forecasting and prediction interval estimation ［J］. IEEE Transactions on Power Systems ， 2013 ， 28 （ 4 ）： 3806 - 3817 .

VAGHEFI A ， JAFARI M A ， BISSE E ， et al . Modeling and forecasting of cooling and electricity load demand ［J］. Applied Energy ， 2015 ， 136 ： 186 - 196 .

CHEN Yongbao ， XU Peng ， CHU Yiyi ， et al . Short-term electrical load forecasting using the support vector regression （SVR） model to calculate the demand response baseline for office buildings ［J］. Applied Energy ， 2017 ， 195 ： 659 - 670 .

ZHANG Jiawei ， WANG Yi ， SUN Mingyang ， et al . Two-stage bootstrap sampling for probabilistic load forecasting ［J/OL］. IEEE Transactions on Engineering Management ［ 2020-03-19 ］. https：//ieeexplore.ieee.org/document/9042870 https://ieeexplore.ieee.org/document/9042870 .

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 .

WANG Yi ， GAN Dahua ， SUN Mingyang ， et al . Probabilistic individual load forecasting using pinball loss guided LSTM ［J］. Applied Energy ， 2019 ， 235 ： 10 - 20 .

罗澍忻，麻敏华，蒋林，等 . 考虑多时间尺度数据的中长期负荷预测方法［J/OL］. 中国电机工程学报［ 2020-07-01 ］. https：//kns.cnki.net/kcms/detail/11.2107.TM.20200701.0954.008.html https://kns.cnki.net/kcms/detail/11.2107.TM.20200701.0954.008.html .

LUO Shuxin ， MA Minhua ， JIANG Lin ， et al . Medium and long-term load forecasting method considering multi-time scale data ［J/OL］. Proceedings of the CSEE ［ 2020-07-01 ］. https：//kns.cnki.net/kcms/detail/11.2107.TM.20200701.0954.008.html https://kns.cnki.net/kcms/detail/11.2107.TM.20200701.0954.008.html .

李泽文，胡让，刘湘，等 . 基于PCA-DBILSTM的多因素短期负荷预测模型［J/OL］. 电力系统及其自动化学报［ 2020-06-28 ］. https：//doi.org/10.19635/j.cnki.csu-epsa.000501 https://doi.org/10.19635/j.cnki.csu-epsa.000501 .

LI Zewen ， HU Rang ， LIU Xiang ， et al . Multi-factor short-term load forecasting model based on PCA-DBILSTM ［J/OL］. Proceedings of the CSU-EPSA ［ 2020-06-28 ］. https：//doi.org/10.19635/j.cnki.csu-epsa.000501 https://doi.org/10.19635/j.cnki.csu-epsa.000501 .

李若晨，朱帆，朱永利，等 . 结合受限玻尔兹曼机的递归神经网络电力系统短期负荷预测［J］. 电力系统保护与控制， 2018 ， 46 （ 17 ）： 83 - 88 .

LI Ruochen ， ZHU Fan ， ZHU Yongli ， et al . Short-term power load forecasting using recurrent neural network with restricted Boltzmann machine ［J］. Power System Protection and Control ， 2018 ， 46 （ 17 ）： 83 - 88 .

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］. 电力系统自动化， 2021 ， 45 （ 4 ）： 91 - 97 .

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］. Automation of Electric Power Systems ， 2021 ， 45 （ 4 ）： 91 - 97 .

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 .

陈海文，王守相，王绍敏，等 . 基于门控循环单元网络与模型融合的负荷聚合体预测方法［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 65 - 74 .

CHEN Haiwen ， WANG Shouxiang ， WANG Shaomin ， et al . Aggregated load forecasting method based on gated recurrent unit networks and model fusion ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 65 - 74 .

王俊，李霞，周昔东，等 . 基于VMD和LSTM的超短期风速预测［J］. 电力系统保护与控制， 2020 ， 48 （ 11 ）： 45 - 52 .

WANG Jun ， LI Xia ， ZHOU Xidong ， et al . Ultra-short-term wind speed prediction based on VMD-LSTM ［J］. Power System Protection and Control ， 2020 ， 48 （ 11 ）： 45 - 52 .

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 .

LIU H ， TIAN H Q ， LIANG X F ， et al . Wind speed forecasting approach using secondary decomposition algorithm and Elman neural networks ［J］. Applied Energy ， 2015 ， 157 ： 183 - 194 .

邓带雨，李坚，张真源，等 . 基于EEMD-GRU-MLR的短期电力负荷预测［J］. 电网技术， 2020 ， 44 （ 2 ）： 593 - 602 .

DENG Daiyu ， LI Jian ， ZHANG Zhenyuan ， et al . Short-term electric load forecasting based on EEMD-GRU-MLR ［J］. Power System Technology ， 2020 ， 44 （ 2 ）： 593 - 602 .

马得银，孙波，刘澈 . 基于天气信息的短期冷热电负荷联合预测方法［J/OL］. 电网技术［ 2020-08-07 ］. https：//doi.org/10.13335/j.1000-3673.pst.2020.0794 https://doi.org/10.13335/j.1000-3673.pst.2020.0794 .

MA Deyin ， SUN Bo ， LIU Che . Short term cooling and heating power load forecasting method based on multi weather information ［J/OL］. Power System Technology ［ 2020-08-07 ］. https：//doi.org/10.13335/j.1000-3673.pst.2020.0794 https://doi.org/10.13335/j.1000-3673.pst.2020.0794 .

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/OL］. 电网技术［ 2020-05-09 ］. https：//doi.org/10.13335/j.1000-3673.pst.2020.0006a https://doi.org/10.13335/j.1000-3673.pst.2020.0006a .

LI Ran ， SUN Fan ， DING Xing ， et al . Ultra short-term load forecasting method for user-level integrated energy dystem considering spatio-temporal coupling of multi-energy ［J/OL］. Power System Technology ［ 2020-05-09 ］. https：//doi.org/10.13335/j.1000-3673.pst.2020.0006a https://doi.org/10.13335/j.1000-3673.pst.2020.0006a .

肖白，梁雪峰，姜卓，等 . 空间负荷预测中确定元胞负荷合理最大值方法［J］. 电力系统自动化， 2020 ， 44 （ 6 ）： 194 - 199 .

XIAO Bai ， LIANG Xuefeng ， JIANG Zhuo ， et al . A method for ascertaining reasonable maximum value of cellular load in spatial load forecasting ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 6 ）： 194 - 199 .

DRAGOMIRETSKIY K ， ZOSSO D . Variational mode decomposition ［J］. IEEE Transactions on Signal Processing ， 2014 ， 62 （ 3 ）： 531 - 544 .

AUS . Campus metabolism ［DB/OL］. ［ 2020-08-27 ］. http：//cm.asu.edu/ http://cm.asu.edu/ .

NSRDB data viewer ［DB/OL］. ［ 2020-08-27 ］. https：//maps.nrel.gov/nsrdb-viewer/ https://maps.nrel.gov/nsrdb-viewer/ .

杨茂，董骏城，罗芫，等 . 基于近似熵的电力系统负荷预测误差分析［J］. 电力系统保护与控制， 2016 ， 44 （ 23 ）： 24 - 29 .

YANG Mao ， DONG Juncheng ， LUO Yuan ， et al . Study of power system load forecasting errors based on approximate entropy ［J］. Power System Protection and Control ， 2016 ， 44 （ 23 ）： 24 - 29 .

黄南天，齐斌，刘座铭，等 . 采用面积灰关联决策的高斯过程回归概率短期负荷预测［J］. 电力系统自动化， 2018 ， 42 （ 23 ）： 64 - 71 .

HUANG Nantian ， QI Bin ， LIU Zuoming ， et al . Probabilistic short-term load forecasting using Gaussian process regression with area grey incidence decision making ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 23 ）： 64 - 71 .

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

基于功率重构和时序特性约束的长预见期光伏集群功率预测

基于LSTM和多任务学习的综合能源系统多元负荷预测

基于天气分型的风光出力互补性分析方法

基于数据特征提取的风电功率预测误差估计方法