基于孪生网络和长短时记忆网络结合的配电网短期负荷预测

葛磊蛟; 赵康; 孙永辉; 王尧; 牛峰

doi:10.7500/AEPS20210522003

您当前的位置：

首页 >

文章列表页 >

基于孪生网络和长短时记忆网络结合的配电网短期负荷预测

学术研究 | 更新时间：2025-06-16

- 基于孪生网络和长短时记忆网络结合的配电网短期负荷预测
- Short-term Load Forecasting of Distribution Network Based on Combination of Siamese Network and Long Short-term Memory Network
- 电力系统自动化 2021年45卷第23期页码：41-50
- 作者机构：
  
  1.天津大学智能电网教育部重点实验室，天津市 300072
  2.山东科技大学电气与自动化工程学院，山东省青岛市 266590
  3.河海大学能源与电气学院，江苏省南京市 210098
  4.省部共建电工装备可靠性与智能化国家重点实验室（河北工业大学），天津市 300130
- 作者简介：
  
  葛磊蛟(1984—)，男，博士，副教授，主要研究方向：智能配电网态势感知、云计算和大数据。E-mail：legendglj99@tju.edu.cn
  赵康(1997—)，男，硕士研究生，主要研究方向：人工智能与机器学习在电力系统中的应用。E-mail：15949826460@163.com
  孙永辉(1980—)，男，通信作者，博士，教授，主要研究方向：电力系统分析与控制、负荷预测等。E-mail：sunyonghui168@gmail.com
- 基金信息：
  
  国家自然科学基金资助项目(51807134);省部共建电工装备可靠性与智能化国家重点实验室（河北工业大学）开放课题基金资助项目(EERI_KF20200014)
- DOI：10.7500/AEPS20210522003
  中图分类号：
- 收稿日期：2021-05-22，
  
  修回日期：2021-08-12，
  
  网络出版日期：2021-10-11，
  
  纸质出版日期：2021-12-10
- 稿件说明：
移动端阅览
葛磊蛟,赵康,孙永辉等.基于孪生网络和长短时记忆网络结合的配电网短期负荷预测[J].电力系统自动化,2021,45(23):41-50.

GE Leijiao,ZHAO Kang,SUN Yonghui,et al.Short-term Load Forecasting of Distribution Network Based on Combination of Siamese Network and Long Short-term Memory Network[J].Automation of Electric Power Systems,2021,45(23):41-50.
葛磊蛟,赵康,孙永辉等.基于孪生网络和长短时记忆网络结合的配电网短期负荷预测[J].电力系统自动化,2021,45(23):41-50. DOI： 10.7500/AEPS20210522003.

GE Leijiao,ZHAO Kang,SUN Yonghui,et al.Short-term Load Forecasting of Distribution Network Based on Combination of Siamese Network and Long Short-term Memory Network[J].Automation of Electric Power Systems,2021,45(23):41-50. DOI： 10.7500/AEPS20210522003.

摘要

保证数据驱动型配电网短期负荷预测精准的关键是选取合适的相似日数据集和构建合理的日负荷预测模型。文中研究了一种基于孪生网络（SN）和长短时记忆（LSTM）网络相结合的配电网短期负荷预测模型。基于配电网负荷相似日的影响因素具有多样化、强随机性的特点，利用SN两个输入权重共享的特点对历史负荷数据进行分析，进而对待测日的特征进行分类，以完成相似日数据选取。此外，利用灰狼优化算法全局搜索能力强、收敛速度快等特点，对基于LSTM网络的配电网短期负荷预测模型进行参数优化。最后，以某一个区域配电网的实际数据为例，验证上述预测方法的准确性与鲁棒性，与LSTM网络、基于粒子群优化的LSTM网络、支持向量机等方法对比可知，所提方法具有较高的准确度和计算效率。

Abstract

The key to ensuring the accuracy of the data-driven short-term load forecasting for thedistribution network is to select a suitable similar daily data set and construct a reasonable daily load forecasting model. In this paper

a short-term load forecasting model of distribution networks based on the combination of siamese network (SN) and long short-term memory (LSTM) network is studied. Due to the characteristics of diversification and strong randomness of the influence factors in load similar days in the distribution network

this paper analyzes the historical load data based on the shared characteristics of the two input weights of the SN

and then classifies the characteristics of the day under test to complete the data selection of similar days. In addition

the grey wolf optimizer has the strong global search capability and fast convergence speed to optimize the parameters of the short-term load forecasting model of the distribution network based on the LSTM network. Finally

a regional distribution network is taken as an example to verify the accuracy and robustness of the proposed forecasting method. Compared with the conventional methods including LSTM network

LSTM network based on particle swarm optimization and support vector machine

the proposed method has better forecasting accuracy and computational efficiency.

关键词

Keywords

references

郑睿程，顾洁，金之俭，等 . 数据驱动与预测误差驱动融合的短期负荷预测输入变量选择方法研究［J］. 中国电机工程学报， 2020 ， 40 （ 2 ）： 487 - 500 .

ZHENG Ruicheng ， GU Jie ， JIN Zhijian ， et al . Research on short-term load forecasting variable selection based on fusion of data driven method and forecast error driven method ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 2 ）： 487 - 500 .

黎灿兵，李晓辉，赵瑞，等 . 电力短期负荷预测相似日选取算法［J］. 电力系统自动化， 2008 ， 32 （ 9 ）： 69 - 73 .

LI Canbing ， LI Xiaohui ， ZHAO Rui ， et al . A novel algorithm of selecting similar days for short-term power load forecasting ［J］. Automation of Electric Power Systems ， 2008 ， 32 （ 9 ）： 69 - 73 .

杨锡运，刘欢，张彬，等 . 组合权重相似日选取方法及光伏输出功率预测［J］. 电力自动化设备， 2014 ， 34 （ 9 ）： 118 - 122 .

YANG Xiyun ， LIU Huan ， ZHANG Bin ， et al . Similar day selection based on combined weight and photovoltaic power output forecasting ［J］. Electric Power Automation Equipment ， 2014 ， 34 （ 9 ）： 118 - 122 .

ABEDINIA O ， AMJADY N ， ZAREIPOUR H . A new feature selection technique for load and price forecast of electrical power systems ［J］. IEEE Transactions on Power Systems ， 2017 ， 32 （ 1 ）： 62 - 74 .

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 .

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 .

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 .

史佳琪，张建华 . 基于多模型融合Stacking集成学习方式的负荷预测方法［J］. 中国电机工程学报， 2019 ， 39 （ 14 ）： 4032 - 4042 .

SHI Jiaqi ， ZHANG Jianhua . Load forecasting based on multi-model by stacking ensemble learning ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 14 ）： 4032 - 4042 .

TOLOSANA R ， VERA-RODRIGUEZ R ， FIERREZ J ， et al . Exploring recurrent neural networks for on-line handwritten signature biometrics ［J］. IEEE Access ， 2018 ， 6 ： 5128 - 5138 .

LIU X N ， ZHOU Y ， ZHAO J Q ， et al . Siamese convolutional neural networks for remote sensing scene classification ［J］. IEEE Geoscience and Remote Sensing Letters ， 2019 ， 16 （ 8 ）： 1200 - 1204 .

ZAGORUYKO S ， KOMODAKIS N . Learning to compare image patches via convolutional neural networks ［C］// 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， June 7-12 ， 2015 ， Boston， USA .

冯丽，邱家驹 . 基于电力负荷模式分类的短期电力负荷预测［J］. 电网技术， 2005 ， 29 （ 4 ）： 23 - 26 .

FENG Li ， QIU Jiaju . Electrical load forecasting based on load patterns ［J］. Power System Technology ， 2005 ， 29 （ 4 ）： 23 - 26 .

王晨，寇鹏 . 基于卷积神经网络和简单循环单元集成模型的风电场内多风机风速预测［J］. 电工技术学报， 2020 ， 35 （ 13 ）： 2723 - 2735 .

WANG Chen ， KOU Peng . Wind speed forecasts of multiple wind turbines in a wind farm based on integration model built by convolutional neural network and simple recurrent unit ［J］. Transactions of China Electrotechnical Society ， 2020 ， 35 （ 13 ）： 2723 - 2735 .

CHUNG J ， GULCEHRE C ， CHO K ， et al . Empirical evaluation of gated recurrent neural networks on sequence modeling ［EB/OL］. ［ 2021-04-02 ］. https：//arxiv.org/pdf/1412.3555.pdf https://arxiv.org/pdf/1412.3555.pdf .

张冠英，羡一鸣，葛磊蛟，等 . 经济新常态下基于Verhulst-SVM的中长期负荷预测模型［J］. 电测与仪表， 2019 ， 56 （ 1 ）： 102 - 107 .

ZHANG Guanying ， XIAN Yiming ， GE Leijiao ， et al . Medium and long-term load forecasting model based on Verhulst-SVM under new normal economy ［J］. Electrical Measurement & Instrumentation ， 2019 ， 56 （ 1 ）： 102 - 107 .

YASIN Z M ， SALIM N A ， AB AZIZ N F . Long term load forecasting using grey wolf optimizer-artificial neural network ［C］// 2019 7th International Conference on Mechatronics Engineering（ICOM）， October 30-31 ， 2019 ， Putrajaya， Malaysia .

闫政旭，秦超，宋刚 . 基于Pearson特征选择的随机森林模型股票价格预测［J/OL］. 计算机工程与应用［ 2021-07-04 ］. http：//kns.cnki.net/kcms/detail/11.2127.tp.20210518.0921.002.html http://kns.cnki.net/kcms/detail/11.2127.tp.20210518.0921.002.html .

YAN Zhengxu ， QIN Chao ， SONG Gang . Random forest model stock price forecast based on Pearson characteristics ［J/OL］. Computer Engineering and Applications ［ 2021-07-04 ］. http：//kns.cnki.net/kcms/detail/11.2127.tp.20210518.0921.002.html http://kns.cnki.net/kcms/detail/11.2127.tp.20210518.0921.002.html .

张素香，赵丙镇，王风雨，等 . 海量数据下的电力负荷短期预测［J］. 中国电机工程学报， 2015 ， 35 （ 1 ）： 37 - 42 .

ZHANG Suxiang ， ZHAO Bingzhen ， WANG Fengyu ， et al . Short-term power load forecasting based on big data ［J］. Proceedings of the CSEE ， 2015 ， 35 （ 1 ）： 37 - 42 .

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 - 72 .

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 - 72 .

张淑清，段晓宁，张立国，等 . Tsne降维可视化分析及飞蛾火焰优化ELM算法在电力负荷预测中应用［J］. 中国电机工程学报， 2021 ， 41 （ 9 ）： 3120 - 3130 .

ZHANG Shuqing ， DUAN Xiaoning ， ZHANG Liguo ， et al . Tsne dimension reduction visualization analysis and moth flame optimized ELM algorithm applied in power load forecasting ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 9 ）： 3120 - 3130 .

赖纪东，谢天月，苏建徽，等 . 基于粒子群优化算法的孤岛微电网电压不平衡补偿协调控制［J］. 电力系统自动化， 2020 ， 44 （ 16 ）： 121 - 129 .

LAI Jidong ， XIE Tianyue ， SU Jianhui ， et al . Coordinated control of voltage unbalance compensation in islanded microgrid based on particle swarm optimization algorithm ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 16 ）： 121 - 129 .

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 .

鞠鲁峰，王群京，李国丽，等 . 永磁球形电机的支持向量机模型的参数寻优［J］. 电工技术学报， 2014 ， 29 （ 1 ）： 85 - 90 .

JU Lufeng ， WANG Qunjing ， LI Guoli ， et al . Parameter optimization for support vector machine model of permanent magnet spherical motors ［J］. Transactions of China Electrotechnical Society ， 2014 ， 29 （ 1 ）： 85 - 90 .

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

考虑时序特征提取与双重注意力融合的TCN超短期负荷预测

高比例可再生能源电力系统的关键科学问题与理论研究框架