基于多维融合特征和卷积神经网络的多任务用户短期负荷预测

臧海祥; 许瑞琦; 刘璟璇; 陈玉伟; 卫志农; 孙国强

doi:10.7500/AEPS20220427004

您当前的位置：

首页 >

文章列表页 >

基于多维融合特征和卷积神经网络的多任务用户短期负荷预测

面向多元用户的负荷特性建模与预测关键技术 | 更新时间：2025-06-16

- 基于多维融合特征和卷积神经网络的多任务用户短期负荷预测
- Short-term Load Forecasting for Multi-task Consumers Based on Multi-dimensional Fusion Feature and Convolutional Neural Network
- 电力系统自动化 2023年47卷第13期页码：69-77
- 作者机构：
  
  河海大学能源与电气学院，江苏省南京市 211100
- 作者简介：
  
  臧海祥(1986—)，男，通信作者，博士，副教授，博士生导师，主要研究方向：电力系统规划与运行分析、新能源发电技术等。E-mail：zanghaixiang@hhu.edu.cn
  许瑞琦(1996—)，女，硕士研究生，主要研究方向：电力系统大数据分析、负荷预测技术等。E-mail：xrqpost@163.com
  刘璟璇(1998—)，男，硕士研究生，主要研究方向：新能源发电技术。E-mail：211306080023@hhu.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目(52077062);已申请国家发明专利（申请号：CN202111134821.0）
- DOI：10.7500/AEPS20220427004
  中图分类号：
- 收稿：2022-04-27，
  
  修回：2022-10-25，
  
  网络出版：2023-01-09，
  
  纸质出版：2023-07-10
- 稿件说明：
移动端阅览
臧海祥,许瑞琦,刘璟璇等.基于多维融合特征和卷积神经网络的多任务用户短期负荷预测[J].电力系统自动化,2023,47(13):69-77.

ZANG Haixiang,XU Ruiqi,LIU Jingxuan,et al.Short-term Load Forecasting for Multi-task Consumers Based on Multi-dimensional Fusion Feature and Convolutional Neural Network[J].Automation of Electric Power Systems,2023,47(13):69-77.
臧海祥,许瑞琦,刘璟璇等.基于多维融合特征和卷积神经网络的多任务用户短期负荷预测[J].电力系统自动化,2023,47(13):69-77. DOI： 10.7500/AEPS20220427004.

ZANG Haixiang,XU Ruiqi,LIU Jingxuan,et al.Short-term Load Forecasting for Multi-task Consumers Based on Multi-dimensional Fusion Feature and Convolutional Neural Network[J].Automation of Electric Power Systems,2023,47(13):69-77. DOI： 10.7500/AEPS20220427004.

摘要

针对海量用户负荷预测场景下，应用单任务用户负荷预测法所导致的运行效率低以及无法学习相关任务间关联关系等问题，提出一种基于多维融合特征和卷积神经网络的多任务用户短期负荷预测方法。首先，基于聚类技术实现多任务学习中相关任务的选择;其次，为每一类用户群构建多维融合输入，合理有序容纳多个任务的特征，避免维度爆炸和信息混乱;最后，分别为每一类用户建立以卷积神经网络为共享层的多任务预测模型，学习共享特征，并行输出相应类中全部用户的负荷预测值。基于爱尔兰能源监管委员会提供的智能电表实测数据进行算例分析，结果表明，该方法在提高整体运行效率和平均预测精度方面均取得良好成效。

Abstract

Aiming at the problems of low operation efficiency and being unable to learn the correlation between related tasks caused by the application of load forecasting method for single-task consumers in the scenario of load forecasting for massive users

a short-term load forecasting method for multi-task consumers based on multi-dimensional fusion feature and convolutional neural network is proposed. Firstly

the selection of relevant tasks in multi-task learning is realized based on clustering technology. Then

multi-dimensional fusion input is constructed for each cluster of consumers to reasonably and orderly accommodate the features of multiple tasks in order to avoid the dimensional explosion and the information chaos. Finally

a multi-task forecasting model with convolutional neural network as the sharing layer is established for each cluster of consumers to learn the sharing feature

and the load forecasting values of all consumers in the corresponding cluster are output in parallel. Case analysis on the basis of the measured data of smart meters provided by the Energy Management Commission of Ireland

the results show that the proposed method performs well in improving the overall operation efficiency and average forecasting accuracy.

关键词

Keywords

references

曾嘉志，赵雄飞，李静，等 . 用电侧市场放开下的电力市场多主体博弈［J］. 电力系统自动化， 2017 ， 41 （ 24 ）： 129 - 136 .

ZENG Jiazhi ， ZHAO Xiongfei ， LI Jing ， et al . Game among multiple entities in electricity market with liberalization of power demand side market ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 24 ）： 129 - 136 .

喻小宝，谭忠富，马佳乐，等 . 计及需求响应的售电公司正偏差电量考核优化模型［J］. 电力系统自动化， 2019 ， 43 （ 7 ）： 120 - 128 .

YU Xiaobao ， TAN Zhongfu ， MA Jiale ， et al . Optimal model for positive deviation penalty of power retailers considering demand response ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 7 ）： 120 - 128 .

ALHUSSEIN M ， AURANGZEB K ， HAIDER S I . Hybrid CNN-LSTM model for short-term individual household load forecasting ［J］. IEEE Access ， 2020 ， 8 ： 180544 - 180557 .

顾洁，孟璐，郑睿程，等 . 考虑集群辨识的海量用户负荷分层概率预测［J］. 电力系统自动化， 2021 ， 45 （ 5 ）： 71 - 78 .

GU Jie ， MENG Lu ， ZHENG Ruicheng ， et al . Load-stratified probability forecasting for massive users considering cluster identification ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 5 ）： 71 - 78 .

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 .

JIANG L J ， WANG X L ， LI W ， et al . Hybrid multitask multi-information fusion deep learning for household short-term load forecasting ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 6 ）： 5362 - 5372 .

HONG Y ， ZHOU Y J ， LI Q B ， et al . A deep learning method for short-term residential load forecasting in smart grid ［J］. IEEE Access ， 2020 ， 8 ： 55785 - 55797 .

YANG W W ， SHI J ， LI S J ， et al . A combined deep learning load forecasting model of single household resident user considering multi-time scale electricity consumption behavior ［J］. Applied Energy ， 2022 ， 307 ： 118197 .

KIM T Y ， CHO S B . Predicting residential energy consumption using CNN-LSTM neural networks ［J］. Energy ， 2019 ， 182 ： 72 - 81 .

杨德昌，赵肖余，何绍文，等 . 面向海量用户用电数据的集成负荷预测［J］. 电网技术， 2018 ， 42 （ 9 ）： 2923 - 2929 .

YANG Dechang ， ZHAO Xiaoyu ， HE Shaowen ， et al . Aggregated load forecasting based on massive household smart meter data ［J］. Power System Technology ， 2018 ， 42 （ 9 ）： 2923 - 2929 .

吕忠麟，顾洁，孟璐 . 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［J］. 电力系统自动化， 2022 ， 46 （ 11 ）： 58 - 66 .

LYU Zhonglin ， GU Jie ， MENG Lu . Short-term load forecasting for integrated energy system based on coupling features and multi-task learning ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 11 ）： 58 - 66 .

FIOT J B ， DINUZZO F . Electricity demand forecasting by multi-task learning ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 2 ）： 544 - 551 .

王玉峰，肖灿彬，陈焱，等 . 一种利用多任务学习的短期住宅负荷预测方案［J］. 北京邮电大学学报， 2021 ， 44 （ 3 ）： 47 - 52 .

WANG Yufeng ， XIAO Canbin ， CHEN Yan ， et al . An short-term residential load forecasting scheme using multi-task learning ［J］. Journal of Beijing University of Posts and Telecommunications ， 2021 ， 44 （ 3 ）： 47 - 52 .

李智勇，苏寅生，李斌，等 . 基于MT-BSGP的电力负荷预测方法［J］. 哈尔滨理工大学学报， 2021 ， 26 （ 4 ）： 46 - 55 .

LI Zhiyong ， SU Yinsheng ， LI Bin ， et al . Power load forecasting method based on MT-BSGP ［J］. Journal of Harbin University of Science and Technology ， 2021 ， 26 （ 4 ）： 46 - 55 .

苏运，卜凡鹏，郭乃网，等 . 基于低秩表示的多任务短期电力负荷预测的研究［J］. 现代电力， 2019 ， 36 （ 3 ）： 58 - 65 .

SU Yun ， BU Fanpeng ， GUO Naiwang ， et al . Research on short-term load forecast using multi-task with low-rank representation ［J］. Modern Electric Power ， 2019 ， 36 （ 3 ）： 58 - 65 .

张钰，刘建伟，左信 . 多任务学习［J］. 计算机学报， 2020 ， 43 （ 7 ）： 1340 - 1378 .

ZHANG Yu ， LIU Jianwei ， ZUO Xin . Survey of multi-task learning ［J］. Chinese Journal of Computers ， 2020 ， 43 （ 7 ）： 1340 - 1378 .

JU Y ， LI J ， SUN G Y . Ultra-short-term photovoltaic power prediction based on self-attention mechanism and multi-task learning ［J］. IEEE Access ， 2020 ， 8 ： 44821 - 44829 .

翟俐民，张建伟，韩云祥 . 基于层次聚类和LSTM的航空器到达时刻预测［J］. 现代计算机， 2021 （ 14 ）： 9 - 13 .

ZHAI Limin ， ZHANG Jianwei ， HAN Yunxiang . Arrival flight time prediction based on hierarchical clustering and LSTM ［J］. Modern Computer ， 2021 （ 14 ）： 9 - 13 .

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 .

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

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 - 707 .

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 - 707 .

ZANG H X ， LIU L ， SUN L ， et al . Short-term global horizontal irradiance forecasting based on a hybrid CNN-LSTM model with spatiotemporal correlations ［J］. Renewable Energy ， 2020 ， 160 ： 26 - 41 .

SAJJAD M ， KHAN Z A ， ULLAH A ， et al . A novel CNN-GRU-based hybrid approach for short-term residential load forecasting ［J］. IEEE Access ， 2020 ， 8 ： 143759 - 143768 .

ZUBAIR S ， YAN F ， WANG W W . Dictionary learning based sparse coefficients for audio classification with max and average pooling ［J］. Digital Signal Processing ， 2013 ， 23 （ 3 ）： 960 - 970 .

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 .

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

基于时空图注意力网络的超短期区域负荷预测

考虑多维时域特征的行业中长期负荷预测方法