考虑事件数据的产消者负荷预测方法及极端误差抑制策略

高洪超; 陈启鑫; 雷振; 金泰; 康重庆; 孔祥玉

doi:10.7500/AEPS20220829001

您当前的位置：

首页 >

文章列表页 >

考虑事件数据的产消者负荷预测方法及极端误差抑制策略

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

- 考虑事件数据的产消者负荷预测方法及极端误差抑制策略
- Load Forecasting Method and Extreme Error Suppression Strategy for Prosumers Considering Event Data
- 电力系统自动化 2023年47卷第13期页码：47-55
- 作者机构：
  
  1.新型电力系统运行与控制全国重点实验室(清华大学),北京市 100084
  2.清华四川能源互联网研究院,四川省成都市 610299
  3.天津大学电气自动化与信息工程学院,天津市 300072
- 作者简介：
  
  高洪超(1990—)，男，博士，助理研究员，主要研究方向：需求侧资源的能量管理与市场机制。E-mail：hcgaoth@tsinghua.edu.cn
  陈启鑫(1982—)，男，通信作者，博士，教授，博士生导师，主要研究方向：电力市场、能源互联网与系统优化运行。E-mail：qxchen@tsinghua.edu.cn
  雷振(1993—)，男，硕士，工程师，主要研究方向:电力系统规划与运行。E-mail: 2558752021@qq.com
- 基金信息：
  
  国家重点研发计划资助项目(2021YFB2401200)
- DOI：10.7500/AEPS20220829001
  中图分类号：
- 收稿：2022-08-29，
  
  修回：2022-09-28，
  
  网络出版：2022-12-14，
  
  纸质出版：2023-07-10
- 稿件说明：
移动端阅览
高洪超,陈启鑫,雷振等.考虑事件数据的产消者负荷预测方法及极端误差抑制策略[J].电力系统自动化,2023,47(13):47-55.

GAO Hongchao,CHEN Qixin,LEI Zhen,et al.Load Forecasting Method and Extreme Error Suppression Strategy for Prosumers Considering Event Data[J].Automation of Electric Power Systems,2023,47(13):47-55.
高洪超,陈启鑫,雷振等.考虑事件数据的产消者负荷预测方法及极端误差抑制策略[J].电力系统自动化,2023,47(13):47-55. DOI： 10.7500/AEPS20220829001.

GAO Hongchao,CHEN Qixin,LEI Zhen,et al.Load Forecasting Method and Extreme Error Suppression Strategy for Prosumers Considering Event Data[J].Automation of Electric Power Systems,2023,47(13):47-55. DOI： 10.7500/AEPS20220829001.

摘要

能源互联网技术推动了电力产消用户的规模化发展，产消者资源的优化运行与电力市场运营成为改善综合能效和投资收益的重要议题。产消用户的电力负荷精细化预测不但有益于提升分布式资源有限的容量价值，而且还能在售电侧市场全面放开时规避运营风险。首先，综述了产消者电力负荷预测技术及应用场景，提出了事件数据的含义并讨论了事件数据稀疏性带来的行为模式切变对于典型时序预测模型产生的极端预测误差问题。为避免解耦分析多元影响因素下的不确定性，构建了基于预测历史数据置信加权的短时预测修正模型，并分析了修正模型对于极限误差的收敛作用和经济性提升成效。最后，基于真实校园微电网工程运行数据验证了所提方法的有效性。

Abstract

The large-scale development of power prosumers has been promoted by the energy internet technology

thereby its optimal coordination and electricity market operation have become an important issue to improve the integrated energy efficiency and investment returns. The refined electrical load forecasting of prosumers is not only beneficial to enhance the limited capacity value of distributed energy resources

but also can avoid operation risks when the electricity retail market is fully deregulated. This paper first summarizes the electrical load forecasting technologies and application scenarios of prosumers. Herein

the meaning of event data is proposed and the problem of extreme forecasting error on the typical time series forecasting model caused by the behavior pattern change characterized by event data sparsity is discussed. To avoid the uncertainty of decoupling analysis under multiple influencing factors

a short-term forecasting and correction model based on the confidence weight parameters of historical forecasting data is proposed

and the convergence function of the modified model on extreme forecasting error and economic improvement are analyzed. Finally

the validity of the proposed method is verified based on the real-world operation data of a campus microgrid demonstration project.

关键词

Keywords

references

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 .

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 .

王保义，赵硕，张少敏 . 基于云计算和极限学习机的分布式电力负荷预测算法［J］. 电网技术， 2014 ， 38 （ 2 ）： 526 - 531 .

WANG Baoyi ， ZHAO Shuo ， ZHANG Shaomin . A distributed load forecasting algorithm based on cloud computing and extreme learning machine ［J］. Power System Technology ， 2014 ， 38 （ 2 ）： 526 - 531 .

张淑清，李君，姜安琦，等 . 基于FPA-VMD和BiLSTM神经网络的新型两阶段短期电力负荷预测［J］. 电网技术， 2022 ， 46 （ 8 ）： 3269 - 3279 .

ZHANG Shuqing ， LI Jun ， JIANG Anqi ， et al . A novel two-stage model based on FPA-VMD and BiLSTM neural network for short-term power load forecasting ［J］. Power System Technology ， 2022 ， 46 （ 8 ）： 3269 - 3279 .

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］. 电网技术， 2020 ， 44 （ 11 ）： 4121 - 4134 .

LI Ran ， SUN Fan ， DING Xing ， et al . Ultra short-term load forecasting for user-level integrated energy system considering multi-energy spatio-temporal coupling ［J］. Power System Technology ， 2020 ， 44 （ 11 ）： 4121 - 4134 .

鲁斌，霍泽健，俞敏 . 基于LSTNet-Skip的综合能源系统多元负荷超短期预测［J/OL］. 中国电机工程学报［ 2022-05-06 ］. https：//kns.cnki.net/kcms/detail/detail.aspx？dbcode=CAPJ&dbname=CAPJLAST&filename=ZGDC20220407001&uniplatform https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=ZGDC20220407001&uniplatform

=NZKPT&v= 66 MZTQRHAarmH1ElIx 5 T 3 Dagor8gdZ526gPz

jIV 31 TyjJlWF9agmcrEm 2 l 7 ZOa 1r .

LU Bin ， HUO Zejian ， YU Min . A novel two-stage model based on FPA-VMD and BiLSTM neural network for short-term power load forecasting ［J/OL］. Proceedings of the CSEE ［ 2022-05-06 ］. https：//kns.cnki.net/kcms/detail/detail.aspx？dbcode=CAPJ&dbname=CAPJLAST&filename=ZGDC20220407001&uniplatform=NZKPT&v=66MZTQRHAarmH1ElIx5T3Dagor8gdZ526gPzjIV31TyjJlWF9agmcrEm2l7ZOa1r https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=ZGDC20220407001&uniplatform=NZKPT&v=66MZTQRHAarmH1ElIx5T3Dagor8gdZ526gPzjIV31TyjJlWF9agmcrEm2l7ZOa1r .

GANGWAR P ， MALLICK A ， CHAKRABARTI S ， et al . Short-term forecasting-based network reconfiguration for unbalanced distribution systems with distributed generators ［J］. IEEE Transactions on Industrial Informatics ， 2020 ， 16 （ 7 ）： 4378 - 4389 .

孙超，吕奇，朱思曈，等 . 基于双层XGBoost算法考虑多特征影响的超短期电力负荷预测［J］. 高电压技术， 2021 ， 47 （ 8 ）： 2885 - 2898 .

SUN Chao ， LÜ Qi ， ZHU Sitong ， et al . Ultra-short-term power load forecasting based on two-layer XGBoost algorithm considering the influence of multiple features ［J］. High Voltage Engineering ， 2021 ， 47 （ 8 ）： 2885 - 2898 .

朱剑飞，陈文刚，宰洪涛，等 . 基于ARIMA与LSTM在电力负荷预测中的对比讨论［J］. 电气应用， 2022 ， 41 （ 2 ）： 27 - 31 .

ZHU Jianfei ， CHEN Wengang ， ZAI Hongtao ， et al . Comparative discussion on power load forecasting based on ARIMA and LSTM ［J］. Electrotechnical Application ， 2022 ， 41 （ 2 ）： 27 - 31 .

BENTO P M R ， POMBO J A N ， CALADO M R A ， et al . Stacking ensemble methodology using deep learning and ARIMA models for short-term load forecasting ［J］. Energies ， 2021 ， 14 （ 21 ）： 7378 .

ZHU Y L ， ZHANG B ， DOU Z H ， et al . Short-term load forecasting based on Gaussian process regression with density peak clustering and information sharing antlion optimizer ［J］. IEEE Transactions on Electrical and Electronic Engineering ， 2020 ， 15 （ 9 ）： 1312 - 1320 .

SULANDARI W ， SUBANAR ， LEE M H ， et al . Indonesian electricity load forecasting using singular spectrum analysis， fuzzy systems and neural networks ［J］. Energy ， 2020 ， 190 ： 116408 .

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 .

SHAKIR M ， BILETSKIY Y . Forecasting and optimisation for microgrid in home energy management systems ［J］. IET Generation ， Transmission & Distribution， 2020 ， 14 （ 17 ）： 3458 - 3468 .

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 .

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］. 电力系统自动化， 2021 ， 45 （ 3 ）： 166 - 173 .

YANG Long ， WU Hongbin ， DING Ming ， et al . Short-term load forecasting in renewable energy grid based on bi-directional long short-term memory network considering feature selection ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 3 ）： 166 - 173 .

吴伟杰，吴杰康，雷振，等 . 基于CSO优化深度信念网络的园区能源需求预测方法［J］. 电网技术， 2021 ， 45 （ 10 ）： 3859 - 3868 .

WU Weijie ， WU Jiekang ， LEI Zhen ， et al . Park energy demand forecasting based on CSO optimized deep belief network ［J］. Power System Technology ， 2021 ， 45 （ 10 ）： 3859 - 3868 .

杨智宇，刘俊勇，刘友波，等 . 基于自适应深度信念网络的变电站负荷预测［J］. 中国电机工程学报， 2019 ， 39 （ 14 ）： 4049 - 4061 .

YANG Zhiyu ， LIU Junyong ， LIU Youbo ， et al . Transformer load forecasting based on adaptive deep belief network ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 14 ）： 4049 - 4061 .

SHEN Yamin . An ensemble model based on deep learning and data preprocessing for short-term electrical load forecasting ［J］. Sustainability ， 2021 ， 13 （ 4 ）： 1694 - 1694 .

CIECHULSKI T ， OSOWSKI S . High precision LSTM model for short-time load forecasting in power systems ［J］. Energies ， 2021 ， 14 （ 11 ）： 2983 .

张林，赖向平，仲书勇，等 . 基于正交小波和长短期记忆神经网络的用电负荷预测方法［J］. 现代电力， 2022 ， 39 （ 1 ）： 72 - 79 .

ZHANG Lin ， LAI Xiangping ， ZHONG Shuyong ， et al . Electricity load forecasting method based on orthogonal wavelet and long short-term memory neural networks ［J］. Modern Electric Power ， 2022 ， 39 （ 1 ）： 72 - 79 .

刘亚珲，赵倩 . 基于聚类经验模态分解的CNN-LSTM超短期电力负荷预测［J］. 电网技术， 2021 ， 45 （ 11 ）： 4444 - 4451 .

LIU Yahui ， ZHAO Qian . Ultra-short-term power load forecasting based on cluster empirical mode decomposition of CNN-LSTM ［J］. Power System Technology ， 2021 ， 45 （ 11 ）： 4444 - 4451 .

崔和瑞，彭旭 . 基于ARIMAX模型的夏季短期电力负荷预测［J］. 电力系统保护与控制， 2015 ， 43 （ 4 ）： 108 - 114 .

CUI Herui ， PENG Xu . Summer short-term load forecasting based on ARIMAX model ［J］. Power System Protection and Control ， 2015 ， 43 （ 4 ）： 108 - 114 .

SUMER K K ， GOKTAS O ， HEPSAG A . The application of seasonal latent variable in forecasting electricity demand as an alternative method ［J］. Energy Policy ， 2009 ， 37 （ 4 ）： 1317 - 1322 .

ROBERT N . Introduction to ARIMA models ［EB/OL］. ［ 2022-05-08 ］. http：//people. duke. ed u/~rnau/forecasting.htm http://people.duke.edu/~rnau/forecasting.htm .

BAI J Y ， WEI W ， CHEN L J ， et al . Rolling-horizon dispatch of advanced adiabatic compressed air energy storage based energy hub via data-driven stochastic dynamic programming ［J］. Energy Conversion and Management ， 2021 ， 243 ： 114322 .

GAO H C ， CHOI J H ， YUN S Y ， et al . A new power sharing scheme of multiple microgrids and an iterative pairing-based scheduling method ［J］. Energies ， 2020 ， 13 （ 7 ）： 1605 .

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

暂无数据