考虑多维时域特征的行业中长期负荷预测方法

张昆明; 蔡珊珊; 章天晗; 潘一洲; 王思睿; 林振智

doi:10.7500/AEPS20230115004

您当前的位置：

首页 >

文章列表页 >

考虑多维时域特征的行业中长期负荷预测方法

研制与开发 | 更新时间：2025-06-16

- 考虑多维时域特征的行业中长期负荷预测方法
- Medium- and Long-term Industry Load Forecasting Method Considering Multi-dimensional Temporal Features
- 电力系统自动化 2023年47卷第20期页码：104-114
- 作者机构：
  
  1.浙江大学电气工程学院,浙江省杭州市 310027
  2.国网浙江杭州市余杭区供电有限公司,浙江省杭州市 311100
  3.浙江华云信息科技有限公司,浙江省杭州市 310012
- 作者简介：
  
  张昆明(1998—)，男，硕士研究生，主要研究方向：电力数据挖掘。E-mail：eezkm@zju.edu.cn
  蔡珊珊(1992—)，女，工程师，主要研究方向：电力信息技术。E-main：847414752@qq.com
  章天晗(1997—)，男，博士研究生，主要研究方向：共享储能、电力系统态势感知。E-mail：eezhangth@zju.edu.cn
  林振智(1979—)，男，通信作者，博士，教授，博士生导师，主要研究方向：电力系统态势感知、电力系统恢复。E-mail：linzhenzhi@zju.edu.cn
- 基金信息：
  
  国家自然科学基金委员会-国家电网公司智能电网联合基金资助项目(U2166206)
- DOI：10.7500/AEPS20230115004
  中图分类号：
- 收稿：2023-01-15，
  
  修回：2023-06-25，
  
  网络出版：2023-08-25，
  
  纸质出版：2023-10-25
- 稿件说明：
移动端阅览
张昆明,蔡珊珊,章天晗等.考虑多维时域特征的行业中长期负荷预测方法[J].电力系统自动化,2023,47(20):104-114.

ZHANG Kunming,CAI Shanshan,ZHANG Tianhan,et al.Medium- and Long-term Industry Load Forecasting Method Considering Multi-dimensional Temporal Features[J].Automation of Electric Power Systems,2023,47(20):104-114.
张昆明,蔡珊珊,章天晗等.考虑多维时域特征的行业中长期负荷预测方法[J].电力系统自动化,2023,47(20):104-114. DOI： 10.7500/AEPS20230115004.

ZHANG Kunming,CAI Shanshan,ZHANG Tianhan,et al.Medium- and Long-term Industry Load Forecasting Method Considering Multi-dimensional Temporal Features[J].Automation of Electric Power Systems,2023,47(20):104-114. DOI： 10.7500/AEPS20230115004.

摘要

中长期负荷预测是电力系统规划与设计的重要依据，准确的行业中长期负荷预测能为电网布局规划、检修计划制定等提供决策支撑。在此背景下，针对行业中长期负荷隐含的多维时域特征，提出一种基于分解和预测思想的行业中长期负荷预测方法。首先，构建了基于周期趋势分解算法的行业中长期负荷特征分解模型，以得到分别表征行业负荷变化趋势性、周期性以及随机性特征的趋势分量、周期分量及残差分量；接着，针对分解得到的各维度分量，分别构建了基于门控循环单元的行业负荷全局趋势特征提取与预测模型、基于卷积神经网络的负荷周期局部特征提取模型，以及基于改进自适应高斯核密度估计的负荷残差概率密度预测模型，由此形成考虑多维时域特征的行业中长期负荷预测方法。最后，以中国某市化工行业负荷数据为例，验证了所提预测方法的有效性。

Abstract

Medium- and long-term load forecasting is an important basis for power system planning and design

and precise medium- and long-term industry load forecasting can provide the decision support for power system planning and maintenance programming. On this background

a medium- and long-term industry load forecasting method based on the idea of decomposition and forecasting is proposed to account for the multi-dimensional temporal features hidden in the medium- and long-term industry load. Firstly

the feature decomposition model of medium- and long-term industry load based on the seasonal trend decomposition algorithm is constructed to obtain the trend

periodic

and residual components

which represent the trend

periodical and stochastic features of the industry load

respectively. Secondly

according to each dimensional decomposed component obtained by decomposition

a global trend feature extraction and forecasting model based on gate recurrent unit

a local load feature extraction model based on convolutional neural network

and a residual load probability density estimation model based on the improved adaptive Gaussian kernel density estimation are constructed

respectively. Therefore

a medium- and long-term industry load forecasting method considering multi-dimensional temporal features is formed. Finally

the load data of the chemical industry in a city of China is employed to verify the effectiveness of the proposed forecasting method.

关键词

Keywords

references

杨国华，郑豪丰，张鸿皓，等 . 基于Holt-Winters指数平滑和时间卷积网络的短期负荷预测［J］. 电力系统自动化， 2022 ， 46 （ 6 ）： 73 - 82 .

YANG Guohua ， ZHENG Haofeng ， ZHANG Honghao ， et al . Short-term load forecasting based on Holt-Winters exponential smoothing and temporal convolutional network ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 6 ）： 73 - 82 .

XIE Y L ， JIN M P ， ZOU Z P ， et al . Real-time prediction of docker container resource load based on a hybrid model of ARIMA and triple exponential smoothing ［J］. IEEE Transactions on Cloud Computing ， 2022 ， 10 （ 2 ）： 1386 - 1401 .

WANG Z X ， LI Q ， PEI L L . A seasonal GM（1， 1） model for forecasting the electricity consumption of the primary economic sectors ［J］. Energy ， 2018 ， 154 ： 522 - 534 .

李滨，高枫 . 基于虚拟相似日与DA-LSTPNet的地区电网短期负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 22 ）： 55 - 64 .

LI Bin ， GAO Feng . Short-term load forecasting for regional power grid based on virtual similar days and dual-stage attention-based long and short time pattern network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 22 ）： 55 - 64 .

王琛，王颖，郑涛，等 . 基于ResNet-LSTM网络和注意力机制的综合能源系统多元负荷预测［J］. 电工技术学报， 2022 ， 37 （ 7 ）： 1789 - 1799 .

WANG Chen ， WANG Ying ， ZHENG Tao ， et al . Multi-energy load forecasting in integrated energy system based on ResNet-LSTM network and attention mechanism ［J］. Transactions of China Electrotechnical Society ， 2022 ， 37 （ 7 ）： 1789 - 1799 .

赵洋，王瀚墨，康丽，等 . 基于时间卷积网络的短期电力负荷预测［J］. 电工技术学报， 2022 ， 37 （ 5 ）： 1242 - 1251 .

ZHAO Yang ， WANG Hanmo ， KANG Li ， et al . Temporal convolution network-based short-term electrical load forecasting ［J］. Transactions of China Electrotechnical Society ， 2022 ， 37 （ 5 ）： 1242 - 1251 .

储晨阳，秦川，鞠平，等 . 基于优化稀疏编码的超短期负荷滚动多步预测［J］. 电工技术学报， 2021 ， 36 （ 19 ）： 4050 - 4059 .

CHU Chenyang ， QIN Chuan ， JU Ping ， et al . Multi-step rolling ultra-short-term load forecasting based on the optimized sparse coding ［J］. Transactions of China Electrotechnical Society ， 2021 ， 36 （ 19 ）： 4050 - 4059 .

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］. 中国电机工程学报， 2020 ， 40 （增刊1 ）： 11 - 19 .

LUO Shuxin ， MA Minhua ， JIANG Lin ， et al . Medium and long-term load forecasting method considering multi-time scale data ［J］. Proceedings of the CSEE ， 2020 ， 40 （ Supplement 1 ）： 11 - 19 .

张籍，薛儒涛，刘慧，等 . 基于深度信念网络的不同行业中长期负荷预测［J］. 电力系统及其自动化学报， 2019 ， 31 （ 9 ）： 12 - 19 .

ZHANG Ji ， XUE Rutao ， LIU Hui ， et al . Medium- and long-term load forecasting for different industries based on deep belief network ［J］. Proceedings of the CSU-EPSA ， 2019 ， 31 （ 9 ）： 12 - 19 .

朱琼锋，李家腾，乔骥，等 . 人工智能技术在新能源预测的应用及展望［J/OL］. 中国电机工程学报［ 2022-04-26 ］. https：//kns.cnki.net/kcms/detail/11.2107.TM.20220425.1645.010.html https://kns.cnki.net/kcms/detail/11.2107.TM.20220425.1645.010.html .

ZHU Qiongfeng ， LI Jiateng ， QIAO Ji ， et al . Application and prospect of AI technology in renewable energy forecasting ［J/OL］. Proceedings of the CSEE ［ 2022-04-26 ］. https：//kns.cnki.net/kcms/detail/11.2107.TM.20220425.1645.010.html https://kns.cnki.net/kcms/detail/11.2107.TM.20220425.1645.010.html .

WANG S M ， WANG S X ， CHEN H W ， et al . Multi-energy load forecasting for regional integrated energy systems considering temporal dynamic and coupling characteristics ［J］. Energy ， 2020 ， 195 ： 116964 .

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 .

唐贤伦，陈洪旭，熊德意，等 . 基于极端梯度提升和时间卷积网络的短期电力负荷预测［J］. 高电压技术， 2022 ， 48 （ 8 ）： 3059 - 3067 .

TANG Xianlun ， CHEN Hongxu ， XIONG Deyi ， et al . Short-term power load forecasting based on extreme gradient boosting and temporal convolutional network ［J］. High Voltage Engineering ， 2022 ， 48 （ 8 ）： 3059 - 3067 .

DENG X Z ， YE A S ， ZHONG J S ， et al . Bagging-XGBoost algorithm based extreme weather identification and short-term load forecasting model ［J］. Energy Reports ， 2022 ， 8 ： 8661 - 8674 .

陈振宇，刘金波，李晨，等 . 基于LSTM与XGBoost组合模型的超短期电力负荷预测［J］. 电网技术， 2020 ， 44 （ 2 ）： 614 - 620 .

CHEN Zhenyu ， LIU Jinbo ， LI Chen ， et al . Ultra short-term power load forecasting based on combined LSTM-XGBoost model ［J］. Power System Technology ， 2020 ， 44 （ 2 ）： 614 - 620 .

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 .

CHEN K J ， CHEN K L ， WANG Q ， et al . Short-term load forecasting with deep residual networks ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 4 ）： 3943 - 3952 .

张露，卢继平，梅亦蕾，等 . 基于不同优化准则的风电功率预测［J］. 电力自动化设备， 2015 ， 35 （ 5 ）： 139 - 145 .

ZHANG Lu ， LU Jiping ， MEI Yilei ， et al . Wind power forecasting based on different optimization criterions ［J］. Electric Power Automation Equipment ， 2015 ， 35 （ 5 ）： 139 - 145 .

刘俊，赵宏炎，刘嘉诚，等 . 基于协整-格兰杰因果检验和季节分解的中期负荷预测［J］. 电力系统自动化， 2019 ， 43 （ 1 ）： 73 - 80 .

LIU Jun ， ZHAO Hongyan ， LIU Jiacheng ， et al . Medium-term load forecasting based on cointegration-Granger causality test and seasonal decomposition ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 1 ）： 73 - 80 .

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 - 52 .

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 - 52 .

孟安波，许炫淙，陈嘉铭，等 . 基于强化学习和组合式深度学习模型的超短期光伏功率预测［J］. 电网技术， 2021 ， 45 （ 12 ）： 4721 - 4728 .

MENG Anbo ， XU Xuancong ， CHEN Jiaming ， et al . Prediction of ultra-short-term photovoltaic power based on reinforcement learning and combined deep learning model ［J］. Power System Technology ， 2021 ， 45 （ 12 ）： 4721 - 4728 .

FANG W ， HUANG S Z ， REN K ， et al . Examining the applicability of different sampling techniques in the development of decomposition-based streamflow forecasting models ［J］. Journal of Hydrology ， 2019 ， 568 ： 534 - 550 .

HE M ， WU S F ， KANG C X ， et al . Can sampling techniques improve the performance of decomposition-based hydrological prediction models？ Exploration of some comparative experiments ［J］. Applied Water Science ， 2022 ， 12 （ 8 ）： 175 .

CHO K ， VAN MERRIENBOER B ， GULCEHRE C ， et al . Learning phrase representations using RNN encoder-decoder for statistical machine translation ［EB/OL］. ［ 2022-10-20 ］. https：//arxiv.org/abs/1406.1078 https://arxiv.org/abs/1406.1078 .

CHUNG J ， GULCEHRE C ， CHO K ， et al . Empirical evaluation of gated recurrent neural networks on sequence modeling ［EB/OL］. ［ 2022-10-22 ］. https：//arxiv.org/abs/1412.3555 https://arxiv.org/abs/1412.3555 .

KINGMA D P ， BA J . Adam： a method for stochastic optimization ［EB/OL］. ［ 2022-10-11 ］. https：//arxiv.org/abs/1412.6980 https://arxiv.org/abs/1412.6980 .

纪德洋，金锋，冬雷，等 . 基于皮尔逊相关系数的光伏电站数据修复［J］. 中国电机工程学报， 2022 ， 42 （ 4 ）： 1514 - 1523 .

JI Deyang ， JIN Feng ， DONG Lei ， et al . Data repairing of photovoltaic power plant based on Pearson correlation coefficient ［J］. Proceedings of the CSEE ， 2022 ， 42 （ 4 ）： 1514 - 1523 .

VAN KERM P . Adaptive kernel density estimation ［J］. The Stata Journal ， 2003 ， 3 （ 2 ）： 148 - 156 .

国家统计局 . 月度数据［DB/OL］.［ 2022-06-16 ］. https：//data.stats.gov.cn/easyquery.htm https://data.stats.gov.cn/easyquery.htm .

National Bureau of Statistics . Monthly data ［DB/OL］. ［ 2022-06-16 ］. https：//data.stats.gov.cn/easyquery.htm https://data.stats.gov.cn/easyquery.htm .

GOODFELLOW I ， BENGIO Y ， COURVILLE A . Deep learning ［M］. Cambridge， USA ： The MIT Press ， 2016 .

WAN C ， ZHAO C F ， SONG Y H . Chance constrained extreme learning machine for nonparametric prediction intervals of wind power generation ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 5 ）： 3869 - 3884 .

YU Y X ， WANG M X ， YAN F Q ， et al . Improved convolutional neural network-based quantile regression for regional photovoltaic generation probabilistic forecast ［J］. IET Renewable Power Generation ， 2020 ， 14 （ 14 ）： 2712 - 2719 .

WANG Y ， GAN D H ， SUN M Y ， et al . Probabilistic individual load forecasting using pinball loss guided LSTM ［J］. Applied Energy ， 2019 ， 235 ： 10 - 20 .

DANG S L ， PENG L ， ZHAO J M ， et al . A quantile regression random forest-based short-term load probabilistic forecasting method ［J］. Energies ， 2022 ， 15 （ 2 ）： 663 .

PENG T ， ZHANG C ， ZHOU J ， et al . An integrated framework of bi-directional long-short term memory （BiLSTM） based on sine cosine algorithm for hourly solar radiation forecasting ［J］. Energy ， 2021 ， 221 （ 1 ）： 119887 .

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

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

基于深度信念网络的短期负荷预测方法

电力系统全环节碳排放核算方法综述