基于条件生成对抗网络曲线生成的短期负荷概率预测

孙浩; 万灿; 曹照静; 李昀熠; 鞠平

doi:10.7500/AEPS20230522005

您当前的位置：

首页 >

文章列表页 >

基于条件生成对抗网络曲线生成的短期负荷概率预测

研制与开发 | 更新时间：2025-06-16

- 基于条件生成对抗网络曲线生成的短期负荷概率预测
- Short-term Load Probabilistic Forecasting Based on Conditional Generative Adversarial Network Curve Generation
- 电力系统自动化 2023年47卷第23期页码：189-199
- 作者机构：
  
  浙江大学电气工程学院，浙江省杭州市 310027
- 作者简介：
  
  孙浩(1999—)，男，硕士研究生，主要研究方向：电力系统源荷概率预测。E-mail：22110118@zju.edu.cn
  万灿(1986—)，男，通信作者，教授，博士生导师，主要研究方向：新能源电力系统不确定性预测、分析与控制。E-mail：canwan@zju.edu.cn
  曹照静(1995—)，女，博士研究生，主要研究方向：不确定性量化与分析。E-mail：caozhaojing@zju.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目(52277130);国家自然科学基金联合基金资助项目(U2066601)
- DOI：10.7500/AEPS20230522005
  中图分类号：
- 收稿：2023-05-22，
  
  修回：2023-07-29，
  
  网络出版：2023-10-18，
  
  纸质出版：2023-12-10
- 稿件说明：
移动端阅览
孙浩,万灿,曹照静等.基于条件生成对抗网络曲线生成的短期负荷概率预测[J].电力系统自动化,2023,47(23):189-199.

SUN Hao,WAN Can,CAO Zhaojing,et al.Short-term Load Probabilistic Forecasting Based on Conditional Generative Adversarial Network Curve Generation[J].Automation of Electric Power Systems,2023,47(23):189-199.
孙浩,万灿,曹照静等.基于条件生成对抗网络曲线生成的短期负荷概率预测[J].电力系统自动化,2023,47(23):189-199. DOI： 10.7500/AEPS20230522005.

SUN Hao,WAN Can,CAO Zhaojing,et al.Short-term Load Probabilistic Forecasting Based on Conditional Generative Adversarial Network Curve Generation[J].Automation of Electric Power Systems,2023,47(23):189-199. DOI： 10.7500/AEPS20230522005.

摘要

为指导电力系统稳定安全运行，提出一种基于条件生成对抗网络(CGAN)曲线生成的短期负荷概率预测方法。首先，以日期、温度、历史负荷等特征为输入，构建基于双向长短期记忆神经网络的日负荷关键值自适应集成预测模型。其次，采用最大信息系数方法为负荷特征赋权，基于加权K最近邻算法、加权重采样构建相似曲线数据集。然后，以负荷关键值和相似曲线数据集分别作为条件和训练集，构建基于CGAN的负荷曲线生成模型，提出数值偏差量与曲线形态偏差量修正损失函数。最后，考虑模型、噪声不确定性，构造由噪声到模型输出概率分布的映射关系，进行短期负荷概率预测。以中国华东某地区电网负荷数据为例，验证了所提方法相对于传统方法具有更高的预测精度。

Abstract

In order to guide the stable and safe operation of power systems

a short-term load probabilistic forecasting approach based on conditional generative adversarial network (CGAN) curve generation is proposed. Firstly

an adaptive integrated forecasting model of key values of daily load based on bi-directional long short-term memory neural network is constructed by taking features of date

temperature and historical load as input. Secondly

the maximal information coefficient method is used to weight the load features

and the similar curve data set is constructed based on weighted K-nearest neighbor algorithm and weighted resampling. Then

taking the load key values and the similar curve data set as the conditions and training set

respectively

a load curve generation model based on CGAN is constructed. The numerical deviation and curve form deviation are proposed to correct the loss function. Finally

considering the uncertainty of the model and noise

the mapping from noise to the probability distribution of the model output is constructed

and the short-term load probabilistic forecasting is carried out. Taking the load data of a power grid in a certain region in East China as a case

it is verified that the proposed method has higher forecasting accuracy than the traditional methods.

关键词

Keywords

references

韩富佳，王晓辉，乔骥，等 . 基于人工智能技术的新型电力系统负荷预测研究综述［J/OL］. 中国电机工程学报： 1 - 24 ［ 2023-02-23 ］. https：//doi.org/10.13334/j.0258-8013.pcsee.221560 https://doi.org/10.13334/j.0258-8013.pcsee.221560 .

HAN Fujia ， WANG Xiaohui ， QIAO Ji ， et al . Review on artificial intelligence based load forecasting research for the new-type power system ［J/OL］. Proceedings of the CSEE ： 1 - 24 ［ 2023-02-23 ］. https：//doi.org/10.13334/j.0258-8013.pcsee.221560 https://doi.org/10.13334/j.0258-8013.pcsee.221560 .

雷绍兰，孙才新，周湶，等 . 电力短期负荷的多变量时间序列线性回归预测方法研究［J］. 中国电机工程学报， 2006 ， 26 （ 2 ）： 25 - 29 .

LEI Shaolan ， SUN Caixin ， ZHOU Quan ， et al . The research of local linear model of short-term electrical load on multivariate time series ［J］. Proceedings of the CSEE ， 2006 ， 26 （ 2 ）： 25 - 29 .

麦鸿坤，肖坚红，吴熙辰，等 . 基于R语言的负荷预测ARIMA模型并行化研究［J］. 电网技术， 2015 ， 39 （ 11 ）： 3216 - 3220 .

MAI Hongkun ， XIAO Jianhong ， WU Xichen ， et al . Research on ARIMA model parallelization in load prediction based on R language ［J］. Power System Technology ， 2015 ， 39 （ 11 ）： 3216 - 3220 .

苏学能，刘天琪，曹鸿谦，等 . 基于Hadoop架构的多重分布式BP神经网络的短期负荷预测方法［J］. 中国电机工程学报， 2017 ， 37 （ 17 ）： 4966 - 4973 .

SU Xueneng ， LIU Tianqi ， CAO Hongqian ， et al . A multiple distributed BP neural networks approach for short-term load forecasting based on Hadoop framework ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 17 ）： 4966 - 4973 .

RAFIEI M ， NIKNAM T ， AGHAEI J ， et al . Probabilistic load forecasting using an improved wavelet neural network trained by generalized extreme learning machine ［J］. IEEE Transactions on Smart Grid ， 2018 ， 9 （ 6 ）： 6961 - 6971 .

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 .

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 .

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］. 电力系统及其自动化学报， 2020 ， 32 （ 12 ）： 32 - 39 .

LI Zewen ， HU Rang ， LIU Xiang ， et al . Multi-factor short-term load prediction model based on PCA-DBILSTM ［J］. Proceedings of the CSU-EPSA ， 2020 ， 32 （ 12 ）： 32 - 39 .

WANG Y ， ZHANG N ， TAN Y S ， et al . Combining probabilistic load forecasts ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 4 ）： 3664 - 3674 .

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 .

颜伟，李丹，朱继忠，等 . 月前日负荷曲线的概率预测和随机场景模拟［J］. 电力系统自动化， 2017 ， 41 （ 17 ）： 155 - 162 .

YAN Wei ， LI Dan ， ZHU Jizhong ， et al . Probabilistic forecasting and stochastic scenario simulation of month-ahead daily load curve ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 17 ）： 155 - 162 .

金海峰，熊信艮，吴耀武 . 基于相似性原理的短期负荷预测方法［J］. 电力系统自动化， 2001 ， 25 （ 23 ）： 45 - 48 .

JIN Haifeng ， XIONG Xingen ， WU Yaowu . Short-term load forecasting based on analogous theory ［J］. Automation of Electric Power Systems ， 2001 ， 25 （ 23 ）： 45 - 48 .

HONG T ， FAN S . Probabilistic electric load forecasting： a tutorial review ［J］. International Journal of Forecasting ， 2016 ， 32 （ 3 ）： 914 - 938 .

孙谦，姚建刚，赵俊，等 . 基于最优交集相似日选取的短期母线负荷综合预测［J］. 中国电机工程学报， 2013 ， 33 （ 4 ）： 126 - 134 .

SUN Qian ， YAO Jiangang ， ZHAO Jun ， et al . Short-term bus load integrated forecasting based on selecting optimal intersection similar days ［J］. Proceedings of the CSEE ， 2013 ， 33 （ 4 ）： 126 - 134 .

肖白，黄钰茹，姜卓，等 . 数据匮乏场景下采用生成对抗网络的空间负荷预测方法［J］. 中国电机工程学报， 2020 ， 40 （ 24 ）： 7990 - 8001 .

XIAO Bai ， HUANG Yuru ， JIANG Zhuo ， et al . The method of spatial load forecasting based on the generative adversarial network for data scarcity scenarios ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 24 ）： 7990 - 8001 .

张晓峰，吴刚 . 基于生成对抗网络的数据增强方法［J］. 计算机系统应用， 2019 ， 28 （ 10 ）： 201 - 206 .

ZHANG Xiaofeng ， WU Gang . Data augmentation method based on generative adversarial network ［J］. Computer Systems & Applications ， 2019 ， 28 （ 10 ）： 201 - 206 .

卢锦玲，张祥国，张伟，等 . 基于改进辅助分类生成对抗网络的风机主轴承故障诊断［J］. 电力系统自动化， 2021 ， 45 （ 7 ）： 148 - 154 .

LU Jinling ， ZHANG Xiangguo ， ZHANG Wei ， et al . Fault diagnosis of main bearing of wind turbine based on improved auxiliary classifier generative adversarial network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 7 ）： 148 - 154 .

董骁翀，孙英云，蒲天骄 . 基于条件生成对抗网络的可再生能源日前场景生成方法［J］. 中国电机工程学报， 2020 ， 40 （ 17 ）： 5527 - 5536 .

DONG Xiaochong ， SUN Yingyun ， PU Tianjiao . Day-ahead scenario generation of renewable energy based on conditional GAN ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 17 ）： 5527 - 5536 .

林珊，王红，齐林海，等 . 基于条件生成对抗网络的短期负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 11 ）： 52 - 60 .

LIN Shan ， WANG Hong ， QI Linhai ， et al . Short-term load forecasting based on conditional generative adversarial network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 11 ）： 52 - 60 .

孙辉，杨帆，高正男，等 . 考虑特征重要性值波动的MI-BILSTM短期负荷预测［J］. 电力系统自动化， 2022 ， 46 （ 8 ）： 95 - 103 .

SUN Hui ， YANG Fan ， GAO Zhengnan ， et al . Short-term load forecasting based on mutual information and bi-directional long short-term memory network considering fluctuation in importance values of features ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 8 ）： 95 - 103 .

张振中，郭傅傲，刘大明，等 . 基于最大互信息系数和小波分解的多模型集成短期负荷预测［J］. 计算机应用与软件， 2021 ， 38 （ 5 ）： 82 - 87 .

ZHANG Zhenzhong ， GUO Fuao ， LIU Daming ， et al . Multi-model integrated short-term load prediction based on maximum mutual information coefficient and wavelet decomposition ［J］. Computer Applications and Software ， 2021 ， 38 （ 5 ）： 82 - 87 .

WAN C ， CAO Z J ， LEE W J ， et al . An adaptive ensemble data driven approach for nonparametric probabilistic forecasting of electricity load ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 6 ）： 5396 - 5408 .

邵振国，张承圣，陈飞雄，等 . 生成对抗网络及其在电力系统中的应用综述［J］. 中国电机工程学报， 2023 ， 43 （ 3 ）： 987 - 1004 .

SHAO Zhenguo ， ZHANG Chengsheng ， CHEN Feixiong ， et al . Summary of generated countermeasure network and its application in power system ［J］. Proceedings of the CSEE ， 2023 ， 43 （ 3 ）： 987 - 1004 .

王星华，陈卓优，彭显刚 . 一种基于双层聚类分析的负荷形态组合识别方法［J］. 电网技术， 2016 ， 40 （ 5 ）： 1495 - 1501 .

WANG Xinghua ， CHEN Zhuoyou ， PENG Xiangang . A new combinational electrical load analysis method based on bilayer clustering analysis ［J］. Power System Technology ， 2016 ， 40 （ 5 ）： 1495 - 1501 .

李中，刘洋洋，张铁峰 . 基于形态相似距离的时间序列相似度计算［J］. 计算机工程与设计， 2016 ， 37 （ 3 ）： 679 - 683 .

LI Zhong ， LIU Yangyang ， ZHANG Tiefeng . Time series similarity measurement based on morphology similarity distance ［J］. Computer Engineering and Design ， 2016 ， 37 （ 3 ）： 679 - 683 .

WAN C ， XU Z ， PINSON P ， et al . Probabilistic forecasting of wind power generation using extreme learning machine ［J］. IEEE Transactions on Power Systems ， 2014 ， 29 （ 3 ）： 1033 - 1044 .

BESSA R J ， MIRANDA V ， BOTTERUD A ， et al . Time adaptive conditional kernel density estimation for wind power forecasting ［J］. IEEE Transactions on Sustainable Energy ， 2012 ， 3 （ 4 ）： 660 - 669 .

ZHANG W J ， QUAN H ， SRINIVASAN D . An improved quantile regression neural network for probabilistic load forecasting ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 4 ）： 4425 - 4434 .

HAQUE A U ， NEHRIR M H ， MANDAL P . A hybrid intelligent model for deterministic and quantile regression approach for probabilistic wind power forecasting ［J］. IEEE Transactions on Power Systems ， 2014 ， 29 （ 4 ）： 1663 - 1672 .

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

基于条件增强扩散模型的短期负荷概率预测

基于混沌粒子群—高斯过程回归的饱和负荷概率预测模型

计及异常场景数据缺失的负荷超短期预测

结合负荷多步预测的氢能船舶双层能量调度策略