基于分解算法与元学习结合的综合能源系统负荷预测

黄璜; 张安安

doi:10.7500/AEPS20231116003

您当前的位置：

首页 >

文章列表页 >

基于分解算法与元学习结合的综合能源系统负荷预测

学术研究 | 更新时间：2025-06-16

- 基于分解算法与元学习结合的综合能源系统负荷预测
- Load Forecasting of Integrated Energy System Based on Combination of Decomposition Algorithms and Meta-learning
- 电力系统自动化 2024年48卷第10期页码：151-160
- 作者机构：
  
  西南石油大学电气信息学院，四川省成都市 610500
- 作者简介：
  
  黄璜(1994—)，男，硕士，讲师，主要研究方向：综合能源系统数据驱动分析、人工智能在电力系统中应用。E-mail：zyhh028@swpu.edu.cn
  张安安(1977—)，男，通信作者，博士，教授，主要研究方向：综合能源系统态势感知、电-气协调控制。E-mail：ananzhang@swpu.edu.cn
- 基金信息：
  
  四川省科技计划资助项目(24NSFSC4924)
- DOI：10.7500/AEPS20231116003
  中图分类号：
- 收稿：2023-11-16，
  
  修回：2024-01-15，
  
  网络出版：2024-04-10，
  
  纸质出版：2024-05-25
- 稿件说明：
移动端阅览
黄璜,张安安.基于分解算法与元学习结合的综合能源系统负荷预测[J].电力系统自动化,2024,48(10):151-160.

HUANG Huang,ZHANG An’an.Load Forecasting of Integrated Energy System Based on Combination of Decomposition Algorithms and Meta-learning[J].Automation of Electric Power Systems,2024,48(10):151-160.
黄璜,张安安.基于分解算法与元学习结合的综合能源系统负荷预测[J].电力系统自动化,2024,48(10):151-160. DOI： 10.7500/AEPS20231116003.

HUANG Huang,ZHANG An’an.Load Forecasting of Integrated Energy System Based on Combination of Decomposition Algorithms and Meta-learning[J].Automation of Electric Power Systems,2024,48(10):151-160. DOI： 10.7500/AEPS20231116003.

摘要

针对区域综合能源系统(IES)负荷间关联敏感性高、季节泛化性差导致的负荷预测精度受限问题，提出一种基于分解算法与元学习结合的多元负荷组合预测方法。首先，基于动态最大信息系数量化不同时段多元负荷间相关性，根据动态相关性结果构造特征输入变量。然后，通过窗口滑动将负荷序列分成多个子序列单元，并使用变分模态分解将其划分为多个任务，避免整体分解带来的前瞻性偏差问题。最后，采用双向长短期记忆模型预测子序列，并通过模型无关的元学习算法减少梯度迭代，重构子序列后融合全连通层输出预测结果。基于美国亚利桑那州立大学坦佩校区IES数据集

验证了所提混合模型具有更高的IES多元负荷预测精度。

Abstract

Aiming at the problem of limited load forecasting accuracy due to high sensitivity of inter-load correlation and poor seasonal generalization in the regional integrated energy system (IES)

a multivariate load combination forecasting method based on the combination of decomposition algorithms and meta-learning is proposed. First

the correlation between multivariate loads in different time periods is quantified based on the dynamic maximal information coefficient

and the characteristic input variables are constructed according to the dynamic correlation results. Then

the load sequence is divided into multiple sub-sequence units by window sliding and divided into multiple tasks by variational modal decomposition to avoid the forward-looking bias problem caused by the overall decomposition. Finally

the subsequence is forecasted using a bi-directional long short-term memory model and the gradient iterations are reduced by a model-agnostic meta-learning algorithm

which reconstructs the subsequence and then fuses the fully connected layers to output the prediction. Based on the IES dataset of Arizona State University Tempe Campus

USA

the proposed hybrid model is verified to have higher IES multivariate load forecasting accuracy.

关键词

Keywords

references

张沈习，王丹阳，程浩忠，等 . 双碳目标下低碳综合能源系统规划关键技术及挑战［J］. 电力系统自动化， 2022 ， 46 （ 8 ）： 189 - 207 .

ZHANG Shenxi ， WANG Danyang ， CHENG Haozhong ， et al . Key technologies and challenges of low-carbon integrated energy system planning for carbon emission peak and carbon neutrality ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 8 ）： 189 - 207 .

HUANG W J ， ZHANG N ， CHENG Y H ， et al . Multienergy networks analytics： standardized modeling， optimization， and low carbon analysis ［J］. Proceedings of the IEEE ， 2020 ， 108 （ 9 ）： 1411 - 1436 .

邱玥，陆帅，陆海，等 . 综合能源系统灵活性：基本内涵、数学模型与研究框架［J］. 电力系统自动化， 2022 ， 46 （ 17 ）： 16 - 43 .

QIU Yue ， LU Shuai ， LU Hai ， et al . Flexibility of integrated energy system： basic connotation， mathematical model and research framework ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 17 ）： 16 - 43 .

赵佩，代业明 . 基于实时电价和加权灰色关联投影的SVM电力负荷预测［J］. 电网技术， 2020 ， 44 （ 4 ）： 1325 - 1332 .

ZHAO Pei ， DAI Yeming . Power load forecasting of SVM based on real-time price and weighted grey relational projection algorithm ［J］. Power System Technology ， 2020 ， 44 （ 4 ）： 1325 - 1332 .

李焱，贾雅君，李磊，等 . 基于随机森林算法的短期电力负荷预测［J］. 电力系统保护与控制， 2020 ， 48 （ 21 ）： 117 - 124 .

LI Yan ， JIA Yajun ， LI Lei ， et al . Short term power load forecasting based on a stochastic forest algorithm ［J］. Power System Protection and Control ， 2020 ， 48 （ 21 ）： 117 - 124 .

ZHAO H R ， GUO S . Uncertain interval forecasting for combined electricity-heat-cooling-gas loads in the integrated energy system based on multi-task learning and multi-kernel extreme learning machine ［J］. Mathematics ， 2021 ， 9 （ 14 ）： 1645 .

KONG X Y ， LI C ， ZHENG F ， et al . Improved deep belief network for short-term load forecasting considering demand-side management ［J］. IEEE Transactions on Power Systems ， 2020 ， 35 （ 2 ）： 1531 - 1538 .

GE L J ， LI Y L ， YAN J ， et al . Short-term load prediction of integrated energy system with wavelet neural network model based on improved particle swarm optimization and chaos optimization algorithm ［J］. Journal of Modern Power Systems and Clean Energy ， 2021 ， 9 （ 6 ）： 1490 - 1499 .

张文栋，刘子琨，梁涛，等 . 基于CNN-LSTM的综合能源系统负荷预测模型［J］. 重庆邮电大学学报（自然科学版）， 2023 ， 35 （ 2 ）： 254 - 262 .

ZHANG Wendong ， LIU Zikun ， LIANG Tao ， et al . Load prediction model of integrated energy system based on CNN-LSTM ［J］. Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition）， 2023 ， 35 （ 2 ）： 254 - 262 .

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 .

FANG X ， ZHANG W ， GUO Y H ， et al . A novel reinforced deep RNN-LSTM algorithm： energy management forecasting case study ［J］. IEEE Transactions on Industrial Informatics ， 2022 ， 18 （ 8 ）： 5698 - 5704 .

LI J ， DENG D Y ， ZHAO J B ， et al . A novel hybrid short-term load forecasting method of smart grid using MLR and LSTM neural network ［J］. IEEE Transactions on Industrial Informatics ， 2021 ， 17 （ 4 ）： 2443 - 2452 .

刘友波，吴浩，刘挺坚，等 . 集成经验模态分解与深度学习的用户侧净负荷预测算法［J］. 电力系统自动化， 2021 ， 45 （ 24 ）： 57 - 64 .

LIU Youbo ， WU Hao ， LIU Tingjian ， et al . User-side net load forecasting method integrating empirical mode decomposition and deep learning ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 24 ）： 57 - 64 .

陈锦鹏，胡志坚，陈纬楠，等 . 二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 13 ）： 85 - 94 .

CHEN Jinpeng ， HU Zhijian ， CHEN Weinan ， et al . Load prediction of integrated energy system based on combination of quadratic modal decomposition and deep bidirectional long short-term memory and multiple linear regression ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 13 ）： 85 - 94 .

肖白，周文凯，姜卓 . 基于孤立森林、模态分解和神经网络的空间负荷态势感知［J］. 电力系统自动化， 2022 ， 46 （ 18 ）： 190 - 198 .

XIAO Bai ， ZHOU Wenkai ， JIANG Zhuo . Spatial load situation awareness based on isolation forest， mode decomposition and neural networks ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 18 ）： 190 - 198 .

NEERAJ ， MATHEW J ， KUMAR BEHERA R . EMD-Att-LSTM： a data-driven strategy combined with deep learning for short-term load forecasting ［J］. Journal of Modern Power Systems and Clean Energy ， 2022 ， 10 （ 5 ）： 1229 - 1240 .

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 .

TAN M ， LIAO C C ， CHEN J ， et al . A multi-task learning method for multi-energy load forecasting based on synthesis correlation analysis and load participation factor ［J］. Applied Energy ， 2023 ， 343 ： 121177 .

MOKARRAM M J ， RASHIDITABAR R ， GITIZADEH M ， et al . Net-load forecasting of renewable energy systems using multi-input LSTM fuzzy and discrete wavelet transform ［J］. Energy ， 2023 ， 275 ： 127425 .

ALFIERI L ， DE FALCO P . Wavelet-based decompositions in probabilistic load forecasting ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 2 ）： 1367 - 1376 .

Arizona State University . Load data ［EB/OL］. ［ 2023-11-15 ］. http：//cm.asu.edu/ http://cm.asu.edu/ .

NSRDB data viewer ［EB/OL］. ［ 2023-11-15 ］. https：//maps.nrel.gov/nsrdb-viewer/ https://maps.nrel.gov/nsrdb-viewer/ .

GUO Y X ， LI Y ， QIAO X B ， et al . BiLSTM multitask learning-based combined load forecasting considering the loads coupling relationship for multienergy system ［J］. IEEE Transactions on Smart Grid ， 2022 ， 13 （ 5 ）： 3481 - 3492 .

JIA P Y ， ZHANG H B ， LIU X M ， et al . Short-term photovoltaic power forecasting based on VMD and ISSA-GRU ［J］. IEEE Access ， 2021 ， 9 ： 105939 - 105950 .

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

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

考虑屋顶光伏热效应的短期净负荷预测

基于Inception和注意力机制的双分支日前电价预测