基于条件增强扩散模型的短期负荷概率预测

刘锦翔; 张江丰; 董山玲; 刘妹琴; 张森林

doi:10.7500/AEPS20240109003

您当前的位置：

首页 >

文章列表页 >

基于条件增强扩散模型的短期负荷概率预测

研制与开发 | 更新时间：2025-06-16

- 基于条件增强扩散模型的短期负荷概率预测
- Short-term Load Probabilistic Forecasting Based on Conditional Enhanced Diffusion Model
- 电力系统自动化 2024年48卷第23期页码：197-207
- 作者机构：
  
  1.浙江大学电气工程学院，浙江省杭州市 310027
  2.国网浙江省电力有限公司电力科学研究院，浙江省杭州市 310027
  3.西安交通大学人工智能与机器人研究所，陕西省西安市 710049
  4.浙江大学金华研究院，浙江省金华市 321036
- 作者简介：
  
  刘锦翔(1998—)，男，硕士研究生，主要研究方向：电力系统不确定性预测。E-mail：22210090@zju.edu.cn
  张江丰(1988—)，男，硕士，高级工程师，主要研究方向：电力系统网源协调控制技术与应用。E-mail： zhangjiangfeng0725@163.com
  董山玲(1990—)，女，通信作者，博士，研究员,博士生导师，主要研究方向：智能电网控制技术及应用。E-mail：shanlingdong28@zju.edu.cn
- 基金信息：
  
  浙江省自然科学基金资助项目(LZ22F030006)
- DOI：10.7500/AEPS20240109003
  中图分类号：
- 收稿：2024-01-09，
  
  修回：2024-04-23，
  
  网络出版：2024-07-08，
  
  纸质出版：2024-12-10
- 稿件说明：
移动端阅览
刘锦翔,张江丰,董山玲等.基于条件增强扩散模型的短期负荷概率预测[J].电力系统自动化,2024,48(23):197-207.

LIU Jinxiang,ZHANG Jiangfeng,DONG Shanling,et al.Short-term Load Probabilistic Forecasting Based on Conditional Enhanced Diffusion Model[J].Automation of Electric Power Systems,2024,48(23):197-207.
刘锦翔,张江丰,董山玲等.基于条件增强扩散模型的短期负荷概率预测[J].电力系统自动化,2024,48(23):197-207. DOI： 10.7500/AEPS20240109003.

LIU Jinxiang,ZHANG Jiangfeng,DONG Shanling,et al.Short-term Load Probabilistic Forecasting Based on Conditional Enhanced Diffusion Model[J].Automation of Electric Power Systems,2024,48(23):197-207. DOI： 10.7500/AEPS20240109003.

摘要

负荷概率预测可为电网规划提供指导，条件生成模型通过挖掘历史相似日信息，有效提高了预测性能。然而，以往研究未关注曲线形态信息和无条件模型的噪声解析作用，使得生成曲线的不确定性较高。为此，提出基于条件增强扩散模型的短期负荷概率预测方法。首先，构建改进的iTransformer日负荷预测模型，对相邻日负荷数据进行预测。其次，采用无条件噪声估计和条件噪声估计相结合的损失函数，构建结合多头自注意力机制和U型网络的扩散模型。然后，将日负荷预测结果和温度等特征作为条件输入，通过条件增强引导的反向扩散过程，将多组随机噪声进行去噪，生成多条负荷曲线进行概率密度分析。最后，基于中国某地区公开数据集展开算例分析，与多种模型进行对比，结果表明所提方法具有更高的预测精度。

Abstract

Load probabilistic forecasting can provide guidance for power grid planning

and the conditional generation model can effectively improve the forecasting performance by mining historical similar-day information. However

previous studies did not pay attention to the curve shape information and the noise analysis function of unconditional models

which increased the uncertainty of the generation curve. Therefore

a short-term load probabilistic forecasting method based on conditional enhanced diffusion model is proposed. Firstly

an improved iTransformer daily load forecasting model is constructed to forecast the adjacent daily load data. Secondly

a diffusion model combining multi-head self-attention mechanism and U-net is constructed using a loss function that combines unconditional noise estimation and conditional noise estimation. Then

the daily load forecasting results and characteristics such as temperature are used as conditional inputs. Through the reverse diffusion process of conditional enhanced guidance

multiple sets of random noise are denoised to generate multiple load curves for probability density analysis. Finally

based on a publicly available dataset from a region in China and comparative tests with various models

the case study analysis demonstrates that the proposed method has higher forecasting accuracy.

关键词

Keywords

references

WAN C ， ZHAO J ， SONG Y H ， et al . Photovoltaic and solar power forecasting for smart grid energy management ［J］. CSEE Journal of Power and Energy Systems ， 2015 ， 1 （ 4 ）： 38 - 46 .

FAN S ， HYNDMAN R J . Short-term load forecasting based on a semi-parametric additive model ［J］. IEEE Transactions on Power Systems ， 2012 ， 27 （ 1 ）： 134 - 141 .

李丹，张远航，杨保华，等 . 基于约束并行LSTM分位数回归的短期电力负荷概率预测方法［J］. 电网技术， 2021 ， 45 （ 4 ）： 1356 - 1364 .

LI Dan ， ZHANG Yuanhang ， YANG Baohua ， et al . Short time power load probabilistic forecasting based on constrained parallel-LSTM neural network quantile regression mode ［J］. Power System Technology ， 2021 ， 45 （ 4 ）： 1356 - 1364 .

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 .

VASWANI A ， SHAZEER N ， PARMAR N ， et al . Attention is all you need ［C］// 31st International Conference on Neural Information Processing Systems ， December 4-9 ， 2017 ， Long Beach， USA .

LIU Y ， HU T ， ZHANG H ， et al . iTransformer： inverted transformers are effective for time series forecasting ［C］// 12th International Conference on Learning Representations ， May 7-11 ， 2024 ， Vienna， Austria .

赵洪山，吴雨晨，温开云，等 . 基于时空注意力机制的台区多用户短期负荷预测［J］. 电工技术学报， 2024 ， 39 （ 7 ）： 2104 - 2115 .

ZHAO Hongshan ， WU Yuchen ， WEN Kaiyun ， et al . Short-term load forecasting for multiple customers in a station area based on spatial-temporal attention mechanism ［J］. Transactions of China Electrotechnical Society ， 2024 ， 39 （ 7 ）： 2104 - 2115 .

周思思，李勇，郭钇秀，等 . 考虑时序特征提取与双重注意力融合的TCN超短期负荷预测［J］. 电力系统自动化， 2023 ， 47 （ 18 ）： 193 - 205 .

ZHOU Sisi ， LI Yong ， GUO Yixiu ， et al . Ultra-short-term load forecasting based on temporal convolutional network considering temporal feature extraction and dual attention fusion ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 18 ）： 193 - 205 .

王凌云，周翔，田恬，等 . 基于多维气象信息时空融合和MPA-VMD的短期电力负荷组合预测模型［J］. 电力自动化设备， 2024 ， 44 （ 2 ）： 190 - 197 .

WANG Lingyun ， ZHOU Xiang ， TIAN Tian ， et al . Combination forecasting model of short-term power load based on multi-dimensional meteorological information spatio-temporal fusion and MPA-VMD ［J］. Electric Power Automation Equipment ， 2024 ， 44 （ 2 ）： 190 - 197 .

张建文，杨晨，冉懿，等 . 基于PCA-GPQR的电网负荷短期概率预测［J］. 电力系统及其自动化学报， 2020 ， 32 （ 5 ）： 24 - 29 .

ZHANG Jianwen ， YANG Chen ， RAN Yi ， et al . Short-term load probability forecasting based on PCA-GPQR ［J］. Proceedings of the CSU-EPSA ， 2020 ， 32 （ 5 ）： 24 - 29 .

吴浩天，孙荣富，廖思阳，等 . 基于改进气象聚类分型的短期风电功率概率预测方法［J］. 电力系统自动化， 2022 ， 46 （ 15 ）： 56 - 65 .

WU Haotian ， SUN Rongfu ， LIAO Siyang ， et al . Short-term wind power probability forecasting method based on improved meteorological clustering and classification ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 15 ）： 56 - 65 .

赵耀，高少炜，李东东，等 . 基于天气相似聚类与QRNN的短期光伏功率区间概率预测［J］. 电力系统自动化， 2023 ， 47 （ 23 ）： 152 - 161 .

ZHAO Yao ， GAO Shaowei ， LI Dongdong ， et al . Short-term interval probability prediction of photovoltaic power based on weather similarity clustering and quantile regression neural network ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 23 ）： 152 - 161 .

陈弘川，蔡旭，孙国歧，等 . 基于智能优化方法的相似日短期负荷预测［J］. 电力系统保护与控制， 2021 ， 49 （ 13 ）： 121 - 127 .

CHEN Hongchuan ， CAI Xu ， SUN Guoqi ， et al . Similar day short-term load forecasting based on intelligent optimization method ［J］. Power System Protection and Control ， 2021 ， 49 （ 13 ）： 121 - 127 .

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 .

YANG L ， ZHANG Z L ， SONG Y ， et al . Diffusion models： a comprehensive survey of methods and applications ［J］. ACM Computing Surveys ， 56 （ 4 ）： 105 .

SONG J ， MENG C ， ERMON S . Denoising diffusion implicit models ［C］// 9th International Conference on Learning Representations ， May 3-7 ， 2021 .

HO J ， SALIMANS T . Classifier-free diffusion guidance ［EB/OL］. ［ 2023-10-05 ］. https：//arxiv.org/pdf/2207.12598 https://arxiv.org/pdf/2207.12598 .

DHARIWAL P ， NICHOL A . Diffusion models beat GANs on image synthesis ［J］. Advances in Neural Information Processing Systems ， 2021 ， 34 ： 8780 - 8794 .

NICHOL A Q ， DHARIWAL P . Improved denoising diffusion probabilistic models ［C］// International Conference on Machine Learning ， July 18-24 ， 2021 .

ROMBACH R ， BLATTMANN A ， LORENZ D ， et al . High-resolution image synthesis with latent diffusion models ［C］// 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition ， June 18-24 ， 2022 ， New Orleans， USA .

DONG X ， MAO Z ， SUN Y ， et al . Short-term wind power scenario generation based on conditional latent diffusion models ［J］. IEEE Transactions on Sustainable Energy ， 2024 ， 15 （ 2 ）： 1074 - 1085 .

CAPEL E H ， DUMAS J . Denoising diffusion probabilistic models for probabilistic energy forecasting ［C］// 2023 IEEE Belgrade PowerTech ， June 25-29 ， 2023 ， Belgrade， Serbia .

中国电机工程学会电工数学专委会 . 第九届“中国电机工程学会杯”全国大学生电工数学建模竞赛题目［EB/OL］.［ 2023-04-25 ］. http：//shumo.nedu.edu.cn http://shumo.nedu.edu.cn .

Electrical Mathematics Committee of China Electrical Engineering Society . Title of the 9th “China Electrical Engineering Society Cup” national undergraduate electrical mathematics modeling competition ［EB/OL］. ［ 2023-04-25 ］. http：//shumo.nedu.edu.cn http://shumo.nedu.edu.cn .

GAL Y ， GHAHRAMANI Z . Dropout as a Bayesian approximation： representing model uncertainty in deep learning ［C］// International Conference on Machine Learning ， June 19-24 ， 2016 ， New York， USA .

HUANG Q ， WEI S . Improved quantile convolutional neural network with two-stage training for daily-ahead probabilistic forecasting of photovoltaic power ［J］. Energy Conversion and Management ， 2020 ， 220 ： 113085 .

TRAN D ， DUSENBERRY M ， VAN D W M ， et al . Bayesian layers： a module for neural network uncertainty ［EB/OL］. ［ 2023-09-05 ］. https：//arxiv.org/abs/1812.03973 https://arxiv.org/abs/1812.03973 .

韩宇超，同向前，邓亚平 . 基于概率密度估计与时序Transformer网络的风功率日前区间预测［J/OL］. 中国电机工程学报［ 2024-03-11 ］. http：//kns.cnki.net/kcms/detail/11.2107.TM.20230928.1732.004.html http://kns.cnki.net/kcms/detail/11.2107.TM.20230928.1732.004.html .

HAN Yuchao ， TONG Xiangqian ， DENG Yaping . Probabilistic distribution estimation and temporal transformer-based interval prediction in day-ahead wind power prediction ［J/OL］. Proceedings of the CSEE ［ 2024-03-11 ］. http：//kns.cnki.net/kcms/detail/11.2107.TM.20230928.1732.004.html http://kns.cnki.net/kcms/detail/11.2107.TM.20230928.1732.004.html .

HU E J ， SHEN Y ， WALLIS P ， et al . Lora： low-rank adaptation of large language models ［EB/OL］. ［ 2023-09-05 ］. https：//arxiv.org/abs/2106.09685 https://arxiv.org/abs/2106.09685 .

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

基于条件生成对抗网络曲线生成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