月刊
ISSN 1000-7229
CN 11-2583/TM
电力建设 ›› 2022, Vol. 43 ›› Issue (2): 98-108.doi: 10.12204/j.issn.1000-7229.2022.02.012
刘文杰(), 刘禾(), 王英男(), 杨国田(), 李新利()
收稿日期:
2021-04-29
出版日期:
2022-02-01
发布日期:
2022-03-24
作者简介:
刘文杰(1997),男,硕士研究生,主要研究方向为深度学习和综合能源等,E-mail: wenjie@ncepu.edu.cn;基金资助:
LIU Wenjie(), LIU He(), WANG Yingnan(), YANG Guotian(), LI Xinli()
Received:
2021-04-29
Online:
2022-02-01
Published:
2022-03-24
Supported by:
摘要:
短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism, LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。
中图分类号:
刘文杰, 刘禾, 王英男, 杨国田, 李新利. 基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法[J]. 电力建设, 2022, 43(2): 98-108.
LIU Wenjie, LIU He, WANG Yingnan, YANG Guotian, LI Xinli. Short-Term Power Load Forecasting Method Based on CEEMDAN and LSTM-Attention Network[J]. ELECTRIC POWER CONSTRUCTION, 2022, 43(2): 98-108.
[1] | 廖旎焕, 胡智宏, 马莹莹, 等. 电力系统短期负荷预测方法综述[J]. 电力系统保护与控制, 2011, 39(1):147-152. |
LIAO Nihuan, HU Zhihong, MA Yingying, et al. Review of the short-term load forecasting methods of electric power system[J]. Power System Protection and Control, 2011, 39(1):147-152. | |
[2] |
VAGHEFI A, JAFARI M A, BISSE E, et al. Modeling and forecasting of cooling and electricity load demand[J]. Applied Energy, 2014, 136:186-196.
doi: 10.1016/j.apenergy.2014.09.004 URL |
[3] | 陈红. 电力系统短期负荷预测系统的实现[J]. 电力系统自动化, 1997, 21(12):58-60. |
CHEN Hong. Implementation of a short-term forecasting system[J]. Automation of Electric Power Systems, 1997, 21(12):58-60. | |
[4] |
LEE C M, KO C N. Short-term load forecasting using lifting scheme and ARIMA models[J]. Expert Systems With Applications, 2011, 38(5):5902-5911.
doi: 10.1016/j.eswa.2010.11.033 URL |
[5] | 蒋敏, 顾东健, 孔军, 等. 基于在线序列极限支持向量回归的短期负荷预测模型[J]. 电网技术, 2018, 42(7):2240-2247. |
JIANG Min, GU Dongjian, KONG Jun, et al. Short-term load forecasting model based on online sequential extreme support vector regression[J]. Power System Technology, 2018, 42(7):2240-2247. | |
[6] |
DAGDOUGUI H, BAGHERI F, LE H, et al. Neural network model for short-term and very-short-term load forecasting in district buildings[J]. Energy and Buildings, 2019, 203:109408.
doi: 10.1016/j.enbuild.2019.109408 URL |
[7] |
GHANBARI A, KAZEMI S M R, MEHMANPAZIR F, et al. A cooperative ant colony optimization-genetic algorithm approach for construction of energy demand forecasting knowledge-based expert systems[J]. Knowledge-Based Systems, 2013, 39:194-206.
doi: 10.1016/j.knosys.2012.10.017 URL |
[8] | 史会峰, 牛东晓, 卢艳霞. 基于贝叶斯神经网络短期负荷预测模型[J]. 中国管理科学, 2012, 20(4):118-124. |
SHI Huifeng, NIU Dongxiao, LU Yanxia. The short-term load forecasting model based on Bayesian neural network[J]. Chinese Journal of Management Science, 2012, 20(4):118-124. | |
[9] | 周佃民, 管晓宏, 孙婕, 等. 基于神经网络的电力系统短期负荷预测研究[J]. 电网技术, 2002, 26(2):10-13,18. |
ZHOU Dianmin, GUAN Xiaohong, SUN Jie, et al. A short-term load forecasting system based on BP artificial neural network[J]. Power System Technology, 2002, 26(2):10-13,18. | |
[10] | 孔祥玉, 郑锋, 鄂志君, 等. 基于深度信念网络的短期负荷预测方法[J]. 电力系统自动化, 2018, 42(5):133-139. |
KONG Xiangyu, ZHENG Feng, E Zhijun, et al. Short-term load forecasting based on deep belief network[J]. Automation of Electric Power Systems, 2018, 42(5):133-139. | |
[11] | HOSSEN T, PLATHOTTAM S J, ANGAMUTHU R K, et al. Short-term load forecasting using deep neural networks (DNN)[C]// 2017 North American Power Symposium (NAPS). Morgantown, WV, USA: IEEE, 2017: 1-6. |
[12] | 姚程文, 杨苹, 刘泽健. 基于CNN-GRU混合神经网络的负荷预测方法[J]. 电网技术, 2020, 44(9):3416-3424. |
YAO Chengwen, YANG Ping, LIU Zejian. Load forecasting method based on CNN-GRU hybrid neural network[J]. Power System Technology, 2020, 44(9):3416-3424. | |
[13] | 赵兵, 王增平, 纪维佳, 等. 基于注意力机制的CNN-GRU短期电力负荷预测方法[J]. 电网技术, 2019, 43(12):4370-4376. |
ZHAO Bing, WANG Zengping, JI Weijia, et al. A short-term power load forecasting method based on attention mechanism of CNN-GRU[J]. Power System Technology, 2019, 43(12):4370-4376. | |
[14] |
RAHMAN A, SRIKUMAR V, SMITH A D. Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks[J]. Applied Energy, 2018, 212:372-385.
doi: 10.1016/j.apenergy.2017.12.051 URL |
[15] |
KONG W C, DONG Z Y, JIA Y W, et al. Short-term residential load forecasting based on LSTM recurrent neural network[J]. IEEE Transactions on Smart Grid, 2019, 10(1):841-851.
doi: 10.1109/TSG.2017.2753802 URL |
[16] | 彭文, 王金睿, 尹山青. 电力市场中基于Attention-LSTM的短期负荷预测模型[J]. 电网技术, 2019, 43(5):1745-1751. |
PENG Wen, WANG Jinrui, YIN Shanqing. Short-term load forecasting model based on attention-LSTM in electricity market[J]. Power System Technology, 2019, 43(5):1745-1751. | |
[17] | 康重庆. 电力系统负荷预测[M]. 北京: 中国电力出版社, 2017. |
[18] | HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]. Proceedings of the Royal Society of London Series A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971):903-995. |
[19] | 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. | |
[20] | 邓带雨, 李坚, 张真源, 等. 基于EEMD-GRU-MLR的短期电力负荷预测[J]. 电网技术, 2020, 44(2):593-602. |
DENG Daiyu, LI Jian, ZHANG Zhenyuan, et al. Short-term electric load forecasting based on EEMD-GRU-MLR[J]. Power System Technology, 2020, 44(2):593-602. | |
[21] |
YEH J R, SHIEH J S, HUANG N E. Complementary ensemble empirical mode decomposition: A novel noise enhanced data analysis method[J]. Advances in Adaptive Data Analysis, 2010, 2(2):135-156.
doi: 10.1142/S1793536910000422 URL |
[22] |
ZHAO J P, HUANG D J. Mirror extending and circular spline function for empirical mode decomposition method[J]. Journal of Zhejiang University-SCIENCE A, 2001, 2(3):247-252.
doi: 10.1631/jzus.2001.0247 URL |
[23] |
白春华, 周宣赤, 林大超, 等. 消除EMD端点效应的PSO-SVM方法研究[J]. 系统工程理论与实践, 2013, 33(5):1298-1306.
doi: 10.12011/1000-6788(2013)5-1298 |
BAI Chunhua, ZHOU Xuanchi, LIN Dachao, et al. PSO-SVM method based on elimination of end effects in EMD[J]. Systems Engineering-Theory & Practice, 2013, 33(5):1298-1306. | |
[24] | 林丽, 周霆, 余轮. EMD算法中边界效应处理技术[J]. 计算机工程, 2009, 35(23):265-268. |
LIN Li, ZHOU Ting, YU Lun. Edge effect processing technique in EMD algorithm[J]. Computer Engineering, 2009, 35(23):265-268. | |
[25] |
HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8):1735-1780.
doi: 10.1162/neco.1997.9.8.1735 URL |
[1] | 钟士元, 张文锦, 罗路平, 王伟, 肖异瑶, 廖志伟. 基于行业聚类电量曲线分解的中期负荷预测[J]. 电力建设, 2022, 43(2): 81-88. |
[2] | 赵允文, 李鹏, 孙煜皓, 沈鑫, 杨晓华. 基于相空间重构和随机配置网络的电力负荷短期预测[J]. 电力建设, 2021, 42(9): 120-128. |
[3] | 黄冬梅, 庄兴科, 胡安铎, 孙锦中, 时帅, 孙园, 唐振. 基于灰色关联分析和K均值聚类的短期负荷预测[J]. 电力建设, 2021, 42(7): 110-117. |
[4] | 王哲, 万宝, 凌天晗, 董晓红, 穆云飞, 邓友均, 唐舒懿. 基于谱聚类和LSTM神经网络的电动公交车充电负荷预测方法[J]. 电力建设, 2021, 42(6): 58-66. |
[5] | 刘敦楠, 张悦, 彭晓峰, 刘明光, 王文, 加鹤萍, 秦光宇, 王峻, 杨烨. 计及相似日与气象因素的电动汽车充电负荷聚类预测[J]. 电力建设, 2021, 42(2): 43-49. |
[6] | 宋建,束洪春,董俊,梁雨婷,李雨龙,杨博. 基于GM(1,1)与BP神经网络的综合负荷预测[J]. 电力建设, 2020, 41(5): 75-80. |
[7] | 朱刘柱, 王绪利, 马静, 陈庆会, 齐先军. 基于小波包分解与循环神经网络的综合能源系统短期负荷预测[J]. 电力建设, 2020, 41(12): 133-140. |
[8] | 庄家懿, 杨国华, 郑豪丰, 王煜东, 胡瑞琨, 丁旭. 并行多模型融合的混合神经网络超短期负荷预测[J]. 电力建设, 2020, 41(10): 1-8. |
[9] | 张涌新,沈弘,马静. 综合能源系统负荷特性分析及应用研究[J]. 电力建设, 2018, 39(9): 18-29. |
[10] | 陈吕鹏, 殷林飞, 余涛, 王克英. 基于深度森林算法的电力系统短期负荷预测[J]. 电力建设, 2018, 39(11): 42-50. |
[11] | 梁荣,杨波,马润泽,吴健,吴奎华,林振智,文福拴. 利用多源信息和深度置信神经网络的配电系统空间负荷预测[J]. 电力建设, 2018, 39(10): 12-19. |
[12] | 杨甲甲, 刘国龙, 赵俊华, 文福拴, 董朝阳. 采用长短期记忆深度学习模型的工业负荷短期预测方法[J]. 电力建设, 2018, 39(10): 20-27. |
[13] | 孙玉树,唐西胜,田春筝,苗福丰,孙晓哲. 基于EMD的复合储能不同控制策略对比分析[J]. 电力建设, 2017, 38(3): 77-. |
[14] | 牛东晓,马天男,王海潮,刘鸿飞,黄雅莉. 基于KPCA和NSGAII优化CNN参数的电动汽车充电站短期负荷预测[J]. 电力建设, 2017, 38(3): 85-. |
[15] | 梁智,孙国强,卫志农,臧海祥. 基于变量选择与高斯过程回归的短期负荷预测[J]. 电力建设, 2017, 38(2): 122-. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||
版权所有 © 2020 《电力建设》编辑部
地址:北京市昌平区北七家未来科技城北区国家电网公司办公区 邮编:102209 电话:010-66602697
京ICP备18017181号-1 国网安备4511A3CPZ号
本系统由北京玛格泰克科技发展有限公司设计开发