基于CNN-BiGRU-NN模型的短期负荷预测方法

doi:10.11930/j.issn.1004-9649.202003035

中国电力 ›› 2021, Vol. 54 ›› Issue (9): 17-23.DOI: 10.11930/j.issn.1004-9649.202003035

基于CNN-BiGRU-NN模型的短期负荷预测方法

曾囿钧¹, 肖先勇¹, 徐方维¹, 郑林²

1. 四川大学电气工程学院，四川成都 610065;
2. 国网四川省电力公司绵阳供电公司，四川绵阳 621000

收稿日期:2020-03-05 修回日期:2020-05-26 出版日期:2021-09-05 发布日期:2021-09-14
作者简介:曾囿钧(1993-),男,通信作者,硕士研究生,从事电力系统负荷预测研究,E-mail:1342382572@qq.com;肖先勇(1968-),男,博士,教授,从事电能质量与优质电力、智能电网与电网安全、超导电力等研究,E-mail:xiaoxianyong@163.com;徐方维(1978-),女,博士,副教授,从事电能质量及谐波等研究,E-mail:xfwlovely@126.com;郑林(1976-),硕士,高级工程师,从事电力系统负荷预测研究,E-mail:zhenglin@163.com
基金资助:
国家自然科学基金面上资助项目(新一代电力系统中谐波发射水平评估理论与方法，51877141)

A Short-Term Load Forecasting Method Based on CNN-BiGRU-NN Model

ZENG Youjun¹, XIAO Xianyong¹, XU Fangwei¹, ZHENG Lin²

1. College of Electrical Engineering, Sichuan University, Chengdu 610065, China;
2. Mianyang Power Supply Company, State Grid Sichuan Power Supply Company, Mianyang 621000, China

Received:2020-03-05 Revised:2020-05-26 Online:2021-09-05 Published:2021-09-14
Supported by:
This work is supported by National Natural Science Foundation of China (Theory and Method of Harmonic Emission Level Evaluation in New Generation Power System, No.51877141)

摘要/Abstract

摘要： 为充分挖掘蕴含在大量采集数据中的有效信息，提高短期负荷预测精度，提出一种基于卷积神经网络（CNN）和双向门控循环单元（BiGRU）、全连接神经网络（NN）的混合模型的短期负荷预测方法，将海量的历史负荷数据、气象信息、日期信息按时间滑动窗口构造特征图作为输入，先利用CNN提取特征图中的有效信息，构造特征向量，再将特征向量作为BiGRU-NN网络的输入，采用BiGRU-NN网络进行短期负荷预测。以2016年举办的全国第九届电工数学建模竞赛试题A题中的负荷数据作为实际算例，实验结果表明：该方法与DNN神经网络、GRU神经网络、CNN-LSTM神经网络短期负荷预测法相比，有更高的预测精度。

关键词: 电力系统, 短期负荷预测, 卷积神经网络, 双向门控循环单元, 卷积神经网络-双向门控循环单元神经网络混合模型

Abstract: In order to fully mine the effective information contained in a large number of collected data and improve the accuracy of short-term load forecasting, a short-term load forecasting method is proposed based on a hybrid model of convolutional neural network (CNN), bidirectional gated recurrent unit (BiGRU), and fully connected neural network (NN). The massive historical load data, meteorological information, and date information are taken to construct feature maps according to time sliding windows. Firstly, the CNN is used to extract valid information from the feature maps to construct feature vectors. And then, by taking the feature vectors as the inputs, the BiGRU-NN network is used to make short-term load forecasting. The load data in the test question A of the Ninth National Electrical Mathematics Modeling Contest held in 2016 are taken as an actual computation example, and the experimental results show that this method has higher accuracy in short-term load forecasting than GRU neural network, DNN neural network, and CNN-LSTM neural network.

Key words: power system, short-term load forecasting, convolutional neural network, bidirectional gated recurrent unit, convolutional neural network-bidirectional gated recurrent unit neural network hybrid model

曾囿钧, 肖先勇, 徐方维, 郑林. 基于CNN-BiGRU-NN模型的短期负荷预测方法[J]. 中国电力, 2021, 54(9): 17-23.

ZENG Youjun, XIAO Xianyong, XU Fangwei, ZHENG Lin. A Short-Term Load Forecasting Method Based on CNN-BiGRU-NN Model[J]. Electric Power, 2021, 54(9): 17-23.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930/j.issn.1004-9649.202003035

https://www.electricpower.com.cn/CN/Y2021/V54/I9/17

参考文献

[1] 肖国泉, 王春, 张福伟. 电力负荷预测[M]. 北京: 中国电力出版社, 2001.
[2] 陆继翔, 张琪培, 杨志宏, 等. 基于CNN-LSTM混合神经网络模型的短期负荷预测方法[J]. 电力系统自动化, 2019, 43(8): 131-137
LU Jixiang, ZHANG Qipei, YANG Zhihong, et al. Short-term load forecasting method based on CNN-LSTM hybrid neural network model[J]. Automation of Electric Power Systems, 2019, 43(8): 131-137
[3] 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
[4] 祝学昌. 基于IFOA-GRNN的短期电力负荷预测方法研究[J]. 电力系统保护与控制, 2020, 48(9): 121-127
ZHU Xuechang. Research on short-term power load forecasting method based on IFOA-GRNN[J]. Power System Protection and Control, 2020, 48(9): 121-127
[5] 马静波. 电力系统短期负荷预测方法研究[D]. 成都: 四川大学, 2005.
MA Jingbo.. Research on power system short-term load forecasting approaches[D]. Chengdu: Sichuan University, 2005.
[6] 何忠华, 张涛, 胡娱欧, 等. 考虑大气污染防治措施影响的短期电力负荷预测模型研究[J]. 智慧电力, 2019, 47(5): 1-9
HE Zhonghua, ZHANG Tao, HU Yu'ou, et al. Short-term electric load forecasting model considering the influence of air pollution prevention and control policy[J]. Smart Power, 2019, 47(5): 1-9
[7] 刘继东, 韩学山, 楚成博, 等. 考虑非气象因素的电网夏季降温负荷研究[J]. 电力自动化设备, 2013, 33(2): 40-46
LIU Jidong, HAN Xueshan, CHU Chengbo, et al. Cooling load of summer grid considering non-meteorological factors[J]. Electric Power Automation Equipment, 2013, 33(2): 40-46
[8] 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
[9] 艾欣, 周志宇, 魏妍萍, 等. 基于自回归积分滑动平均模型的可转移负荷竞价策略[J]. 电力系统自动化, 2017, 41(20): 26-31, 104
AI Xin, ZHOU Zhiyu, WEI Yanping, et al. Bidding strategy for time-shiftable loads based on autoregressive integrated moving average model[J]. Automation of Electric Power Systems, 2017, 41(20): 26-31, 104
[10] 王勇, 黄国兴, 彭道刚. 带反馈的多元线性回归法在电力负荷预测中的应用[J]. 计算机应用与软件, 2008, 25(1): 82-84
WANG Yong, HUANG Guoxing, PENG Daogang. Application of multiple linear-feedback regression analysis to electric load forecasting[J]. Computer Applications and Software, 2008, 25(1): 82-84
[11] HONG T, WANG P. Fuzzy interaction regression for short term load forecasting[J]. Fuzzy Optimization and Decision Making, 2014, 13(1): 91-103.
[12] 潘峰, 程浩忠, 杨镜非, 等. 基于支持向量机的电力系统短期负荷预测[J]. 电网技术, 2004(21): 39-42
[13] DREZGA I, RAHMAN S. Short-term load forecasting with local ANN predictors[J]. IEEE Transactions on Power Systems, 1999, 14(3): 844-850.
[14] 王增平, 赵兵, 纪维佳, 等. 基于GRU-NN模型的短期负荷预测方法[J]. 电力系统自动化, 2019, 43(5): 53-62
WANG Zengping, ZHAO Bing, JI Weijia, et al. Short-term load forecasting method based on GRU-NN model[J]. Automation of Electric Power Systems, 2019, 43(5): 53-62
[15] RYU S, NOH J, KIM H. Deep neural network based demand side short term load forecasting[J]. Energies, 2016, 10(1): 3.
[16] 杨智宇, 刘俊勇, 刘友波, 等. 基于自适应深度信念网络的变电站负荷预测[J]. 中国电机工程学报, 2019, 39(14): 4049-4061
YANG Zhiyu, LIU Junyong, LIU Youbo, et al. Transformer load forecasting based on adaptive deep belief network[J]. Proceedings of the CSEE, 2019, 39(14): 4049-4061
[17] LAHOUAR A, BEN HADJ SLAMA J. Day-ahead load forecast using random forest and expert input selection[J]. Energy Conversion and Management, 2015, 103: 1040-1051.
[18] 陈洪波, 王璨, 徐斌, 等. 基于LSTM网络的短期负荷预测[J]. 电工技术, 2019(9): 27-29
CHEN Hongbo, WANG Can, XU Bin, et al. Short-term load forecasting based on LSTM network[J]. Electric Engineering, 2019(9): 27-29
[19] 孙明敏. 基于GRU-Attention的中文文本分类[J]. 现代信息科技, 2019(3): 10-12
SUN Mingmin. Chinese text classification based on GRU-attention[J]. Modern Information Technology, 2019(3): 10-12
[20] BENGIO Y I, GOODFELLOW J. COURVILLE A. Deep learning (Vol. 1)[M]. Cambridge: MIT press, 2016: 326-366.
[21] GU J X, WANG Z H, KUEN J, et al. Recent advances in convolutional neural networks[J]. Pattern Recognition, 2018, 77: 354-377.
[22] 邱锡鹏.神经网络与深度学习[DB/OL]. (2020-02-11)[ 2020-04-09]. https://github.com/nndl/nndl.github.io.
[23] 王伟, 孙玉霞, 齐庆杰, 等. 基于BiGRU-attention神经网络的文本情感分类模型[J]. 计算机应用研究, 2019, 36(12): 3558-3564
WANG Wei, SUN Yuxia, QI Qingjie, et al. Text sentiment classification model based on BiGRU-attention neural network[J]. Application Research of Computers, 2019, 36(12): 3558-3564
[24] MAAS A L, QI P, XIE Z A, et al. Building DNN acoustic models for large vocabulary speech recognition[J]. Computer Speech & Language, 2017, 41: 195-213.
[25] 中国电机工程学会. 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]. (2016-05-27)[2020-04-12]. http://shumo.neepu.edu.cn/index.php/Home/Zxdt/news/id/3.html.

基于CNN-BiGRU-NN模型的短期负荷预测方法

A Short-Term Load Forecasting Method Based on CNN-BiGRU-NN Model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	李健, 张钧, 韩新阳, 靳晓凌. 新型电力系统形态量化推演方法的总体框架与功能设计[J]. 中国电力, 2025, 58(3): 1-7, 97.
[2]	张磊, 马晓伟, 王满亮, 陈力, 高丙团. 互联新能源电力系统区内AGC机组分布式协同控制策略[J]. 中国电力, 2025, 58(3): 8-19.
[3]	张沛, 杨马婧, 张放, 谢桦, 刘广一, 李文云, 路学刚, 王珍意, 翟苏巍. 图数据库与图计算在电力系统调度运行应用综述[J]. 中国电力, 2025, 58(3): 119-131.
[4]	高志远, 庄卫金, 李峰, 于芳, 张鸿, 王艳, 夏旻. 调控领域人工智能应用的高复用性验证平台[J]. 中国电力, 2025, 58(3): 142-150.
[5]	汤明润, 李若旸, 刘慕然, 程晓钰, 刘铫, 杨淑霞. 电力系统稳态下可再生能源大规模接入量预测[J]. 中国电力, 2025, 58(2): 126-132.
[6]	赵晨浩, 焦在滨, 李程昊, 张迪, 张鹏辉. 基于主动迁移学习的电力系统暂态稳定自适应评估[J]. 中国电力, 2025, 58(1): 70-77.
[7]	董武, 张健, 周勤勇, 张立波, 龚浩岳. 中国电力系统安全稳定性演化综述[J]. 中国电力, 2025, 58(1): 115-127.
[8]	朱瑞, 娄奇鹤, 靳晓凌, 刘畅. 适应新型电力系统的电网基建功能化投资结构演化研究[J]. 中国电力, 2024, 57(9): 194-204.
[9]	傅观君, 张富强, 夏鹏, 冯君淑, 张晋芳. 天然气发电在新型电力系统中的功能定位及发展前景研判[J]. 中国电力, 2024, 57(8): 67-74.
[10]	翟苏巍, 李银银, 杜凡, 李文云, 潘凯岩, 梁峻恺. 考虑海量分布式能源接入的配电网分布式无功控制策略[J]. 中国电力, 2024, 57(8): 138-144.
[11]	李碧君, 李威, 董希建. 新型电力系统中主控型安全稳定服务质量的在线评估[J]. 中国电力, 2024, 57(8): 168-181.
[12]	朱沐雨, 马宏忠, 郭鹏宇, 宣文婧. 典型调峰/调频工况下储能电池组荷电状态估计[J]. 中国电力, 2024, 57(6): 18-26.
[13]	吴军英, 路欣, 刘宏, 张彬, 柴守亮, 刘蕴春, 王佳楠. 基于Spearman-GCN-GRU模型的超短期多区域电力负荷预测[J]. 中国电力, 2024, 57(6): 131-140.
[14]	叶小宁, 王彩霞, 李琼慧, 杨超. 国外新能源高占比电力系统电力供应保障措施及启示[J]. 中国电力, 2024, 57(4): 61-67.
[15]	王雪, 刘林, 卓庆东, 张海鹏, 杨苓, 许方园, 曹雨晨. 基于虚拟惯量控制的新型电力系统功率差前馈振荡抑制方法[J]. 中国电力, 2024, 57(4): 68-76.

模态框（Modal）标题

基于CNN-BiGRU-NN模型的短期负荷预测方法

A Short-Term Load Forecasting Method Based on CNN-BiGRU-NN Model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics