基于误差补偿LSTM-GRU的综合能源系统多元负荷预测*

doi:10.11985/2023.04.034

电气工程学报 ›› 2023, Vol. 18 ›› Issue (4): 320-330.doi: 10.11985/2023.04.034

• 新能源发电与电能存储 • 上一篇下一篇

扫码分享

基于误差补偿LSTM-GRU的综合能源系统多元负荷预测^*

耿阳¹(), 王海龙²(), 张楠³(), 付明²()

1.国网江苏省电力有限公司扬中市供电分公司扬中 212200
2.国电南瑞科技股份有限公司南京 211106
3.国网江苏省电力有限公司镇江供电分公司镇江 212000

收稿日期:2022-11-30 修回日期:2023-08-30 出版日期:2023-12-25 发布日期:2024-01-12
通讯作者: 耿阳，男，1990年生，硕士，工程师。主要研究方向为综合能源规划、综合能源服务等。E-mail：gy3742@qq.com
作者简介:王海龙，男，1982年生，硕士，高级工程师。主要研究方向为综合能源服务、电网自动化、新能源接入与运行控制等。E-mail：whllnhc@126.com
张楠，女，1992年生，工程师。主要研究方向为综合能源服务、电网规划等。E-mail：zhangn6@js.sgcc.com.cn
付明，男，1986年生，硕士，高级工程师。主要研究方向为新能源接入与运行控制、综合能源服务等。E-mail：fuming@sgepri.sgcc.com.cn
基金资助:
*国家重点研发计划资助项目(2018YFB0905000)

Multivariate Load Forecasting for Integrated Energy Systems Based on Error-compensated LSTM-GRU

GENG Yang¹(), WANG Hailong²(), ZHANG Nan³(), FU Ming²()

1. Yangzhong Power Supply Branch, State Grid Jiangsu Electric Power Co., Ltd., Yangzhong 212200
2. State Grid NARI Technology Co., Ltd., Nanjing 211106
3. Zhenjiang Power Supply Branch Company, State Grid Jiangsu Electric Power Co., Ltd., Zhenjiang 212000

Received:2022-11-30 Revised:2023-08-30 Online:2023-12-25 Published:2024-01-12

摘要/Abstract

摘要：

为实现对综合能源系统的日前调度，需要对综合能源系统的电负荷、热负荷、冷负荷进行联合预测。针对综合能源系统多元负荷的复杂影响因素，首先，通过灰色关联度分析筛选出对多元负荷影响较大的影响因素；随后，采用传统长短期记忆(Long short-term memory，LSTM)神经网络对负荷进行预测；其次，通过门控循环单元(Gated recurrent unit，GRU)对预测误差进行训练，得到误差补偿值；最后，通过负荷预测值与误差预测值的重构，获得更精确的负荷预测值。通过实例对比误差补偿对预测精度的影响，验证了误差补偿模型的可行性，将所提预测方法与其他两种预测模型进行比较，该方法可以提高多元负荷预测的精确度，证明了该方法的优异性。

关键词: 综合能源, 负荷预测, 长短期记忆神经网络, 门控循环单元, 误差补偿

Abstract:

To facilitate the dispatch of energy systems, joint forecasting of electric, thermal, and cooling loads of integrated energy systems is required. Aiming at the complex influencing factors of multi-load in integrated energy systems, firstly, the factors that have a greater impact on the multi-load load are screened out through grey correlation analysis. The load is then predicted using a traditional long short-term memory(LSTM) neural network. Secondly, the prediction error is trained by the gated recurrent unit(GRU) to obtain the error compensation value. Finally, through the reconstruction of the load forecast value and the error forecast value, a more accurate load forecast value is obtained. The feasibility of the error compensation model is verified by comparing the effect of error compensation on prediction accuracy through examples, and the superiority of the proposed prediction method is demonstrated by comparing it with other two prediction models, which can improve the accuracy of multivariate load prediction.

Key words: Integrated energy, load forecasting, long short-term memory neural network, gated recurrent units, error compensation

中图分类号:

TM715

耿阳, 王海龙, 张楠, 付明. 基于误差补偿LSTM-GRU的综合能源系统多元负荷预测^*[J]. 电气工程学报, 2023, 18(4): 320-330.

GENG Yang, WANG Hailong, ZHANG Nan, FU Ming. Multivariate Load Forecasting for Integrated Energy Systems Based on Error-compensated LSTM-GRU[J]. Journal of Electrical Engineering, 2023, 18(4): 320-330.

图/表 16

表1

图1

图2

图3

图4

图5

图6

表2

图7

表3

图8

表4

图9

表5

表6

图10

参考文献 20

[1]	宫飞翔, 李德智, 田世明, 等. 综合能源系统关键技术综述与展望[J]. 可再生能源, 2019, 37(8):1229-1235.
	GONG Feixiang, LI Dezhi, TIAN Shiming, et al. Overview and prospects of key technologies for integrated energy systems[J]. Renewable Energy, 2019, 37(8):1229-1235.
[2]	程浩忠, 胡枭, 王莉, 等. 区域综合能源系统规划研究综述[J]. 电力系统自动化, 2019, 43(7):2-13.
	CHENG Haozhong, HU Xiao, WANG Li, et al. A review of regional integrated energy system planning research[J]. Automation of Electric Power Systems, 2019, 43(7):2-13.
[3]	ZHANG Zhijun, YUE Dong, DOU Chunxia. DMPC based coordinated voltage control for integrated hybrid energy system[J]. IEEE Transactions on Industrial Informatics, 2021, 17(10):6786-6797. doi: 10.1109/TII.2020.3046633
[4]	朱继忠, 董瀚江, 李盛林, 等. 数据驱动的综合能源系统负荷预测综述[J]. 中国电机工程学报, 2021, 41(23):7905-7923.
	ZHU Jizhong, DONG Hanjiang, LI Shenglin, et al. Overview of data-driven comprehensive energy system load forecasting[J]. Proceedings of the CSEE, 2021, 41(23):7905-7923.
[5]	胡瑞琨, 吴煜宇, 郑豪丰, 等. 综合能源系统整体架构设计及负荷预测[J]. 宁夏电力, 2021(4):9-14,21.
	HU Ruikun, WU Yuyu, ZHENG Haofeng, et al. Integrated energy system overall architecture design and load forecasting[J]. Ningxia Electric Power, 2021(4):9-14,21.
[6]	段成俊. 区域综合能源系统负荷预测和优化调度研究[D]. 镇江: 江苏大学, 2020.
	DUAN Chengjun. Research on load forecast and optimal dispatch of regional integrated energy system[D]. Zhenjiang: Jiangsu University, 2020.
[7]	RENDON-SANCHEZ J F, DE MENEZES L M. Structural combination of seasonal exponential smoothing forecasts applied to load forecasting[J]. European Journal of Operational Research, 2019, 275(3):916-924. doi: 10.1016/j.ejor.2018.12.013
[8]	刘鑫, 滕欢, 宫毓斌, 等. 基于改进卡尔曼滤波算法的短期负荷预测[J]. 电测与仪表, 2019, 56(3):42-46.
	LIU Xin, TENG Huan, GONG Yubin, et al. Short-term load forecasting based on improved Kalman filter algorithm[J]. Electrical Measurement & Instrumentation, 2019, 56(3):42-46.
[9]	ZHANG Zhijun, ZHANG Yudi, YUE Dong, et al. Economic-driven hierarchical voltage regulation of incremental distribution networks:A cloud-edge collaboration based perspective[J]. IEEE Transactions on Industrial Informatics, 2022, 18(3):1746-1757. doi: 10.1109/TII.2021.3085670
[10]	WANG Yi, GAN Dahua, ZHANG Ning, et al. Feature selection for probabilistic load forecasting via sparse penalized quantile regression[J]. Journal of Modern Power Systems and Clean Energy, 2019, 7(5):1200-1209. doi: 10.1007/s40565-019-0552-3
[11]	DING Jia, WANG Maolin, PING Zuowei, et al. An integrated method based on relevance vector machine for short-term load forecasting[J]. European Journal of Operational Research, 2020, 287(2):497-510. doi: 10.1016/j.ejor.2020.04.007
[12]	谭风雷, 陈梦涛, 汪龙龙. 基于积温效应和优化支持向量机的短期电力负荷预测[J]. 电力需求侧管理, 2018, 20(5):33-36.
	TAN Fenglei, CHEN Mengtao, WANG Longlong. Short-term power load forecasting based on accumulated temperature effect and optimized support vector machine[J]. Power Demand Side Management, 2018, 20(5):33-36.
[13]	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 random forest algorithm[J]. Power System Protection and Control, 2020, 48(21):117-124.
[14]	LI Jinghua, WEI Shanyang, DAI Wei. Combination of manifold learning and deep learning algorithms for mid-term electrical load forecasting[J]. IEEE Transactions on Neural Networks and Learning Systems, 2023, 34(5):2584-2593. doi: 10.1109/TNNLS.2021.3106968
[15]	FARSI B, AMAYRI M, BOUGUILA N, et al. On short-term load forecasting using machine learning techniques and a novel parallel deep LSTM-CNN approach[J]. IEEE Access, 2021, 9:31191-31212. doi: 10.1109/Access.6287639
[16]	PARIZAD A, HATZIADONIU C. Deep learning algorithms and parallel distributed computing techniques for high-resolution load forecasting applying hyperparameter optimization[J]. IEEE Systems Journal, 2022, 16(3):3758-3769. doi: 10.1109/JSYST.2021.3130080
[17]	陈锦植, 刘海琼, 梁宏池, 等. 基于LSTM的配电网线路超短期负荷预测方法[J]. 能源工程, 2021(5):66-70.
	CHEN Jinzhi, LIU Haiqiong, LIANG Hongchi, et al. Super short-term load forecasting method of distribution network based on LSTM[J]. Energy Engineering, 2021(5):66-70.
[18]	朱凌建, 荀子涵, 王裕鑫, 等. 基于CNN-BiLSTM的短期电力负荷预测[J]. 电网技术, 2021, 45(11):4532-4539.
	ZHU Lingjian, XUN Zihan, WANG Yuxin, et al. Short-term power load forecasting based on CNN-BiLSTM[J]. Power System Technology, 2021, 45(11):4532-4539.
[19]	王克杰, 张瑞. 基于改进BP神经网络的短期电力负荷预测方法研究[J]. 电测与仪表, 2019, 56(24):115-121.
	WANG Kejie, ZHANG Rui. Research on short-term power load forecasting method based on improved BP neural network[J]. Electrical Measurement & Instrumentation, 2019, 56(24):115-121.
[20]	金山红, 朱想, 赫卫国, 等. 基于相空间重构ARIMA和SVR的母线净负荷预测[J]. 电力需求侧管理, 2018, 20(2):20-24.
	JIN Shanhong, ZHU Xiang, HE Weiguo, et al. Bus net load forecast based on phase space reconstruction ARIMA and SVR[J]. Power Demand Side Management, 2018, 20(2):20-24.

影响因素	电负荷	冷负荷	热负荷
电负荷	1	0.86	0.63
冷负荷	0.86	1	0.26
热负荷	0.63	0.26	1
温度	0.81	0.82	0.81
湿度	0.21	0.29	0.22
风速	0.05	0.03	0.09
太阳辐射	0.59	0.66	0.68

模型	负荷类型	工作日			休息日
模型	负荷类型	MAPE(%)	RMSE	ME	MAPE(%)	RMSE	ME
1	电负荷	0.95	431.8	270.5	1.19	502.1	327.4
	热负荷	0.80	93.9	74.1	1.01	111.1	88.9
	冷负荷	0.99	171.5	127.3	1.17	203.5	151.7
2	电负荷	0.95	429.5	268.0	1.19	491.5	316.7
	热负荷	0.79	92.5	73.0	0.97	108.2	85.6
	冷负荷	0.94	162.7	126.1	1.09	191.4	142.2
3	电负荷	1.03	461.6	282.9	1.28	545.4	332.3
	热负荷	0.85	99.6	77.9	1.02	116.3	93.6
	冷负荷	0.99	171.2	135.2	1.18	206.2	157.2
4	电负荷	1.24	508.3	323.4	1.47	586.7	383.1
	热负荷	0.93	104.1	85.8	1.08	124.6	101.8
	冷负荷	1.09	189.3	147.7	1.37	223.3	175.6

模型	负荷类型	工作日			休息日
模型	负荷类型	MAPE(%)	RMSE	ME	MAPE(%)	RMSE	ME
5	电负荷	0.95	429.5	268.0	1.19	491.5	316.7
	热负荷	0.79	92.5	73.0	0.97	108.2	85.6
	冷负荷	0.94	162.7	126.1	1.09	191.4	142.2
6	电负荷	2.00	781.2	565.2	2.38	856.3	663.6
	热负荷	1.32	151.4	121.8	1.57	183.5	144.2
	冷负荷	1.39	244.8	186.5	1.68	296.6	224.6
7	电负荷	2.96	995.6	836.7	3.48	1 188.1	993.3
	热负荷	2.66	276.8	229.3	3.18	328.6	275.5
	冷负荷	1.71	297.8	244.2	2.04	358.5	291.0

模型	负荷类型	工作日			休息日
模型	负荷类型	MAPE(%)	RMSE	ME	MAPE(%)	RMSE	ME
8	电负荷	1.92	668.3	421.9	2.31	792.4	509.5
	热负荷	1.62	209.3	113.4	1.94	245.3	134.9
	冷负荷	1.81	279.9	208.7	2.18	331.6	250.5
9	电负荷	0.95	429.5	268.0	1.19	491.5	316.7
	热负荷	0.79	92.5	73.0	0.97	108.2	85.6
	冷负荷	0.94	162.7	126.1	1.09	191.4	142.2

模型	负荷类型	工作日			休息日
模型	负荷类型	MAPE(%)	RMSE	ME	MAPE(%)	RMSE	ME
10	电负荷	0.95	429.5	268.0	1.19	491.5	316.7
	热负荷	0.79	92.5	73.0	0.97	108.2	85.6
	冷负荷	0.94	162.7	126.1	1.09	191.4	142.2
11	电负荷	0.98	453.0	284.9	1.21	548.4	344.7
	热负荷	0.99	113.8	89.0	1.18	134.1	105.7
	冷负荷	0.99	170.7	137.7	1.17	202.2	163.4
12	电负荷	1.33	573.6	360.3	1.60	613.5	424.0
	热负荷	1.06	125.8	100.4	1.26	151.2	121.6
	冷负荷	1.20	199.7	173.3	1.43	240.3	209.6

基于误差补偿LSTM-GRU的综合能源系统多元负荷预测^*

Multivariate Load Forecasting for Integrated Energy Systems Based on Error-compensated LSTM-GRU

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 20

相关文章 15

编辑推荐

Metrics

本文评价

[1]	林亮行, 马国政, 孙建芳, 韩翠红, 雍青松, 苏峰华, 王海斗. 基于VMD-EEMD-LSTM的涂层型关节轴承剩余使用寿命预测方法[J]. 机械工程学报, 2023, 59(9): 125-136.
[2]	周健, 郑联语, 樊伟, 张学鑫, 曹彦生. 工业机器人定位误差在线自适应补偿[J]. 机械工程学报, 2023, 59(5): 53-66.
[3]	鲁英达, 张菁. 基于改进猎人猎物算法的VMD-KELM短期负荷预测^*[J]. 电气工程学报, 2023, 18(4): 228-238.
[4]	曾贤强, 张奕, 王晓兰. 碳交易机制下光热电站参与的综合能源系统配置与优化运行研究^*[J]. 电气工程学报, 2023, 18(4): 300-309.
[5]	张冰鑫, 刘侃, 李跃, 胡伟, 黄庆, 陈泳丹. 基于累积误差补偿的永磁同步电机低速插值控制策略^*[J]. 电气工程学报, 2023, 18(3): 145-153.
[6]	赵帅, 撖奥洋, 周生奇, 菅学辉, 张智晟. 基于Stackelberg主从博弈多目标模型的综合能源优化调度^*[J]. 电气工程学报, 2023, 18(3): 341-347.
[7]	邱山, 龚文杰, 张智晟. 基于Bagging-组合核函数相关向量机的短期负荷预测模型研究^*[J]. 电气工程学报, 2023, 18(2): 142-148.
[8]	宋兴荣, 熊尚峰, 王德顺, 李理, 胡安平, 陶以彬. 风电并网下储能参与电网一次调频控制策略^*[J]. 电气工程学报, 2023, 18(2): 260-268.
[9]	刘瀚琛, 王冲, 鞠平. 双碳背景下综合能源电力系统弹性分析与提升研究综述^*[J]. 电气工程学报, 2023, 18(2): 108-124.
[10]	李宁, 孙文慧, 毕云帆, 张智晟. 考虑需求响应不确定性的综合能源系统优化调度研究^*[J]. 电气工程学报, 2023, 18(1): 153-159.
[11]	赵安新, 张智晟. 考虑电-气综合需求响应的综合能源系统低碳经济调度^*[J]. 电气工程学报, 2022, 17(4): 226-232.
[12]	姜东良, 李天昊, 刘文浩. 基于相似日和SAE-DBiLSTM模型的短期电力负荷预测^*[J]. 电气工程学报, 2022, 17(4): 240-249.
[13]	刘江涛, 延巧娜, 周涛, 邵雷, 陈中. 基于深度循环神经网络的地铁供电系统负荷预测^*[J]. 电气工程学报, 2022, 17(4): 309-317.
[14]	鲁南, 欧阳权, 黄俍卉, 王志胜. 基于注意力机制和多任务LSTM的锂电池容量预测方法^*[J]. 电气工程学报, 2022, 17(4): 41-50.
[15]	陈克文, 王帅, 韩兴臣, 张智晟. 考虑风电消纳的冷热电联供型综合能源系统多目标日前优化调度^*[J]. 电气工程学报, 2022, 17(3): 170-176.

模型	训练时间/s	预测时间/s
10	254	7.9
11	267	8.5
12	269	8.6