基于改进Bagging算法与模糊MP-LSTM融合的短期负荷预测模型*

doi:10.11985/2022.01.021

电气工程学报 ›› 2022, Vol. 17 ›› Issue (1): 164-170.doi: 10.11985/2022.01.021

扫码分享

基于改进Bagging算法与模糊MP-LSTM融合的短期负荷预测模型^*

蔡鑫祥¹(), 撖奥洋², 周生奇², 菅学辉², 张智晟¹()

1.青岛大学电气工程学院青岛 266071
2.国网山东省电力公司青岛供电公司青岛 266002

收稿日期:2021-05-17 修回日期:2021-10-12 出版日期:2022-03-25 发布日期:2022-05-06
通讯作者: 张智晟 E-mail:c17806254216@163.com;slnzzs@126.com
作者简介:蔡鑫祥,男,1997年生,硕士研究生。主要研究方向为电力系统短期负荷预测。E-mail： c17806254216@163.com
基金资助:
*国家自然科学基金资助项目(51477078)

Short-term Load Forecasting Model Based on Improved Bagging Algorithm and Fuzzy MP-LSTM Fusion

CAI Xinxiang¹(), HAN Aoyang², ZHOU Shengqi², JIAN Xuehui², ZHANG Zhisheng¹()

1. College of Electrical Engineering, Qingdao University, Qingdao 266071
2. Qingdao Power Supply Company, State Grid Shandong Electric Power Company, Qingdao 266002

Received:2021-05-17 Revised:2021-10-12 Online:2022-03-25 Published:2022-05-06
Contact: ZHANG Zhisheng E-mail:c17806254216@163.com;slnzzs@126.com

摘要/Abstract

摘要：

为提高负荷预测精度,提出一种基于改进Bagging算法与模糊最小窥视孔长短期记忆(Min peephole long short-term memory,MP-LSTM)融合的短期负荷预测模型。MP-LSTM模型相较于传统长短期记忆网络(Long short-term memory,LSTM)模型舍弃了输入门和输出门,只保留遗忘门,模型包括一个sigmoid网络层和一个tanh网络层,减少了模型参数,优化了模型结构。通过将温度进行模糊化处理,减小温度波动对负荷的影响。采用改进Bagging算法对MP-LSTM模型集成处理来提高模型预测的精度。以某地区的实际负荷数据进行算例仿真,并与传统LSTM神经网络预测法、MP-LSTM神经网络法和模糊MP-LSTM神经网络法进行对比,仿真结果表明文中所提模型具有较好的预测精度。

关键词: 短期负荷预测, 最小窥视孔长短期记忆神经网络, 粒子群优化算法, 电力系统, Bagging算法

Abstract:

In order to improve the accuracy of load forecasting, a short-term load forecasting model based on the fusion of improved Bagging algorithm and fuzzy minimum peephole long short-term memory (MP-LSTM) is proposed. Compared with the traditional long short-term memory (LSTM) model, the MP-LSTM model discards input gates and output gates, and only retains forgetting gates. The model includes a sigmoid network layer and a tanh network layer, which reduces model parameters and optimizes the model structure. By fuzzing the temperature, the influence of temperature fluctuations on the load is reduced the improved Bagging algorithm is used to integrate the MP-LSTM model to improve the accuracy of model prediction. The actual load data of a certain area is used for simulation, and compared with the traditional LSTM neural network prediction method, MP-LSTM neural network method and fuzzy MP-LSTM neural network method, and simulation results show that the proposed model has better predictions accuracy.

Key words: Short-term load forecasting, MP-LSTM, PSO, power systems, Bagging algorithm

中图分类号:

TM561

蔡鑫祥, 撖奥洋, 周生奇, 菅学辉, 张智晟. 基于改进Bagging算法与模糊MP-LSTM融合的短期负荷预测模型^*[J]. 电气工程学报, 2022, 17(1): 164-170.

CAI Xinxiang, HAN Aoyang, ZHOU Shengqi, JIAN Xuehui, ZHANG Zhisheng. Short-term Load Forecasting Model Based on Improved Bagging Algorithm and Fuzzy MP-LSTM Fusion[J]. Journal of Electrical Engineering, 2022, 17(1): 164-170.

图/表 6

图1

图2

图3

表1

表2

表3

参考文献 19

[1]	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.
[2]	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.
[3]	庞传军, 张波, 余建明. 基于LSTM循环神经网络的短期电力负荷预测[J]. 电力工程技术, 2021, 40(1):175-180,194.
	PANG Chuanjun, ZHANG Bo, YU Jianming. Short-term power load forecasting based on LSTM recurrent neural network[J]. Electric Power Engineering Technology, 2021, 40(1):175-180,194.
[4]	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):53-58.
	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):53-58.
[5]	杨丽, 吴雨茜, 王俊丽, 等. 循环神经网络研究综述[J]. 计算机应用, 2018, 38(S2):1-6,26.
	YANG Li, WU Yuxi, WANG Junli, et al. Research on recurrent neural network[J]. Journal of Computer Applications, 2018, 38(S2):1-6,26.
[6]	CAPRIO U D, GENESIO R, POZZI S, et al. Short term load forecasting in electric power systems:A comparison of ARMA models and extended wiener filtering[J]. Journal of Forecasting, 2010, 2(1):59-76. doi: 10.1002/for.3980020107
[7]	包志强, 赵研, 胡啸天, 等. 最小窥视孔长短时记忆模型[J]. 计算机工程与设计, 2020, 41(1):134-138.
	BAO Zhiqiang, ZHAO Yan, HU Xiaotian, et al. Minimal peephole long short-term memory[J]. Computer Engineering and Design, 2020, 41(1):134-138.
[8]	蔡舒平, 张保会, 汤大海, 等. 短期负荷预测中气象因素处理的费歇信息方法[J]. 电力自动化设备, 2020, 40(3):141-146.
	CAI Shuping, ZHANG Baohui, TANG Dahai, et al. Fisher information method for processing weather factors in short-term load forecasting[J]. Electric Power Automation Equipment, 2020, 40(3):141-146.
[9]	金士琛, 薛会, 林霞, 等. 基于FDNN的电力系统短期负荷预测模型研究[J]. 青岛大学学报, 2017, 32(4):12-16.
	JIN Shichen, XUE Hui, LIN Xia, et al. Study of short-term load forecasting of power system based on fuzzy deep neural network[J]. Journal of Qingdao University, 2017, 32(4):12-16.
[10]	张春霞, 张讲社. 选择性集成学习算法综述[J]. 计算机学报, 2011, 34(8):1399-1410.
	ZHANG Chunxia, ZHANG Jiangshe. A survey of selective ensemble learning algorithms[J]. Chinese Journal of Computers, 2011, 34(8):1399-1410. doi: 10.3724/SP.J.1016.2011.01399
[11]	蒋芸, 陈娜, 明利特, 等. 基于Bagging的概率神经网络集成分类算法[J]. 计算机科学, 2013, 40(5):242-246.
	JIANG Yun, CHEN Na, MING Lite, et al. Bagging-based probabilistic neural network ensemble classification algorithm[J]. Computer Science, 2013, 40(5):242-246.
[12]	毕云帆, 撖奥洋, 张智晟, 等. 基于模糊Bagging-GBDT的短期负荷预测模型研究[J]. 电力系统及其自动化学报, 2019, 31(7):51-56.
	BI Yunfan, HAN Aoyang, ZHANG Zhisheng, et al. Study on short-term load forecasting model based on fuzzy Bagging-GBDT[J]. Proceedings of the CSU-EPSA, 2019, 31(7):51-56.
[13]	郑瑞骁, 张姝, 肖先勇, 等. 考虑温度模糊化的多层长短时记忆神经网络短期负荷预测[J]. 电力自动化设备, 2020, 40(10):181-186.
	ZHENG Ruixiao, ZHANG Shu, XIAO Xianyong, et al. Short-term load forecasting of multi-layer long short-term memory neural network considering temperature fuzziness[J]. Electric Power Automation Equipment, 2020, 40(10):181-186.
[14]	张凌瑞. 基于窥视孔连接的BILSTM及CRF算法对复杂文本序列标注处理[D]. 北京: 北京交通大学, 2018.
	ZHANG Lingrui. Complex text sequence labeling with BILSTM and CRF algorithm based on peephole[D]. Beijing: Beijing Jiaotong University, 2018.
[15]	GREFF K, SRIVASTAVA R K, KOUTNÍK J, et al. LSTM:A search space Odyssey[J]. IEEE Transactions on Neural Networks and Learning Systems, 2017, 28(10):2222-2232. doi: 10.1109/TNNLS.2016.2582924
[16]	傅小利, 顾红兵, 陈国呈, 等. 基于柯西变异粒子群算法的永磁同步电机参数辨识[J]. 电工技术学报, 2014, 29(5):127-131.
	FU Xiaoli, GU Hongbing, CHEN Guocheng, et al. Permanent magnet synchronous motors parameters ldentification based on cauchy mutation particle swarm optimization[J]. Transactions of China Electrotechnical Society, 2014, 29(5):127-131.
[17]	徐继伟, 杨云. 集成学习方法:研究综述[J]. 云南大学学报, 2018, 40(6):1082-1092.
	XU Jiwei, YANG Yun. A survey of ensemble learning approaches[J]. Journal of Yunnan University, 2018, 40(6):1082-1092.
[18]	丁华福, 柴琳. 基于Bagging算法和遗传BP神经网络的负荷预测[J]. 计算机技术与发展, 2011, 21(5):107-110.
	DING Huafu, CHAI Lin. Load forecasting based on Bagging method and GABP neural network[J]. Computer Technology and Development, 2011, 21(5):107-110.
[19]	蔡鑫祥, 撖奥洋, 周生奇. 基于最小窥视孔长短期记忆神经网络的电力系统短期负荷预测模型[J]. 广东电力, 2021, 34(3):92-97.
	CAI Xinxiang, HAN Aoyang, ZHOU Shengqi. Power load forecasting based on minimal peephole long short-term memory[J]. Guangdong Electric Power, 2021, 34(3):92-97.

模型	E_MAPE(%)	E_MAX(%)	ME/MW
模型1	1.20	3.69	122.41
模型2	2.70	6.52	294.53
模型3	2.07	6.16	216.51
模型4	1.47	4.47	137.17

日期	E_MAPE(%)	E_MAX(%)	ME/MW
星期一	1.19	3.43	111.96
星期二	1.20	3.50	109.14
星期三	1.57	4.28	136.60
星期四	0.96	3.70	97.51
星期五	1.20	3.69	122.41
星期六	1.22	5.11	129.78
星期天	1.36	5.52	130.23
平均值	1.24	4.18	119.66

日期	E_MAPE(%)	E_MAX(%)	ME/MW
星期一	1.42	4.15	139.50
星期二	1.34	3.98	131.57
星期三	1.28	5.39	120.73
星期四	1.20	4.19	117.74
星期五	1.11	4.01	110.77
星期六	2.18	4.94	232.53
星期天	1.54	5.50	159.24
平均值	1.44	4.59	144.58

基于改进Bagging算法与模糊MP-LSTM融合的短期负荷预测模型^*

Short-term Load Forecasting Model Based on Improved Bagging Algorithm and Fuzzy MP-LSTM Fusion

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 19

相关文章 15

编辑推荐

Metrics

本文评价

[1]	沈力, 沈媛, 周浩. 时变时滞电力系统鲁棒镇定控制器设计[J]. 电气工程学报, 2021, 16(4): 174-182.
[2]	党存禄, 杨海兰, 武文成. 基于LSTM和CatBoost组合模型的短期负荷预测[J]. 电气工程学报, 2021, 16(3): 62-69.
[3]	林琳, 高雪, 甄钊. 考虑含热电联产机组及可再生能源优先消纳的风-光-水-火联合优化调度[J]. 电气工程学报, 2021, 16(3): 85-91.
[4]	苏福清, 匡洪海, 钟浩, 匡威, 陶成. 基于柯西变异改进粒子群算法的无功优化 ^*[J]. 电气工程学报, 2021, 16(1): 55-61.
[5]	李名科, 庾力维, 陈中平, 蔡昭群. 10 kV配电网短路电流控制策略仿真分析[J]. 电气工程学报, 2021, 16(1): 83-89.
[6]	李金, 张喜铭, 谢型浪, 李恒. 变电站安全运维装置技术方案 ^*[J]. 电气工程学报, 2020, 15(4): 114-120.
[7]	贾光耀, 蔡福天. 基于仿射理论的配电网供电能力的研究 ^*[J]. 电气工程学报, 2020, 15(4): 59-64.
[8]	赵金焕,马平. 计及DG功率不确定性的配电网多目标无功优化^*[J]. 电气工程学报, 2020, 15(3): 65-71.
[9]	党存禄,武文成,李超锋,李永强. 基于CatBoost算法的电力短期负荷预测研究 ^*[J]. 电气工程学报, 2020, 15(1): 76-82.
[10]	汪应春,唐登平,李兴鹏. 基于报价修正的输电线路负值网损经济性结算研究 ^*[J]. 电气工程学报, 2020, 15(1): 89-94.
[11]	訾振宁, 何永君, 赵东元, 陈羽飞, 詹庆才. 新一代电力系统灵活柔性特征研究 ^*[J]. 电气工程学报, 2019, 14(3): 1-8.
[12]	钟开成. 时变时滞电力系统鲁棒稳定性新判据[J]. 电气工程学报, 2019, 14(1): 79-82.
[13]	杨永前. 提高电力系统暂态稳定性的TCPST模糊逻辑控制器设计[J]. 电气工程学报, 2018, 13(12): 42-47.
[14]	牛江川, 韩利涛, 李素娟, 郭京波, 刘进志. 基于PSO-BP神经网络的盾构刀具配置研究[J]. 机械工程学报, 2018, 54(10): 167-172.
[15]	吴伟男, 朱秋国, 吴俊, 熊蓉. 基于粒子群优化算法的单腿机器人膝踝协调运动控制[J]. 机械工程学报, 2017, 53(15): 93-100.