基于EEMD-BiLSTM的可调节负荷预测方法

doi:10.3969/j.issn.2097-0706.2022.09.005

综合智慧能源 ›› 2022, Vol. 44 ›› Issue (9): 33-39.doi: 10.3969/j.issn.2097-0706.2022.09.005

基于EEMD-BiLSTM的可调节负荷预测方法

李彬¹(), 胡纯瑾¹^,^*(), 王婧²()

1.华北电力大学电气与电子工程学院,北京 102206
2.国网综合能源服务集团有限公司,北京 100052

收稿日期:2022-02-25 修回日期:2022-05-02 出版日期:2022-09-25 发布日期:2022-09-26
通讯作者: 胡纯瑾
作者简介:李彬（1983）,男,副教授,工学博士,从事电力通信、电气信息技术等方面的研究, direfish@163.com;
王婧（1984）,女,高级工程师,工学硕士,从事综合能源系统、虚拟电厂方面的研究, pingjingbei@126.com。
基金资助:
国网综合能源服务集团有限公司科技项目(52789921N00D)

Prediction method for adjustable load based on EEMD-BiLSTM

LI Bin¹(), HU Chunjin¹^,^*(), WANG Jing²()

1. School of Electrical and Electronic Engineering,North China Electric Power University,Beijing 102206,China
2. State Grid Integrated Energy Service Group Company Limited,Beijing 100052,China

Received:2022-02-25 Revised:2022-05-02 Online:2022-09-25 Published:2022-09-26
Contact: HU Chunjin

摘要/Abstract

摘要：

“双碳”目标下,可调节负荷成为电网新兴调节资源。为解决经验模态分解（EMD）的模态混叠现象,同时获取负荷序列良好的时间感知能力,提出了一种集合经验模态分解（EEMD）和双向长短期记忆（BiLSTM）组合的可调节负荷预测方法EEMD-BiLSTM。首先分析了EEMD和BiLSTM的原理,通过将预处理的可调节负荷序列通过EEMD算法进行分解,然后将分解后的分量数据和原始数据分别进行预测建模及重构。试验结果表明EEMD-BiLSTM能够有效表达可调节负荷的时序关系,预测精度高。

关键词: “双碳”目标, 集成经验模态分解, 双向长短记忆网络, 可调节负荷, 负荷预测, 需求响应

Abstract:

To achieve the goals of carbon peaking and carbon neutrality,adjustable load has become emerging regulation resources of the power grid. In order to solve the mode aliasing phenomenon in EMD and obtain good time perception of load series,an adjustable load prediction method that combines EEMD with BiLSTM is proposed. The working principles of EEMD and BiLSTM were expounded. The preprocessed adjustable load series was decomposed by EEMD algorithm, and then the decomposed component data and original data were used for load prediction modeling and reconstruction, respectively. Experimental results show that EEMD-BiLSTM can effectively express the relation between time sequence and adjustable load with a high accuracy.

Key words: dual carbon target, ensemble empirical mode decomposition（EEMD）, bidirectional long short term memory（BiLSTM）, adjustable load, load forecasting, demand response

中图分类号:

TK01

李彬, 胡纯瑾, 王婧. 基于EEMD-BiLSTM的可调节负荷预测方法[J]. 综合智慧能源, 2022, 44(9): 33-39.

LI Bin, HU Chunjin, WANG Jing. Prediction method for adjustable load based on EEMD-BiLSTM[J]. Integrated Intelligent Energy, 2022, 44(9): 33-39.

图/表 9

图1

图2

表1

图3

图4

图5

图6

图7

表2

参考文献 17

[1]	国家发展改革委,国家能源局. 关于完善能源绿色低碳转型体制机制和政策措施的意见[R]. 2022.
[2]	国家电网有限公司. 能源互联网情境下负荷调控能力提升工作三年行动计划[R]. 2022.
[3]	张建寰, 吉莹, 陈立东. 深度学习在电力负荷预测中的应用[J]. 自动化仪表, 2019, 40(8):8-12.
	ZHANG Jianhuan, JI Ying, CHEN Lidong. Application of deep learning in power load forecasting[J]. Automation Instrumentation, 2019, 40(8):8-12.
[4]	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.
[5]	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 power market[J]. Power Grid Technology, 2019, 43(5):1745-1751.
[6]	吕海灿, 王伟峰, 赵兵, 等. 基于Wide & Deep LSTM模型的短期台区负荷预测[J]. 电网技术, 2020, 44(2):428-436.
	LV Haican, WANG Weifeng, ZHAO Bing, et al. Short-term station load forecasting based on Wide & Deep LSTM model[J]. Power Grid Technology, 2020, 44(2):428-436.
[7]	刘建华, 李锦程, 杨龙月, 等. 基于EMD-SLSTM的家庭短期负荷预测[J]. 电力系统保护与控制, 2019, 47(6):40-47.
	LIU Jianhua, LI Jincheng, YANG Longyue, et al. Household short-term load forecasting based on EMD-SLSTM[J]. Electric Power System Protection and Control, 2019, 47(6):40-47.
[8]	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 power load forecasting based on EEMD-GRU-MLR[J]. Power Grid Technology, 2020, 44(2):593-602.
[9]	HUANG E, STEVER R L. A new view of nonstationary time series analysis:Empirical mode deconmposition and Hilbert spectral analysis[J]. Proceedings of SPIE—The International Society for Optical Engineering, 2000, 4056:197-209.
[10]	WU Z, HUANG N E. Ensemble empirical mode decomposition:A noised-assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009, 1(1):1-41. doi: 10.1142/S1793536909000047
[11]	HOCHREITER S, SCHMIDHUBER J. Long short-term memory[J]. Neural Computation, 1997, 9(8):1735. doi: 10.1162/neco.1997.9.8.1735
[12]	JIA Y C, LI G L, et al. A novel denoising method for vibration signal of hob spindle based on EEMD and grey theory[J]. Measurement, 2021, 169:108490. doi: 10.1016/j.measurement.2020.108490
[13]	YANG M, WANG J. Adaptability of financial time series prediction based on BiLSTM[J]. Procedia Computer Science, 2022, 199:18-25. doi: 10.1016/j.procs.2022.01.003
[14]	侯回位, 郑东健, 刘永涛, 等. 基于EEMD-SE-LSTM的混凝土坝变形监测模型[J]. 水利水电科技进展, 2022, 42(1):61-66.
	HOU Huiwei, ZHENG Dongjian, LIU Yongtao, et al. Deformation monitoring model of concrete dams based on EEMD-SE-LSTM[J]. Advances in Science and Technology of Water Resources, 2022, 42(1):61-66.
[15]	董军, 陈正鹏, 窦熙皓, 等. 基于EEMD-FCM的需求响应用户负荷曲线分类研究[J]. 电力科学与工程, 2021, 37(10):45-54.
	DONG Jun, CHEN Zhengpeng, DOU Xihao, et al. Research on demand response of user load curve classification based on EEMD-FCM method[J]. Electric Power Science and Engineering, 2021, 37(10):45-54.
[16]	张栋栋, 陈洁, 李洋. 基于VMD-SE和BiLSTM在短期负荷预测应用[J]. 现代电子技术, 2021, 44(23):155-159.
	ZHANG Dongdong, CHEN Jie, LI Yang. In short-term load forecasting based on VMD-SE and BiLSTM application[J]. Journal of Modern Electronic Technology, 2021, 44(23):155-159.
[17]	赵征, 周孜钰, 南宏钢. 基于VMD的CNN-BiLSTM超短期风电功率多步区间预测[J/OL]. 华北电力大学学报(自然科学版):1-7.(2021-09-07)[2022-02-23]. http://kns.cnki.net/kcms/detail/13.1212.TM.20210907.1610.004.html.
	ZHAO Zheng, ZHOU Ziyu, NAN Honggang. Multi-step interval prediction of ultra-short-term wind power based on CNN-BiLSTM based on VMD[J/OL]. Journal of North China Electric Power University(Natural Science Edition):1-7.(2021-09-07)[2022-02-23]. http://kns.cnki.net/kcms/detail/13.1212.TM.20210907.1610.004.html.

输入门	遗忘门	LSTM
0	1	只使用记忆
1	1	综合输入和记忆
0	0	清零记忆
1	0	输入覆盖记忆

模型	MAE/MW	MAPE
LSTM	19.560 0	0.010 6
EEMD-LSTM	13.740 2	0.007 8
BiLSTM	7.160 8	0.004 4
EEMD-BiLSTM	4.132 6	0.004 7

基于EEMD-BiLSTM的可调节负荷预测方法

Prediction method for adjustable load based on EEMD-BiLSTM

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 17

相关文章 15

编辑推荐

Metrics

本文评价

[1]	高圆, 李智, 李甲鸿, 高九涛, 李成新, 李长久. 金属支撑固体氧化物燃料电池技术进展[J]. 综合智慧能源, 2022, 44(8): 1-24.
[2]	喻小宝, 章天浩, 邓思维. 数字化背景下电力数据要素定价机制优化研究[J]. 综合智慧能源, 2022, 44(7): 81-89.
[3]	钟永洁, 纪陵, 李靖霞, 蒋衍君, 吴世伟, 王紫东. 虚拟电厂基础特征内涵与发展现状概述[J]. 综合智慧能源, 2022, 44(6): 25-36.
[4]	张爱平, 赵利兴, 刘静. 楼宇型综合能源服务系统智能优化运行研究[J]. 综合智慧能源, 2022, 44(2): 42-48.
[5]	张凯杰, 丁国锋, 闻铭, 惠红勋, 丁一, 贺民, 褚杰锋, 谢康, 俞楚天, 张利军. 虚拟电厂的优化调度技术与市场机制设计综述[J]. 综合智慧能源, 2022, 44(2): 60-72.
[6]	王一铮, 胡嘉骅, 唐琦雯, 赵一琰, 沈琪. 电力现货市场背景下的水电出力优化与光伏发电消纳[J]. 综合智慧能源, 2022, 44(2): 73-79.
[7]	赵建立, 汤卓凡, 王桂林, 陈宇扬, 王隗东, 陈珂, 吴英俊. 具有储能作用的用户侧资源运行特性[J]. 综合智慧能源, 2022, 44(2): 8-14.
[8]	吉斌, 孙绘, 昌力, 张丹丹. 黏性电力用户参与需求侧响应的行为决策建模与分析[J]. 综合智慧能源, 2022, 44(2): 80-88.
[9]	汪希玥, 徐箭, 廖思阳, 柯德平. 考虑虚拟储能特性的柔性负荷调控裕度评估方法[J]. 华电技术, 2021, 43(9): 37-45.
[10]	王秋惠, 孙立国, 李佳雯. 基于相变储能的建筑光伏系统储能优化配置研究[J]. 华电技术, 2021, 43(9): 54-61.
[11]	魏书洲, 李兵发, 孙晨阳, 周兴, 王亚龙, 邹一帆, 邓靖敏, 王金星. 压缩空气储能技术及其耦合发电机组研究进展[J]. 华电技术, 2021, 43(7): 9-16.
[12]	徐世华, 刘萍, 邱睿, 欧阳俊, 孔凡旭, 徐彬, 张君波, 吴军, 韩锐. 海上微型综合能源系统能效评价与提升关键问题研究[J]. 华电技术, 2021, 43(4): 21-27.
[13]	胡倩, 孙志达, 江坷滕, 雷一, 李海波. 基于短期负荷打捆预测的售电公司偏差考核控制方法[J]. 华电技术, 2021, 43(4): 47-55.
[14]	李彬, 杨帆, 赵燕玲, 祁兵, 石坤. 基于边缘物联代理的综合需求响应关键技术研究[J]. 华电技术, 2021, 43(4): 56-62.
[15]	李彬, 郝一浩, 祁兵, 陈宋宋, 冯剑. 边缘计算在需求响应中的应用现状及发展思路[J]. 华电技术, 2021, 43(3): 1-8.