马梦冬,彭道刚,王丹豪
MA Mengdong,PENG Daogang,WANG Danhao

• 1:上海电力大学自动化工程学院

摘要(Abstract)：

短期负荷预测既是电网规划的重要组成部分,也是系统可靠、高效运行的前提和基础。采用EEMD(集合经验模态分解)方法将区域能源互联网历史负荷数据分解成若干分量,再对各个分量分别建立模型,运用LSTM(长短期记忆神经网络)设置对应的隐藏层数,对各个分量分别进行预测,最后叠加预测值得出最终预测结果。将EEMD-LSTM算法与LSTM算法、 EMD-LSTM算法以及Elman算法进行比较,结果表明EEMD-LSTM算法在区域能源互联网负荷预测中能够实现较好的预测精度,具有很好的应用前景和推广价值。
Short-term load forecasting is not only an important part of power grid planning but a prerequisite and basis for the reliable and efficient operation of the system. The ensemble empirical mode decomposition method(EEMD) is used to decompose historical load data of the regional energy Internet into several components, and then models for the components built separately. The long-short-term memory(LSTM) is used to set the corresponding hidden layer number to predict each component separately and conclude the final prediction result by superimposing the prediction values. Compared with LSTM algorithm, EMD-LSTM algorithm and Elman algorithm, it is verified that EEMD-LSTM can achieve better prediction accuracy in regional energy Internet load forecasting and has a good application prospect and is worthy of promotion.

关键词(KeyWords)： 短期负荷预测;区域能源;集合经验模态分解;长短期记忆神经网络
short-term load forecasting;regional energy;EEMD;LSTM

Abstract:

Keywords:

基金项目(Foundation): 国家自然科学基金项目（71871160）;; 上海市“科技创新行动计划”高新技术领域项目（19511101600)

作者(Author): 马梦冬,彭道刚,王丹豪
MA Mengdong,PENG Daogang,WANG Danhao

DOI: 10.19585/j.zjdl.202004005

参考文献(References)：

• [1]董朝阳,赵俊华,文福拴,等.从智能电网到能源互联网:基本概念与研究框架[J].电力系统自动化,2014,38(15):1-11.
• [2]RIFKIN J.The third industrial revolution:how lateral power is transforming energy,the economy,and the world[M].New York:Palgrave MacMillan,2011:24-71.
• [3]郭创新,王惠如,张伊宁,等.面向区域能源互联网的“源-网-荷”协同规划综述[J].电网技术,2019,43(9):3071-3080.
• [4]卢毓东,魏宏,王芙丽,等.能源互联网背景下的客户侧分布式电源综合运营服务平台及其关键技术研究[J].浙江电力,2017,36(10):77-82.
• [5]张亚军,张大波,许诚昕.神经网络在电力系统短期负荷预测中的应用综述[J].浙江电力,2007,26(2):5-9.
• [6]吴润泽,包正睿,宋雪莹,等.基于深度学习的电网短期负荷预测方法研究[J].现代电力,2018,35(2):43-48.
• [7]李龙,魏靖,黎灿兵,等.基于人工神经网络的负荷模型预测[J].电工技术学报,2015,30(8):225-230.
• [8]程宇也.基于人工神经网络的短期电力负荷预测研究[D].杭州:浙江大学,2017.
• [9]律方成,刘怡,亓彦珣,等.基于改进遗传算法优化极限学习机的短期电力负荷预测[J].华北电力大学学报(自然科学版),2018,45(6):1-7.
• [10]黄宇腾,韩诩,赖尚栋.深度神经网络在配电网公变短期负荷预测中的应用研究[J].浙江电力,2018,37(5):1-6.
• [11]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.
• [12]MUZAFFAR S,AFSHARI A.Short-term load forecasts using LSTM networks[J].Energy Procedia,2019,158:2922-2927.
• [13]张宇帆,艾芊,林琳,等.基于深度长短时记忆网络的区域级超短期负荷预测方法[J].电网技术,2019,43(6):1884-1892.
• [14]王新,孟玲玲.基于EEMD-LSSVM的超短期负荷预测[J].电力系统保护与控制,2015,43(1):61-66.
• [15]SHRIVASTAVA Y,SINGH B.A comparative study of EMD and EEMD approaches for identifying chatter frequency in CNC turning[J].European Journal of Mechanics-A/Solids,2019,73:381-393.
• [16]王龙,成天乐,陈宇.基于EMD和ELM的短期负荷预测[J].电力科学与工程,2014,30(6):54-58.
• [17]钱忆钊,陈良.Elman神经网络在电力负荷预测中的应用[J].电工技术,2019(14):55-56.
• [18]叶琳,杨滢,洪道鉴,等.深度学习在电力系统中的应用研究综述[J].浙江电力,2019,38(5):83-89.
• [19]郭威麟,蒋晓艳,罗意,等.基于EEMD-GABP的某地区短期负荷预测研究[J].电力工程技术,2019,38(6):93-98.
• [20]吴茵,莫东,李秋文,等.基于分类波动性统计的短期负荷改进区间预测方法[J].电力大数据,2019,22(11):14-20.
• [21]应张驰,陈淑萍,卢旭航.基于多源信息的短期负荷混合预测模型应用研究[J].浙江电力,2019,38(9):100-104.
• [22]王帅,赵建平,王志远,等.基于云计算平台实现电网短期负荷预测算法的研究[J].四川电力技术,2019,42(1):29-32.
• [23]刘伟,张锐锋,彭道刚.基于K-Adaboost数据挖掘的配电网负荷预测[J].浙江电力,2019,38(1):104-110.
• [24]李重春,祝安琪,王烁罡,等.电力大数据下的短期电力负荷预测[J].电力大数据,2019,22(1):66-70.
• [25]范金骥.基于ARMA与ANN模型组合交叉方法的电网日负荷预测[J].浙江电力,2018,37(8):35-41.