基于二次重构分解去噪及双向长短时记忆网络的极端天气下超短期电力负荷预测

钟燕; 王军; 宋戈; 吴波; 王涛

doi:10.13335/j.1000-3673.pst.2024.0935

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于二次重构分解去噪及双向长短时记忆网络的极端天气下超短期电力负荷预测

更新时间：2025-11-25

- 基于二次重构分解去噪及双向长短时记忆网络的极端天气下超短期电力负荷预测
- Vol. 49, Issue 11, Pages: 4791-4800(2025)
- 作者机构：
  
  1. 西华大学电气与电子信息学院
  2. 国网四川省电力公司成都市供电局
- 作者简介：
- 基金信息：
- DOI：10.13335/j.1000-3673.pst.2024.0935
  CLC： TM715;TP183
- Published：2025
- 稿件说明：
移动端阅览
钟燕, 王军, 宋戈, et al. 基于二次重构分解去噪及双向长短时记忆网络的极端天气下超短期电力负荷预测[J]. 2025, 49(11): 4791-4800.
DOI：

钟燕, 王军, 宋戈, et al. 基于二次重构分解去噪及双向长短时记忆网络的极端天气下超短期电力负荷预测[J]. 2025, 49(11): 4791-4800. DOI： 10.13335/j.1000-3673.pst.2024.0935.

摘要

极端天气事件的发生会导致电力负荷产生突增或突降，对电网的稳定性和供电能力带来挑战。然而，现有的超短期负荷预测方法对极端天气下非线性和动态变化的负荷特征预测能力有限。为应对极端天气下负荷突变性强及波动剧烈导致的预测精度降低的问题，提出了一种考虑极端天气的二次重构分解去噪和双向长短时记忆网络(bidirectional long short-term memory

BiLSTM)的超短期电力负荷预测方法。首先，利用最大信息系数选取出能够最大程度反映对负荷影响的气候特征。然后，通过二次重构分解去噪方法提取到负荷多个频段的特征，降低数据复杂性，为BiLSTM模型提供更干净和信息量更清晰的输入序列，从而改善模型的训练效果和预测能力。最后基于比利时、福建省某区域以及得土安市的历史数据集进行算例分析，不同算例中平均绝对百分比误差分别下降到1.024%、0.875%、1.270%和1.009%，实验结果验证了所提方法在极端天气发生时的电力负荷超短期预测方面具有较好的预测性能和广阔的应用前景。

Abstract

关键词

Keywords

references

School of Economics and Management, North China Electric Power University, Beijing, 102206, China,Center for Energy and Environmental Policy Research, Beijing Institute of Technology, Beijing, 100181, China,China Electric Power Research Institute, Beijing, 100192, China,School of Economics and Management, North China Electric Power University, Beijing, 102206, China,Shanghai Electric Power Company, Shanghai, 200122, China.Short term electricity load forecasting using a hybrid model[J].Energy,2018.

Hossein Javedani Sadaei,Petrônio Cândido de Lima e Silva,Frederico Gadelha Guimarães,Muhammad Hisyam Lee.Short-term load forecasting by using a combined method of convolutional neural networks and fuzzy time series[J].Energy,2019.

陈振宇,刘金波,李晨,季晓慧,李大鹏,黄运豪,狄方春,高兴宇,徐立中.基于LSTM与XGBoost组合模型的超短期电力负荷预测[J].电网技术,2020(02).

邓带雨,李坚,张真源,滕予非,黄琦.基于EEMD-GRU-MLR的短期电力负荷预测[J].电网技术,2020(02).

庞昊,高金峰,杜耀恒.基于时间卷积网络分位数回归的短期负荷概率密度预测方法[J].电网技术,2020(04).

李玉志,刘晓亮,邢方方,温国强,卢楠滟,何慧,焦润海.基于Bi-LSTM和特征关联性分析的日尖峰负荷预测[J].电网技术,2021(07).

孙超,吕奇,朱思曈,郑薇,曹云飞,王俊.基于双层XGBoost算法考虑多特征影响的超短期电力负荷预测[J].高电压技术,2021(08).

刘亚珲,赵倩.基于聚类经验模态分解的CNN-LSTM超短期电力负荷预测[J].电网技术,2021(11).

朱凌建,荀子涵,王裕鑫,崔强,陈文义,娄俊超.基于CNN-Bi LSTM的短期电力负荷预测[J].电网技术,2021(11).

张振中,郭傅傲,刘大明,唐飞.基于最大互信息系数和小波分解的多模型集成短期负荷预测[J].计算机应用与软件,2021(05).

叶剑华,曹旌,杨理,罗凤章.基于变分模态分解和多模型融合的用户级综合能源系统超短期负荷预测[J].电网技术,2022(07).

江友华,朱毅轩,杨兴武,江相伟.基于Hankel-SVD-CEEMDAN改进阈值的局部放电特征提取方法[J].电网技术,2022(11).

韩富佳,王晓辉,乔骥,史梦洁,蒲天骄.基于人工智能技术的新型电力系统负荷预测研究综述[J].中国电机工程学报,2023(22).

骆钊,吴谕侯,朱家祥,赵伟杰,王钢,沈鑫.基于多尺度时间序列块自编码Transformer神经网络模型的风电超短期功率预测[J].电网技术,2023(09).

李丹,孙光帆,缪书唯,章可,谭雅,张远航,贺帅.基于多维时序信息融合的短期电力负荷预测方法[J].中国电机工程学报,2023(S1).

常雨芳,杨子潇,潘风,唐杨,黄文聪.基于CEEMDAN-PE-WPD和多目标优化的超短期风电功率预测方法[J].电网技术,2023(12).

李练兵,高国强,吴伟强,魏玉憧,卢盛欣,梁纪峰.考虑特征重组与改进Transformer的风电功率短期日前预测方法[J].电网技术,2024(04).

石卓见,冉启武,徐福聪.基于聚合二次模态分解及Informer的短期负荷预测[J].电网技术,2024(06).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

计及极端天气和海上风电制氢的综合能源系统优化运行

基于时变滤波经验模态分解-重构和独立自注意力机制的iTransformer超短期负荷预测方法

强沙尘暴下新能源基地的韧性评估及其提升方法

DESIGN AND IMPLEMENTATION OF REAL-TIME GENERATION CONTROL SYSTEM FOR ANHUI POWER SYSTEM

Ultra-Short Term Load Forecasting Based on Similarity Search in Time-Series

Related Author

王晓亮

黄冬梅

李媛媛

吴伟聪

时帅

李东琦

范士雄

郭剑波

Related Institution

上海电力大学电气工程学院

中国电力科学研究院有限公司

兰州交通大学新能源与动力工程学院

国网甘肃省电力公司

清华四川能源互联网研究院

AI问答

⁰