Short-Term Load Forecasting for Rural Integrated Energy Systems Based on Deep Learning

YANG Junwen; XU Zhi; JIANG He; QIN Risheng; REN Min; ZHAO Nan; YUAN Zhiwei; LI Hailiang

doi:10.13648/j.cnki.issn1674-0629.2026.08.006

English Version Journal Login

您当前的位置：

首页 >

文章列表页 >

Short-Term Load Forecasting for Rural Integrated Energy Systems Based on Deep Learning

Key Technologies and Applications of New Rural Energy Systems | 更新时间：2026-09-16

- Short-Term Load Forecasting for Rural Integrated Energy Systems Based on Deep Learning
- Southern Power System Technology Vol. 20, Issue 8, Pages: 67-77(2026)
- 作者机构：
  
  1.云南电网有限责任公司，昆明 650051
  2.云南电网有限责任公司电力科学研究院，昆明 650051
  3.云南电网有限责任公司红河供电局，云南蒙自 661100
  4.暨南大学国际能源学院/能源电力研究中心，广东珠海 519000
- 作者简介：
- 基金信息：
  
  the Smart Grid National Science and Technology Major Project(2024ZD0800600)
- DOI：10.13648/j.cnki.issn1674-0629.2026.08.006
  CLC： TM73
- Received：21 November 2025，
  
  Online First：17 June 2026，
  
  Published：20 August 2026
- 稿件说明：
移动端阅览
杨浚文,徐志,姜訸等.基于深度学习的乡村综合能源系统短期负荷预测[J].南方电网技术,2026,20(08):67-77.

YANG Junwen,XU Zhi,JIANG He,et al.Short-Term Load Forecasting for Rural Integrated Energy Systems Based on Deep Learning[J].Southern Power System Technology,2026,20(08):67-77.
杨浚文,徐志,姜訸等.基于深度学习的乡村综合能源系统短期负荷预测[J].南方电网技术,2026,20(08):67-77. DOI： 10.13648/j.cnki.issn1674-0629.2026.08.006.

YANG Junwen,XU Zhi,JIANG He,et al.Short-Term Load Forecasting for Rural Integrated Energy Systems Based on Deep Learning[J].Southern Power System Technology,2026,20(08):67-77. DOI： 10.13648/j.cnki.issn1674-0629.2026.08.006.

摘要

乡村综合能源系统短期负荷的准确预测对于乡村电网的安全稳定运行及新能源就地消纳具有重要意义。然而，受农业生产节律和天气突变等多重因素耦合影响，乡村综合能源系统负荷呈现出强随机性、非平稳性及多时间尺度特征，导致传统方法预测精度受限。为此提出了一种基于VMD-Informer-BiGRU模型的短期负荷预测方法。该方法首先构建了包含农忙时段、环境温度、节假日等多维特征集，以精准表征乡村特有的用能模式；利用变分模态分解（variational mode decomposition，VMD）将原始负荷序列解耦为具有不同频率特性的模态分量，有效消除随机波动干扰；在此基础上引入Informer模型深度挖掘全局长程时间依赖，并协同双向门控循环单元（BiGRU）捕捉局部突变特征，实现多尺度时序特征的深度融合；最后构建了组合预测模型。以中国某乡村地区实际用能场景为预测对象，计算结果表明所提模型的预测精度高于其他模型。

Abstract

Accurate short-term load forecasting of rural integrated energy systems is of great significance for the safe and stable operation of rural power grids and local renewable energy consumption. However

due to the coupled effects of agricultural production rhythms

sudden weather changes

and other factors

the load of rural integrated energy systems exhibits strong randomness

non-stationarity

and multi-time-scale characteristics

which limit the forecasting accuracy of traditional methods. To address this issue

a short-term load forecasting method is proposed based on the VMD-Informer-BiGRU model. Firstly

a multidimensional feature set including farming periods

ambient temperature

and holidays is constructed to accurately characterize the unique energy consumption patterns in rural areas. Variational mode decomposition (VMD) is then used to decompose the original load sequence into modal components with different frequency characteristics

effectively reducing random fluctuation interference. On this basis

the Informer model is introduced to extract global long-term temporal dependencies

while the bidirectional gated recurrent unit (BiGRU) is employed to capture local mutation features

achieving deep fusion of multi-scale temporal features. Finally

a combined forecasting model is established. Using an actual rural energy consumption scenario in China as the case study

the results show that the proposed model achieves higher forecasting accuracy than other models.

关键词

Keywords

references

陆佳琳，方舒，杜松怀，等 . 高比例可再生能源新型农村电网的技术挑战与展望［J］. 电力需求侧管理， 2022 ， 24 （ 6 ）： 38 - 43 .

LU Jialin ， FANG Shu ， DU Songhuai ， et al . Technical challenges and expectation of new rural power grid with high proportion of renewable energy ［J］. Power Demand Side Management ， 2022 ， 24 （ 6 ）： 38 - 43 .

王保民 . 乡村振兴战略下能源电力面临的机遇与挑战［J］. 中国科技信息， 2022 （ 7 ）： 124 - 125 .

WANG Baomin . Opportunities and challenges faced by energy and power under the rural revitalization strategy ［J］. China Science and Technology Information ， 2022 （ 7 ）： 124 - 125 .

董京，何武，刘雪飞，等 . 基于合作联盟的农村微电网光储协同配置与收益分配策略［J］. 电力自动化设备， 2025 ， 45 （ 7 ）： 10 - 18，53 .

DONG Jing ， HE Wu ， LIU Xuefei ， et al . Cooperative allocation and profit distribution strategy of photovoltaic-storage systems in rural microgrids based on cooperative alliance ［J］. Electric Power Automation Equipment ， 2025 ， 45 （ 7 ）： 10 - 18，53 .

韩璟琳，胡平，韩天华，等 . 考虑多能互动的农村区域电网负荷预测方法［J］. 电力系统及其自动化学报， 2024 ， 36 （ 1 ）： 152 - 158 .

HAN Jinglin ， HU Ping ， HAN Tianhua ， et al . Load forecasting method for rural regional power grids considering multi-energy interaction ［J］. Proceedings of the CSU-EPSA ， 2024 ， 36 （ 1 ）： 152 - 158 .

梁睿，金沫含，朱慧君，等 . 基于多场景聚类和可解释时间融合Transformer网络的乡村地区净负荷区间预测［J］. 电网技术， 2025 ， 49 （ 12 ）： 5019 - 5027 .

LIANG Rui ， JIN Mohan ， ZHU Huijun ， et al . Net load interval forecasting for rural areas based on multi-scenario clustering and interpretable temporal fusion Transformer network ［J］. Power System Technology ， 2025 ， 49 （ 12 ）： 5019 - 5027 .

陶磊，罗萍萍，林济铿 . 基于深度学习的直流微电网虚假数据注入攻击二阶段检测方法［J］. 中国电力， 2024 ， 57 （ 9 ）： 11 - 19 .

TAO Lei ， LUO Pingping ， LIN Jikeng . Two-stage detection method for DC microgrid false data injection attack based on deep learning ［J］. Electric Power ， 2024 ， 57 （ 9 ）： 11 - 19 .

申洪涛，李飞，史轮，等 . 基于气象数据降维与混合深度学习的短期电力负荷预测［J］. 电力建设， 2024 ， 45 （ 1 ）： 13 - 21 .

SHEN Hongtao ， LI Fei ， SHI Lun ， et al . Short-term power load forecasting based on reduction of meteorological data dimensionality and hybrid deep learning ［J］. Electric Power Construction ， 2024 ， 45 （ 1 ）： 13 - 21 .

高岩，吴汉斌，张纪欣，等 . 基于组合深度学习的光伏功率日前概率预测模型［J］. 中国电力， 2024 ， 57 （ 4 ）： 100 - 110 .

GAO Yan ， WU Hanbin ， ZHANG Jixin ， et al . Day-ahead probabilistic prediction model for photovoltaic power based on combined deep learning ［J］. Electric Power ， 2024 ， 57 （ 4 ）： 100 - 110 .

YANG W ， SHI J ， LI S ， et al . A combined deep learning load forecasting model of single household resident user considering multi-time scale electricity consumption behavior ［J］. Applied Energy ， 2022 （ 307 ）： 118197 .

SEKHAR C ， DAHIYA R . Robust framework based on hybrid deep learning approach for short term load forecasting of building electricity demand ［J］. Energy ， 2023 （ 268 ）： 126660 .

DUBEY A K ， KUMAR A ， GARCÍA-DÍAZ V ， et al . Study and analysis of SARIMA and LSTM in forecasting time series data ［J］. Sustainable Energy Technologies and Assessments ， 2021 （ 47 ）： 101474 .

BELMAHDI B ， LOUZAZNI M ， El BOUARDI A . One month-ahead forecasting of mean daily global solar radiation using time series models ［J］. Optik ， 2020 （ 219 ）： 165207 .

JIANG L ， WANG X ， LI W ， et al . Hybrid multitask multi-information fusion deep learning for household short-term load forecasting ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 6 ）： 5362 - 5372 .

LI K ， HUANG W ， HU G ， et al . Ultra-short term power load forecasting based on CEEMDAN-SE and LSTM neural network ［J］. Energy and Buildings ， 2023 （ 279 ）： 112666 .

LIAO C ， CHEN C ， XIANG C ， et al . Taxi-passenger’s destination prediction via GPS embedding and attention-based BiLSTM model ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2022 ， 23 （ 5 ）： 4460 - 4473 .

李延珍，王海鑫，杨子豪，等 . 基于非侵入式负荷分解的家庭负荷两阶段超短期负荷预测模型［J］. 电工技术学报， 2024 ， 39 （ 11 ）： 3379 - 3391 .

LI Yanzhen ， WANG Haixin ， YANG Zihao ， et al . A two-stage ultra-short-term household load forecasting model based on non-intrusive load decomposition ［J］. Transactions of China Electrotechnical Society ， 2024 ， 39 （ 11 ）： 3379 - 3391 .

LAKSHMI D V ， KUMAR K . Integrated LSTM and reinforcement learning framework for predictive power forecasting and energy optimization in battery management systems ［J］. Journal of Energy Storage ， 2025 （138）： 1186661.1 - 118666.13.

ZHAO Q ， WANG S ， CHEN Y ， et al . A hybrid framework for short-term load forecasting based on optimized InMetra Boost and BiLSTM ［J］. Energy ， 2025 （328）： 136582.1 - 136582.10.

MICHAEL N E ， HASAN S ， Al-DURRA A ， et al . Short-term solar irradiance forecasting based on a novel bayesian optimized deep long short-term memory neural network ［J］. Applied Energy ， 2022 （324）： 119727.1 - 119727.10.

WANG Y ， CHEN J ， CHEN X ， et al . Short-term load forecasting for industrial customers based on TCN-LightGBM ［J］. IEEE Transactions on Power Systems ， 2021 ， 36 （ 3 ）： 1984 - 1997 .

CHEN Q ， LIU Y B ， GE M F ， et al . A novel Bayesian-optimization-based adversarial TCN for RUL prediction of bearings ［J］. IEEE Sensors Journal ， 2022 ， 22 （ 21 ）： 20968 - 20977 .

ZHAN Y ， YAN K ， ZHENG X . Integrating transformers into physics-informed neural networks： An approach to lithium-ion battery state-of-health prognostics ［J］. International Journal of Electrical Power & Energy Systems ， 2025 （172）： 111173.1 - 111173.12.

XIA X ， LUO Y ， LI P ， et al . Systematic evaluation of transformer-based time series forecasting models for post-processing WRF-simulated wind speed and predicting short-term power output ［J］. Applied Energy ， 2026 （403）： 127070.1 - 127070.10.

VASWANI A ， SHAZEER N ， PARMAR N ， et al . Attention is all you need ［J］. Advances in Neural Information Processing Systems ， 2017 ， 30 .

LI C ， SHI J . A novel CNN-LSTM-based forecasting model for household electricity load by merging mode decomposition， self-attention and autoencoder ［J］. Energy ， 2025 （330）： 136883.1 - 136883.11.

CHUNG W H ， GU Y H ， YOO S J . District heater load forecasting based on machine learning and parallel CNN-LSTM attention ［J］. Energy ， 2022 （246）： 123350.1 - 123350.13.

NIU D ， YU M ， SUN L ， et al . Short-term multi-energy load forecasting for integrated energy systems based on CNN-BiGRU optimized by attention mechanism ［J］. Applied Energy ， 2022 （313）： 118801.1 - 118801.9.

张未，余成波，王士彬，等 . 基于VMD-LSTM-LightGBM的多特征短期电力负荷预测［J］. 南方电网技术， 2023 ， 17 （ 2 ）： 74 - 81 .

ZHANG Wei ， YU Chengbo ， WANG Shibin ， et al . Multi-feature short-term power load forecasting based on VMD-LSTM-LightGBM ［J］. Southern Power System Technology ， 2023 ， 17 （ 2 ）： 74 - 81 .

王俊，王继烨，程坤，等 . 基于双层优化VMD-LSTM的农村超短期电力负荷预测［J］. 沈阳农业大学学报， 2024 ， 55 （ 1 ）： 92 - 102 .

WANG Jun ， WANG Jiye ， CHENG Kun ， et al . Ultra-short-term power load forecasting based on two-layer optimization VMD-LSTM ［J］. Journal of Shenyang Agricultural University ， 2024 ， 55 （ 1 ）： 92 - 102 .

GONG M ， ZHAO Y ， SUN J ， et al . Load forecasting of district heating system based on Informer ［J］. Energy ， 2022 （253）： 124179.1 - 124179.11.

周璇，李可昕，郭子轩，等 . 基于改进Informer的商业建筑短期用电负荷多步预测［J］. 华南理工大学学报（自然科学版）， 2026 ， 54 （ 1 ）： 42 - 52 .

ZHOU Xuan ， LI Kexin ， GUO Zixuan ， et al . Short-term power load multi-step forecasting for commercial building based on improved informer ［J］. Journal of South China University of Technology （Natural Science Edition）， 2026 ， 54 （ 1 ）： 42 - 52 .

俞胜，孙可，蔡华，等 . 结合极端梯度提升决策树与改进Informer的短期电力负荷预测方法［J］. 中国电力， 2025 ， 58 （ 10 ）： 195 - 205 .

YU Sheng ， SUN Ke ， CAI Hua ， et al . A short-term power load forecasting method combining extreme gradient boosting decision tree with an improved informer ［J］. Electric Power ， 2025 ， 58 （ 10 ）： 195 - 205 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

A Short-Term Power Load Visualization Forecasting Method Based on 2D-VMD and ConvLSTM

Fast Charging Load Forecasting of Electric Vehicles Considering Urban Spatial Structure and User′s Bounded Rationality

Multi-Featured Short-Term Power Load Forecasting Based on VMD-LSTM-LightGBM

Time-Series Production Simulation Method for Rural Integrated Energy Systems with Complementary Fishery-PV-Hydrogen-Heat-Storage

Optimal Operation Strategy for Source-Grid-Load-Storage in Rural Microgrids Based on Improved TD3

Related Author

SONG Jiaqi

YANG Yongbiao

LI Chenghao

XU Qingshan

ZHANG Xiangying

ZHAO Jinbin

YANG Chuan

QU Keqing

Related Institution

School of Electrical Engineering, Southeast University

Nanjing Center for Applied Mathematics

NARI Group Corporation, State Grid Electric Power Research Institute Co. , Ltd.

Nanjing Branch of Nanrui Engineering Technology Co. , Ltd.

Department of Electrical Engineering, Shanghai University of Electric Power

AI问答

⁰