Short Term Forecasting Method of Energy Demand Based on Deep Belief Network

CAO Huazhen; WEI Bin; GAO Chao; WU Jiekang; LEI Zhen; SUI Yu; CHEN Yabin

doi:10.20121/j.2097-2784.ntps.N20230046

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

Short Term Forecasting Method of Energy Demand Based on Deep Belief Network

Academic Research | 更新时间：2025-06-05

- Short Term Forecasting Method of Energy Demand Based on Deep Belief Network
- New Type Power Systems Vol. 3, Issue 1, Pages: 111-124(2025)
- 作者机构：
  
  1.广东电网有限责任公司电网规划研究中心，广州 510600
  2.广东电网有限责任公司，广州 510600
  3.广东工业大学自动化学院，广州 510006
- 作者简介：
- 基金信息：
  
  Special Research Project of Power Planning of Guangdong Power Grid Co., Ltd(031000QQ00220019)
- DOI：10.20121/j.2097-2784.ntps.N20230046
  CLC： TM715
- Received：05 December 2023，
  
  Revised：2024-05-06，
  
  Published：28 February 2025
- 稿件说明：
移动端阅览
曹华珍,韦斌,高超,等．基于深度信念网络的电力负荷短期预测方法[J]．新型电力系统,2025,03(1):111-124．

CAO Huazhen,WEI Bin,GAO Chao,et al.Short Term Forecasting Method of Energy Demand Based on Deep Belief Network[J].New Type Power Systems,2025,03(01):111-124.
曹华珍,韦斌,高超,等．基于深度信念网络的电力负荷短期预测方法[J]．新型电力系统,2025,03(1):111-124． DOI： 10.20121/j.2097-2784.ntps.N20230046.

CAO Huazhen,WEI Bin,GAO Chao,et al.Short Term Forecasting Method of Energy Demand Based on Deep Belief Network[J].New Type Power Systems,2025,03(01):111-124. DOI： 10.20121/j.2097-2784.ntps.N20230046.

摘要

随着电力市场深入改革，电力逐渐显现商品属性，实时电价走向将会影响短期用电需求，为提高考虑实时电价情况下电力负荷短期预测精度问题，有效映射短期负荷随机性，提出一种电力市场环境下基于实时电价的负荷短期预测方法。选取以实时电价为核心的多种关联指标，利用互信息方法进行指标选择并加权处理，优化预测模型的输入。针对日类型负荷问题，利用改进灰色关联分析原理，构建双层结构相似日集选取方法，分两步确定相似日集。针对深度信念网络权值过于随机化的问题，采用鲸鱼算法优化深度信念网络，以期实现电力负荷短期预测。以美国某地区实时电价与相应负荷数据为例，进行电力负荷短期预测，结果表明所提预测方法可以有效处理电价与负荷相关性，提高了预测精度。

Abstract

With deepening reform of the power market，electricity gradually shows commodity attributes，and the trend of real-time price will affect the short-term demand for electricity. In order to improve the accuracy of short-term energy and power demand forecasting considering the real-time price，and effectively map the randomness of short-term energy and power demand，a short-term forecasting method of energy and power demand based on real-time price in the electricity market environment is proposed. In order to optimize the input of the forecasting model，a variety of related indicators with real-time price as the core are selected and weighted by using mutual information method. Aiming at the problem of daily energy and power demand，the method of selecting similar day sets with double-layer structure is constructed by using the improved grey correlation analysis principle，and the similar day sets are determined in two steps. Aiming at the problem that the weights of the deep belief network are too random，the whale algorithm is used to optimize the deep belief network in order to realize the short-term energy and power demand prediction. Taking the real-time electricity price and corresponding energy and power demand data of a region in the United States as an example，the short-term energy and power demand forecast is carried out. The results show that the proposed forecasting method can effectively deal with the correlation between electricity price and energy and power demand，and improve the prediction accuracy.

关键词

Keywords

references

田书欣，周全，程浩忠，等．基于鸽群优化算法的支持向量机在电力需求总量预测中的应用 [J ] ．电力自动化设备， 2020 ， 40 （ 5 ）： 173 - 179 ．

TIAN Shuxin ， ZHOU Quan ， CHENG Haozhong ， et al ． Application of pigeon-inspired optimization algorithm based SVM in total power demand forecasting [J ] ． Electric Power Automation Equipment ， 2020 ， 40 （ 5 ）： 173 - 179 ．

吴伟杰，吴杰康，雷振，等．基于CSO优化深度信念网络的园区能源需求预测方法 [J ] ．电网技术， 2021 ， 45 （ 10 ）： 3859 - 3868 ．

WU Weijie ， WU Jiekang ， LEI Zhen ， et al ． Park energy demand forecasting based on CSO optimized deep belief network [J ] ． Power System Technology ， 2021 ， 45 （ 10 ）： 3859 - 3868 ．

夏雨烁，张新生，王明虎．基于ISSA-NESN的可再生能源电力需求预测研究 [J ] ．电网与清洁能源， 2023 ， 39 （ 6 ）： 136 - 143 ．

XIA Yushuo ， ZHANG Xinsheng ， WANG Minghu ． A study on renewable energy power demand forecast based on ISSA-NESN [J ] ． Power System and Clean Energy ， 2023 ， 39 （ 6 ）： 136 - 143 ．

杨茂，董骏城，罗芫，等．基于近似熵的电力系统负荷预测误差分析 [J ] ．电力系统保护与控制， 2016 ， 44 （ 23 ）： 24 - 29 ．

YANG Mao ， DONG Juncheng ， LUO Yuan ， et al ． Study of power system load forecasting errors based on approximate entropy [J ] ． Power System Protection and Control ， 2016 ， 44 （ 23 ）： 24 - 29 ．

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 electric load forecasting based on EEMD-GRU-MLR [J ] ． Power System Technology ， 2020 ， 44 （ 2 ）： 593 - 602 ．

XU F Y ， CUN X ， YAN M X ， et al ． Power market load forecasting on neural network with beneficial correlated regularization [J ] ． IEEE Transactions on Industrial Informatics ， 2018 ， 14 （ 11 ）： 5050 - 5059 ．

MERKEL G D ， POVINELLI R J ， BROWN R H ． Short-term load forecasting of natural gas with deep neural network regression [J ] ． Energies ， 2018 ， 11 （ 8 ）： 2008 ．

韩平平，潘薇，张楠，等．基于负荷预测和非支配排序遗传算法的人工相序优化方法 [J ] ．电力系统自动化， 2020 ， 44 （ 20 ）： 71 - 78 ．

HAN Pingping ， PAN Wei ， ZHANG Nan ， et al ． Optimization method for artificial phase sequence based on load forecasting and non-dominated sorting genetic algorithm [J ] ． Automation of Electric Power Systems ， 2020 ， 44 （ 20 ）： 71 - 78 ．

蔡秋娜，潮铸，苏炳洪，等．基于一种新型鲁棒损失的神经网络短期负荷预测方法 [J ] ．电网技术， 2020 ， 44 （ 11 ）： 4132 - 4139 ．

CAI Qiuna ， CHAO Zhu ， SU Binghong ， et al ． Short-term load forecasting method based on a novel robust loss neural network algorithm [J ] ． Power System Technology ， 2020 ， 44 （ 11 ）： 4132 - 4139 ．

熊军华，牛珂，张春歌，等．基于小波变异果蝇优化支持向量机短期负荷预测方法研究 [J ] ．电力系统保护与控制， 2017 ， 45 （ 13 ）： 71 - 77 ．

XIONG Junhua ， NIU Ke ， ZHANG Chunge ， et al ． LSSVM in short-term load forecasting based on wavelet transform and mutant fruit fly optimization algorithm [J ] ． Power System Protection and Control ， 2017 ， 45 （ 13 ）： 71 - 77 ．

KOSCHWITZ D ， FRISCH J ， VAN TREECK C ． Data-driven heating and cooling load predictions for non-residential buildings based on support vector machine regression and NARX Recurrent Neural Network：a comparative study on district scale [J ] ． Energy ， 2018 ， 165 ： 134 - 142 ．

霍娟，孙晓伟，张明杰．电力负荷预测算法比较-随机森林与支持向量机 [J ] ．电力系统及其自动化学报， 2019 ， 31 （ 7 ）： 129 - 134 ．

HUO Juan ， SUN Xiaowei ， ZHANG Mingjie ． Comparison between power load forecasting algorithms based on random forest and support vector machine [J ] ． Proceedings of the CSU-EPSA ， 2019 ， 31 （ 7 ）： 129 - 134 ．

李焱，贾雅君，李磊，等．基于随机森林算法的短期电力负荷预测 [J ] ．电力系统保护与控制， 2020 ， 48 （ 21 ）： 117 - 124 ．

LI Yan ， JIA Yajun ， LI Lei ， et al ． Short term power load forecasting based on a stochastic forest algorithm [J ] ． Power System Protection and Control ， 2020 ， 48 （ 21 ）： 117 - 124 ．

李滨，覃芳璐，吴茵，等．基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测 [J ] ．电工技术学报， 2017 ， 32 （ 9 ）： 149 - 159 ．

LI Bin ， QIN Fanglu ， WU Yin ， et al ． Short-term daily load curve forecasting based on fuzzy information granulation and multi-strategy sensitivity [J ] ． Transactions of China Electrotechnical Society ， 2017 ， 32 （ 9 ）： 149 - 159 ．

孔祥玉，郑锋，鄂志君，等．基于深度信念网络的短期负荷预测方法 [J ] ．电力系统自动化， 2018 ， 42 （ 5 ）： 133 - 139 ．

KONG Xiangyu ， ZHENG Feng ， E Zhijun ， et al ． Short-term load forecasting based on deep belief network [J ] ． Automation of Electric Power Systems ， 2018 ， 42 （ 5 ）： 133 - 139 ．

葛少云，贾鸥莎，刘洪．基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测 [J ] ．电网技术， 2012 ， 36 （ 1 ）： 224 - 229 ．

GE Shaoyun ， JIA Ousha ， LIU Hong ． A gray neural network model improved by genetic algorithm for short-term load forecasting in price-sensitive environment [J ] ． Power System Technology ， 2012 ， 36 （ 1 ）： 224 - 229 ．

何耀耀，刘瑞，撖奥洋．基于实时电价与支持向量分位数回归的短期电力负荷概率密度预测方法 [J ] ．中国电机工程学报， 2017 ， 37 （ 3 ）： 768 - 775 ．

HE Yaoyao ， LIU Rui ， HAN Aoyang ． Short-term power load probability density forecasting method based on real time price and support vector quantile regression [J ] ． Proceedings of the CSEE ， 2017 ， 37 （ 3 ）： 768 - 775 ．

李鹏，何帅，韩鹏飞，等．基于长短期记忆的实时电价条件下智能电网短期负荷预测 [J ] ．电网技术， 2018 ， 42 （ 12 ）： 4045 - 4052 ．

LI Peng ， HE Shuai ， HAN Pengfei ， et al ． Short-term load forecasting of smart grid based on long-short-term memory recurrent neural networks in condition of real-time electricity price [J ] ． Power System Technology ， 2018 ， 42 （ 12 ）： 4045 - 4052 ．

赵佩，代业明．基于实时电价和加权灰色关联投影的SVM电力负荷预测 [J ] ．电网技术， 2020 ， 44 （ 4 ）： 1325 - 1332 ．

ZHAO Pei ， DAI Yeming ． Power load forecasting of SVM based on real-time price and weighted grey relational projection algorithm [J ] ． Power System Technology ， 2020 ， 44 （ 4 ）： 1325 - 1332 ．

寸馨．面向两级市场环境的精度效益双优化 [D ] ．广州：广东工业大学， 2019 ．

CUN Xin ． Load forecasting with both accuracy and benefit optimization for two-stage electricity market [D ] ． Guangzhou，China ： Guangdong University of Technology ， 2019 ．

刘翊枫，周国鹏，刘昕，等．基于智能相似日识别及偏差校正的短期负荷预测方法 [J ] ．电力系统保护与控制， 2019 ， 47 （ 12 ）： 138 - 145 ．

LIU Yifeng ， ZHOU Guopeng ， LIU Xin ， et al ． A short-term load forecasting method based on intelligent similar day recognition and deviation correction [J ] ． Power System Protection and Control ， 2019 ， 47 （ 12 ）： 138 - 145 ．

吴伟杰，吴杰康，雷振，等． CCHP用户冷热电负荷预测的纵横交叉优化深度信念网络方法 [J ] ．南方电网技术， 2021 ， 15 （ 12 ）： 1 - 10 ．

WU Weijie ， WU Jiekang ， LEI Zhen ， et al ． CSO optimized deep belief network based method for cooling heating and power load forecasting of CCHP users [J ] ． Southern Power System Technology ， 2021 ， 15 （ 12 ）： 1 - 10 ．

HAO X C ， GUO T T ， HUANG G L ， et al ． Energy consumption prediction in cement calcination process：a method of deep belief network with sliding window [J ] ． Energy ， 2020 ， 207 ： 118256 ．

梁智，孙国强，李虎成，等．基于VMD与PSO优化深度信念网络的短期负荷预测 [J ] ．电网技术， 2018 ， 42 （ 2 ）： 598 - 606 ．

LIANG Zhi ， SUN Guoqiang ， LI Hucheng ， et al ． Short-term load forecasting based on VMD and PSO optimized deep belief network [J ] ． Power System Technology ， 2018 ， 42 （ 2 ）： 598 - 606 ．

耿琪深，王丰华，金霄．基于Gammatone滤波器倒谱系数与鲸鱼算法优化随机森林的干式变压器机械故障声音诊断 [J ] ．电力自动化设备， 2020 ， 40 （ 8 ）： 191 - 196，224 ．

GENG Qishen ， WANG Fenghua ， JIN Xiao ． Mechanical fault sound diagnosis based on GFCC and random forest optimized by whale algorithm for dry type transformer [J ] ． Electric Power Automation Equipment ， 2020 ， 40 （ 8 ）： 191 - 196，224 ．

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

No data

Related Author

No data

Related Institution

No data

AI问答

⁰