基于动态权重模型组合的短期区域净负荷预测方法

甘业平; 白云龙; 韩号; 刘丽新

doi:10.16543/j.2095-641x.electric.power.ict.2025.03.03

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于动态权重模型组合的短期区域净负荷预测方法

面向新型电力系统的客户侧电力电量分析预测技术及应用 | 更新时间：2026-02-05

- 基于动态权重模型组合的短期区域净负荷预测方法
- 基于动态权重模型组合的短期区域净负荷预测方法
- 电力信息与通信技术 2025年23卷第3期页码：17-24
- 作者机构：
  
  1. 国网安徽省电力有限公司
  2. 北京清软创新科技股份有限公司
- 作者简介：
- 基金信息：
  
  国网安徽电力2023售电市场智能分析预测系统优化与完善-设计开发实施项目(6G120B230002)
- DOI：10.16543/j.2095-641x.electric.power.ict.2025.03.03
  中图分类号： TM715
- 纸质出版：2025
- 稿件说明：
移动端阅览
甘业平, 白云龙, 韩号, 等. 基于动态权重模型组合的短期区域净负荷预测方法[J]. 电力信息与通信技术, 2025,23(3):17-24.

甘业平, 白云龙, 韩号, et al. 基于动态权重模型组合的短期区域净负荷预测方法[J]. 2025, 23(3): 17-24.
甘业平, 白云龙, 韩号, 等. 基于动态权重模型组合的短期区域净负荷预测方法[J]. 电力信息与通信技术, 2025,23(3):17-24. DOI： 10.16543/j.2095-641x.electric.power.ict.2025.03.03.

甘业平, 白云龙, 韩号, et al. 基于动态权重模型组合的短期区域净负荷预测方法[J]. 2025, 23(3): 17-24. DOI： 10.16543/j.2095-641x.electric.power.ict.2025.03.03.

摘要

净负荷预测对以新能源为主体的新型电力系统的运行控制有重要意义。为综合多种预测模型优势，进一步提升预测精度，文章提出了基于动态权重模型组合的短期区域净负荷预测方法。从差异性和关联性2个维度评价模型预测结果的可信度，提出了基于信息熵的时序不确定性评价方法和基于灰色关联度的代表性评价方法。通过模型动态权重的加权组合，得到基线负荷、分布式光伏功率和净负荷预测结果。所提方法的预测精度提高了1.44%～1.82%。

Abstract

关键词

Keywords

references

Islam Saidul,Elmekki Hanae,Elsebai Ahmed,Bentahar Jamal,Drawel Nagat,Rjoub Gaith,Pedrycz Witold.A comprehensive survey on applications of transformers for deep learning tasks[J].Expert Systems With Applications,2024.

Yadav Hemant,Thakkar Amit.NOA-LSTM: An efficient LSTM cell architecture for time series forecasting[J].Expert Systems With Applications,2024.

Tziolis Georgios,Lopez-Lorente Javier,Baka Maria-Iro,Koumis Anastasios,Livera Andreas,Theocharides Spyros,Makrides George,Georghiou George E..Direct short-term net load forecasting in renewable integrated microgrids using machine learning: A comparative assessment[J].Sustainable Energy, Grids and Networks,2024.

Shi Jiaqi,Li Chenxi,Yan Xiaohe.Artificial intelligence for load forecasting: A stacking learning approach based on ensemble diversity regularization[J].Energy,2023.

Shi Jiaqi,Ma Liya,Li Chenchen,Liu Nian,Zhang Jianhua.A comprehensive review of standards for distributed energy resource grid-integration and microgrid[J].Renewable and Sustainable Energy Reviews,2022.

Mohammadali Alipour,Jamshid Aghaei,Mohammadali Norouzi,Taher Niknam,Sattar Hashemi,Matti Lehtonen.A novel electrical net-load forecasting model based on deep neural networks and wavelet transform integration[J].Energy,2020.

蒲天骄,韩笑.新型电力系统中人工智能应用的关键技术[J].电力信息与通信技术,2024(01).

申洪涛,李飞,史轮,孙胜博,杨振宁,杨挺.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(01).

尹兆磊,白明辉,袁绍军.智能电网中分布式电源的净负荷预测方法研究[J].自动化技术与应用,2023(12).

周思明,段金长,李颖杰,覃海.一种改进的SVM短期电力系统负荷预测方法[J].沈阳工业大学学报,2023(06).

习伟,蔡田田,张镇,于浩,李鹏.融合多元影响因素的配电台区BiLSTM负荷预测方法[J].天津大学学报(自然科学与工程技术版),2023(11).

迟捷,邹华,林荣恒.融合小波分解的Lasso光伏净负荷预测方法[J].电力信息与通信技术,2023(05).

王炜,冯斌,黄刚,刘祝平,籍雯媗,郭创新.基于自注意力编码器和深度神经网络的短期净负荷预测[J].中国电机工程学报,2023(23).

董家富,万雄,王岩,叶瑞丽,熊志杰,范海威,薛一波.基于XGB-Transformer模型的短期电力负荷预测[J].电力信息与通信技术,2023(01).

唐贤伦,陈洪旭,熊德意,张艺琼,蒋维弛,邹密.基于极端梯度提升和时间卷积网络的短期电力负荷预测[J].高电压技术,2022(08).

胡乙丹,姜吉祥,董霞.基于结合聚类与SVM参数寻优的短期电力负荷预测方法[J].电力信息与通信技术,2022(05).

刘树鑫,高士珍,刘洋,李静,曹云东.基于LSTM的交流接触器剩余寿命预测[J].高电压技术,2022(08).

李国栋,周扬,李凯.基于SARIMAX-XGBoost模型的区域能耗预测[J].电力信息与通信技术,2022(03).

李彬,陈达理,祁兵,孙毅,陈宋宋.基于改进型蚁狮混合优化系统模型负荷可调节能力预测[J].电力信息与通信技术,2022(01).

韦保磊,谢乃明.广义灰色关联分析模型的统一表述及性质[J].系统工程理论与实践,2019(01).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

电力网络安全自动化剧本生成与应急响应

大模型及相关技术在用电需求分析预测领域的应用

6G智能通信在新型电力系统中的关键技术及应用前景

面向新型电力系统的通信目标网研究与思考

一种基于贝叶斯需求侧资源属性分类的负荷调控方法