基于因果关系分析的短期负荷预测方法研究*

doi:10.16628/j.cnki.2095-8188.2022.08.004

摘要/Abstract

摘要：

随着高比例可再生能源和电力市场的快速发展,电力系统不确定性增大。为提高市场环境下负荷预测精度,提出一种基于因果关系分析的短期负荷预测方法。首先,采用灰色关联度分析法量化气象因素和市场因素与负荷的相关性;然后,采用最优模态分解法对负荷模态分解,利用Granger因果分析法将影响因素与模态子序列进行匹配;最后,对子序列分别采用差分自回归移动平均(ARIMA)模型和双向长短时记忆(Bi-LSTM)神经网络模型进行预测,将预测结果叠加得到短期负荷预测结果。仿真结果表明,所提方法的预测精度可达到92%,验证了方法的准确性和有效性。

关键词: 短期负荷预测, 最优模态分解, Granger因果分析, ARIMA, Bi-LSTM

Abstract:

With the high proportion of renewable energy and the rapid development of the electricity market,the uncertainty of the power system increases.In order to improve the accuracy of load forecasting in the market environment,a short-term load forecasting method based on causal relationship analysis is proposed.First,the grey correlation analysis method is used to quantify the correlation between meteorological factors and market factors and the load.Then,the optimal modal decomposition method is used to decompose the load mode,and the Granger causal analysis method is used to match the influencing factors with the modal subsequences.Finally,the subsequence is predicted using the differential autoregressive moving average (ARIMA) model and the bidirectional long-short-term memory (Bi-LSTM) neural network model.The prediction results are superimposed to obtain the short-term load prediction results.The simulation results show that the prediction accuracy of the proposed method can reach 92%,which can verifie the accuracy and effectiveness of the proposed method.

Key words: short-term load forecasting, optimal modal decomposition, Granger causal analysis, ARIMA, Bi-LSTM

中图分类号:

TM734

张光儒, 马振祺, 杨军亭, 张家午, 苏娟, 高天, 丁泽琦, 方舒. 基于因果关系分析的短期负荷预测方法研究^*[J]. 电器与能效管理技术, 2022, 0(8): 23-32.

ZHANG Guangru, MA Zhenqi, YANG Junting, ZHANG Jiawu, SU Juan, GAO Tian, DING Zeqi, FANG Shu. Research on Forecasting Methods of Short-Term Load Based on Causal Relationship Analysis[J]. LOW VOLTAGE APPARATUS, 2022, 0(8): 23-32.

图/表 20

图1

表1

图2

图3

图4

表2

图5

表3

表4

表5

图6

图7

表6

图8

图9

图10

表7

表8

图11

表9

参考文献 44

[1]	马莉, 范孟华, 郭磊, 等. 国外电力市场最新发展动向及其启示[J]. 电力系统自动化, 2014, 38(13):1-9.
[2]	王韬, 张磊. 新电改背景下的电力市场交易模式综述与研究[J]. 电器与能效管理技术, 2018(6):76-81.
[3]	康重庆, 姚良忠. 高比例可再生能源电力系统的关键科学问题与理论研究框架[J]. 电力系统自动化, 2017, 41(9):2-11.
[4]	姚良忠, 朱凌志, 周明, 等. 高比例可再生能源电力系统的协同优化运行技术展望[J]. 电力系统自动化, 2017, 41(9):36-43.
[5]	侯四维, 许建军. 考虑可再生能源并网的配电网规划技术[J]. 电器与能效管理技术, 2018(5):69-72.
[6]	TELUKUNTA V, PRADHAN J, AGRAWAL A, et al. Protection challenges under bulk penetration of renewable energy resources in power systems:A review[J]. CSEE Journal of Power and Energy Systems, 2017, 3(4):365-379. doi: 10.17775/CSEEJPES.2017.00030
[7]	LIU Z, GAO J, YU H, et al. Operation mechanism and strategies for transactive electricity market with multi-microgrid in grid-connected mode[J]. IEEE Access, 2020(4):79594-79603.
[8]	SONG M, AMELIN M. Purchase bidding strategy for a retailer with flexible demands in day-ahead electricity market[C]// 2017 IEEE Manchester Power Tech, 2017:1839-1850.
[9]	罗舒瀚, 蒋传文, 王旭, 等. 新电改背景下售电公司的购售电策略及风险评估[J]. 电网技术, 2019, 43(3):944-953.
[10]	邓永生, 焦丰顺, 张瑞锋, 等. 配电网规划中电力负荷预测方法研究综述[J]. 电器与能效管理技术, 2019(14):1-7.
[11]	赵阳, 蒋传文, 金尧, 等. 基于产能转移指标的中长期电力负荷组合预测方法[J]. 电器与能效管理技术, 2015(20):55-60.
[12]	康重庆, 夏清, 张伯明. 电力系统负荷预测研究综述与发展方向的探讨[J]. 电力系统自动化, 2004(17):1-11.
[13]	沈渊彬, 刘庆珍. 电力系统短期负荷预测研究概述[J]. 电器与能效管理技术, 2016(4):28-32.
[14]	殷智. 基于超短期负荷预测的智能备自投在线投退系统[D]. 济南: 山东大学, 2011.
[15]	陈冲. 不确定性和可控性增加背景下电网新型调度控制策略研究[D]. 武汉: 华中科技大学, 2019.
[16]	王宣元, 马莉, 曲昊源. 美国得克萨斯州风电消纳的市场运行机制及启示[J]. 中国电力, 2017, 50(7):10-18,27.
[17]	MENDIS N, MUTTAQI K M, PERERA S, et al. An effective power management strategy for a wind-diesel-hydrogen-based remote area power supply system to meet fluctuating demands under generation uncertainty[J]. IEEE Transactions on Industry Applications, 2015, 51(2):1228-1238. doi: 10.1109/TIA.2014.2356013
[18]	ALFIERI L, DE-FALCO P. Wavelet-based decompositions in probabilistic load forecasting[J]. IEEE Transactions on Smart Grid, 2020, 11(2):1367-1376. doi: 10.1109/TSG.2019.2937072
[19]	王粟, 江鑫, 曾亮, 等. 基于VMD-DESN-MSGP模型的超短期光伏功率预测[J]. 电网技术, 2020, 44(3):917-926.
[20]	ZHANG Y, ZHOU Q, SUN C, et al. RBF neural network and aNFIS-based short-term load forecasting approach in real-time price environment[J]. IEEE Transactions on Power Systems, 2008, 23(3):853-858. doi: 10.1109/TPWRS.2008.922249
[21]	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.
[22]	牛丽肖, 王正方, 臧传治, 等. 一种基于小波变换和ARIMA的短期电价混合预测模型[J]. 计算机应用研究, 2014, 31(3):688-691.
[23]	HUA T, DAI K, ZHANG X J, et al. Optimal VMD-based signal denoising for laser radar via hausdorff distance and wavelet transform[J]. IEEE Access, 2019, 7:167997-168010. doi: 10.1109/ACCESS.2019.2949063
[24]	朱永利, 贾亚飞, 王刘旺, 等. 基于改进变分模态分解和Hilbert变换的变压器局部放电信号特征提取及分类[J]. 电工技术学报, 2017, 32(9):221-235.
[25]	李亚兰, 金炜东, 葛鹏. 基于VMD和特征融合的辐射源信号识别[J]. 系统工程与电子技术, 2020, 42(7):1499-1503.
[26]	张文坚, 申岩, 于文斌. 基于VMD-TEO的输电线路故障定位方法[J]. 广东电力, 2021, 34(3):85-91.
[27]	张健. 关于Granger因果分析的方法学研究[D]. 杭州: 浙江大学, 2016.
[28]	于寄语. 时间序列的结构变化和单位根检验[D]. 武汉: 华中科技大学, 2017.
[29]	司登奎, 李小林, 张仓耀. 分位数单位根检验的拓展及其应用研究[J]. 统计研究, 2017, 34(5):102-117.
[30]	左秀霞. 带高次趋势项的ADF单位根检验[J]. 数量经济技术经济研究, 2019, 36(1):152-169.
[31]	刘丹丹. 基于经验模态分解的时间序列预测方法[J]. 上海电力大学学报, 2021, 37(3):231-234,252.
[32]	VILLACORTA-CARDOSO C A, LIMA-CRUZ G. Forecasting natural gas consumption using ARIMA models and artificial neural networks[J]. IEEE Latin America Transactions, 2016, 14(5):2233-2238. doi: 10.1109/TLA.2016.7530418
[33]	王大荣, 张忠占. 线性回归模型中变量选择方法综述[J]. 数理统计与管理, 2010, 29(4):615-627.
[34]	FAN Y, FANG F, WANG X. Probability forecasting for short-term electricity load based on LSTM[C]// 2019 International Conference on Sensing,Diagnostics,Prognostics,and Control (SDPC), 2019:516-522
[35]	杨龙, 吴红斌, 丁明, 等. 新能源电网中考虑特征选择的Bi-LSTM网络短期负荷预测[J]. 电力系统自动化, 2021, 45(3):166-173.
[36]	孟成真. 基于LSTM的时间序列预测算法的并行化研究[D]. 成都: 电子科技大学, 2020.
[37]	郝晓弘, 张春燕, 裴婷婷, 等. 基于自适应PFCM聚类的电力负荷数据预处理[J]. 电测与仪表, 2020, 57(21):40-46.
[38]	李光珍, 刘文颖, 云会周, 等. 母线负荷预测中样本数据预处理的新方法[J]. 电网技术, 2010, 34(2):149-154.
[39]	毛李帆, 姚建刚, 金永顺, 等. 中长期负荷预测的异常数据辨识与缺失数据处理[J]. 电网技术, 2010, 34(7):148-153.
[40]	马小津, 朱博, 戴琳, 等. 基于改进PSO-LSSVM的短期电力负荷预测[J]. 自动化技术与应用, 2016, 35(3):5-9,19.
[41]	罗凡, 余向前, 王林信, 等. 基于聚类与自适应划分的短期负荷预测[J]. 电力电容器与无功补偿, 2021, 42(6):184-189.
[42]	段炼, 洪海生, 乡立, 等. 考虑分时段负荷行为的短期负荷预测方法[J]. 电力需求侧管理, 2021, 23(1):77-83.
[43]	许道林, 谢兵, 伍毅, 等. 基于多层双向递归神经网络的短期电力负荷预测[J]. 电力电容器与无功补偿, 2022, 43(2):96-104.
[44]	李俊卿, 李秋佳, 石天宇, 等. 基于随机森林重要性的LSTM网络风电功率缺失数据补齐[J]. 电器与能效管理技术, 2018(13):47-52,58.

影响因素	关联度
温度	0.684 2
湿度	0.542 4
风速	0.361 7
照度	0.510 5

分量	相关系数
分量	K=2	K=3	K=4	K=5
残差分量	0.214 9	0.059 2	0.071 2	0.063 4
IMF1	0.963 9	0.961 6	0.951 4	0.956 8
IMF2	0.826 8	0.830 8	0.822 0	0.812 6
IMF3	—	0.318 0	0.309 6	0.296 2
IMF4	—	—	0.542 2	0.469 7
IMF5	—	—	—	0.273 6

影响因素	F-统计量	拒绝域	置信水平
温度	34.297	1.9E-20	1.000 00
电价	1.738	0.212 31	0.921 32
风速	0.931	0.546 23	0.332 47
照度	0.681	0.674 28	0.218 73
湿度	4.437	0.009 32	0.987 45

影响因素	F-统计量	拒绝域	置信水平
温度	47.833 5	0	1.000 00
电价	30.906 6	3.0E-20	1.000 00
风速	0.342 9	0.009 34	0.932 52
照度	0.738 4	0.009 27	0.937 14
湿度	5.800 2	7.0E-05	0.999 99

影响因素	F-统计量	拒绝域	置信水平
温度	28.081 2	0	1.000 00
电价	0.634 0	0.009 28	0.032 57
风速	6.372 9	6.0E-07	0.999 99
照度	0.738 4	0.009 27	0.937 14
湿度	0.483 1	0.764 41	0.192 56