作者：丁斌¹, 邢志坤¹, 王帆¹, 袁博¹, 刘涌², 孙岩²

作者单位：1. 国网雄安新区供电公司，河北 雄安新区 071600;
2. 汉宁远洋(北京)光电科技有限公司，北京 100089

关键词：Stacking模型;长短期记忆网络;短期负荷预测;混合模型;特征图

摘要：

为解决传统负荷预测方法存在的预测精度偏低的问题，通过分析短期负荷影响因素确定训练集，创建Stacking模型，并结合包括输入门、输出门与遗忘门在内的LSTM网络创建Stacking-LSTM混合模型，通过时间滑动窗口建立影响因素数据特征图，将其作为Stacking-LSTM混合模型的输入，经数据转换后得到特征类别更强的降维二级特征数据，输入到LSTM网络层实现短期负荷预测。该方法利用Stacking模型的集成作用和LSTM网络的强挖掘能力，增强降维后的数据类别特征，达到提升电力系统负荷动态平衡性的效果。仿真结果表明，该方法的负荷预测结果与实际值非常接近，具有较高的预测精准度。

Short-term load forecasting of LSTM network based on Stacking model integration
DING Bin¹, XING Zhikun¹, WANG Fan¹, YUAN Bo¹, LIU Yong², SUN Yan²
1. State Grid Xiongan New Area Electric Power Supply Company, Xiongan New Area 071600, China;
2. Hanning Ocean (Beijing) Photoelectic Technology Co., Ltd., Beijing 100089, China
Abstract: To solve the low accuracy in traditional load forecasting methods, this paper proposed a method through the analysis of short-term load factors determine the training set, create Stacking model, and combined with input, output, door and door left the door of the LSTM network create Stacking-LSTM hybrid model. Affecting data characteristic chart was established through moving time window, as a Stacking-LSTM mixture model input, getting feature category stronger data dimension reduction secondary characteristics after data transformation, and inputted to the LSTM network layer to achieve short-term load forecasting. This method utilized the Stacking function of the Stacking model and the strong mining ability of the LSTM network to enhance the data class characteristics after dimension reduction, improving the dynamic balance of power system load. The simulation results show that the load prediction results of this method are very close to the actual value and have high forecasting accuracy.
Keywords: Stacking model;LSTM network;short-term load forecasting;hybrid model;characteristic pattern
2020, 46(7):40-45  收稿日期: 2020-04-28;收到修改稿日期: 2020-05-23
基金项目: 国网河北省电力有限公司2019年科技项目(041912)
作者简介: 丁斌(1975-),男,安徽宿州市人,高级工程师,硕士,研究方向为电力系统及其自动化
参考文献
[1] 张宇帆, 艾芊, 林琳, 等. 基于深度长短时记忆网络的区域级超短期负荷预测方法[J]. 电网技术, 2019, 43(6): 1884-1892
[2] 李建伟, 李妍, 王健. 改进的BP算法在短期电力负荷预测中的应用[J]. 微型机与应用, 2017, 36(14): 61-63,67
[3] 徐晴, 周超, 赵双双, 等. 基于机器学习的短期电力负荷预测方法研究[J]. 电测与仪表, 2019, 56(23): 70-75
[4] 董子晗. 基于混沌时间序列的地区电网负荷预测[J]. 电网与清洁能源, 2019, 35(5): 38-41
[5] 彭文, 王金睿, 尹山青. 电力市场中基于Attention-LSTM的短期负荷预测模型[J]. 电网技术, 2019, 43(5): 1745-1751
[6] 李帅标, 赵海燕, 陈庆奎, 等. 基于Stacking策略的过程剩余执行时间预测[J]. 小型微型计算机系统, 2019, 40(12): 2481-2486
[7] 耿攀. 基于LSTM循环神经网络的电池SOC预测方法[J]. 上海海事大学学报, 2019, 40(3): 120-126
[8] 杨秀, 陈斌超, 朱兰, 等. 基于相关性分析和长短期记忆网络分位数回归的短期公共楼宇负荷概率密度预测[J]. 电网技术, 2019, 43(9): 3061-3071
[9] 刘辉, 钟俊. 特征空间闭操作驱动的短期电力负荷预测[J]. 自然科学版, 2020, 34(1): 49-53
[10] 任成国, 肖儿良, 简献忠, 等. EMD-LSTM算法在短期电力负荷预测中的应用[J]. 电力科学与工程, 2019, 35(8): 12-16
[11] 何恒靖, 王灏, 肖勇, 等. 基于Bi-LSTM算法的非侵入式负荷监测模型[J]. 南方电网技术, 2019, 13(2): 20-26
[12] 虞浩跃, 沈韬, 朱艳, 等. 基于双向长短期记忆网络的太赫兹光谱识别[J]. 光谱学与光谱分析, 2019, 39(12): 3737-3742
[13] 刘升伟, 王星华, 鲁迪, 等. 基于改进高斯过程回归的短期负荷概率区间预测方法[J]. 电力系统保护与控制, 2020, 48(1): 18-25
[14] 陈彦萍, 高宇坤, 张恒山, 等. 基于多链接特征子集的聚类集成算法[J]. 小型微型计算机系统, 2019, 40(10): 2097-2101
[15] 马天男, 王超, 彭丽霖, 等. 计及需求响应和深度结构多任务学习的电力系统短期负荷预测[J]. 电测与仪表, 2019, 56(16): 50-60