高级检索

基于低秩表示的多任务短期电力负荷预测的研究

苏运, 卜凡鹏, 郭乃网, 田世明, 田英杰, 张琪祁, 瞿海妮, 柳劲松

苏运, 卜凡鹏, 郭乃网, 等. 基于低秩表示的多任务短期电力负荷预测的研究[J]. 现代电力, 2019, 36(3): 58-65.
引用本文: 苏运, 卜凡鹏, 郭乃网, 等. 基于低秩表示的多任务短期电力负荷预测的研究[J]. 现代电力, 2019, 36(3): 58-65.
shu
SU Yun, BU Fanpeng, GUO Naiwang, et al. Research on Short-term Load Forecast Using Multi-task With Low-rank Representation[J]. Modern Electric Power, 2019, 36(3): 58-65.
Citation: SU Yun, BU Fanpeng, GUO Naiwang, et al. Research on Short-term Load Forecast Using Multi-task With Low-rank Representation[J]. Modern Electric Power, 2019, 36(3): 58-65.
shu

基于低秩表示的多任务短期电力负荷预测的研究

  • 1.

    国家电网上海市电力公司,上海 200122;

  • 2.

    中国电力科学研究院有限公司,北京 100192

基金项目: 国网上海市电力公司科技项目(52094016 001Z)
详细信息
    作者简介:

    苏运(1987—),男,硕士,高级工程师,研究方向为电力系统仿真与配用电数据分析,E-mail:oppenvi@163.com;
    卜凡鹏(1986—),男,硕士,研究方向为大数据技术研究,E-mail:bufanpeng@epri.sgcc.com.cn。

  • 中图分类号: TM715

Research on Short-term Load Forecast Using Multi-task With Low-rank Representation

  • 1.

    State Grid Shanghai Municipal Electric Power Company, Shanghai 200122, China;

  • 2.

    China Electric Power Research Institute, Beijing 100192, China

摘要

    摘要
  • 摘要: 在电力系统负荷预测中,使用传统的单任务学习方法未考虑多个地点的负荷间的潜在关系,忽视关联信息在多个地点间传递的可能会导致学习效果欠佳。针对这一问题,本文提出基于低秩表示的多任务学习方法进行多个地点的多任务负荷预测,该方法在学习过程中可以提取不同位置的负荷预测模型的共享低维表示,从而可以挖掘多个任务之间的关联关系,同时又可以区别不同任务之间的差别。实验表明,多任务负荷预测的平均性能优于决策树和随机森林等单任务学习方法,在负荷预测的精度上有了一定的提升。
    Abstract: For load forecasting in power system, latent relationships among different locations are not considered by traditional single task learning method. Neglecting the associated information transfer between multiple locations may lead to poor learning. In order to use latent relationships fully, an approach is proposed to forecast load for multi-locations simultaneously by using multi-task learning with low-rank representation. By extracting shared low dimension representation among load forecasting models at different locations, the approach can mine relationships between multiple tasks, and distinguish differences between different tasks. It is verified by simulation result that the multi-task load forecasting performs on average better than single-task learning algorithms such as decision trees and random forests, and the load forecasting accuracy has been improved.
    • HTML全文
    • 参考文献(14)
  • 于松青,林盛.基于偏最小二乘回归的山东省电力需求预测分析[J].干旱区资源与环境,2015,29(2):1420.
    YU Songqing, LIN Sheng. Electricity demand forecast analysis for Shandong province based on partial least square regression[J]. Journal of Arid Land Resources and Environment,2015,29(2):1420.
    徐文娟,李勇,李玥.基于多元回归对电力系统负荷影响因素的计量分析[J].齐齐哈尔大学学报(自然科学版),2017,33(3):16.
    XU Wenjuan,LI Yong,LI Yue. Based on the multiple regression analysis for the measurement of the power system load factors [J]. Journal of Qiqihar University(Natural Science Edition),2017,33(3):16.
    王雁凌,吴梦凯,周子青,等.基于改进灰色关联度的电力负荷影响因素量化分析模型[J].电网技术, 2017, 41(6): 17721778.
    WANG Yanling, WU Mengkai, ZHOU Ziqing, et al. Quantitative analysis model of power load influencing factors based on improved gray correlation degree [J]. Power System Technology,2017,41(6): 17721778.
    王明东,刘宪林,于继来.基于灰色预测技术和可拓控制方法的电力系统稳定器[J].电力自动化设备, 2014, 34 (4): 812.
    WANG Mingdong,LIU Xianlin,YU Jilai. Power system stabilizer based on grey prediction and extension control [J]. Electric Power Automation Equipment, 2014, 34(4): 812.
    习伟,李鹏,郭晓斌,等.多维时间序列关联分析方法在电力设备故障预测中的应用[J].电网与清洁能源,2014,30(12):6065.
    XI Wei, LI Peng, GUO Xiaobin, et al. Application of correlation analysis method based on multidimensional time series in prediction of equipment failure [J]. Advances of Power System & Hydroelectric Engineering, 2014, 30(12): 6065.
    杨再鹤,向铁元,郑丹.基于小波变换和SVM算法的微电网短期负荷预测研究[J]. 现代电力, 2014,31(3): 7479.
    YANG Zaihe, XIANG Tieyuan, ZHENG Dan. Short-term load forecasting of microgrid based on wavelet transform and support vector machines[J]. Modern Electric Power, 2014, 31(3): 7479.
    朱晓露. 基于BP神经网络的电力负荷中长期预测[D].北京:华北电力大学,2017.
    吴润泽,包正睿,宋雪莹,等. 基于深度学习的电网短期负荷预测方法研究[J]. 现代电力, 2018,35(2): 4348.
    WU Runze, BAO Zhengrui, SONG Xueying,et al. Research on short-term load forecasting method of power grid based on deep learning[J]. Modern Electric Power, 2018,35(2): 4348.
    张政国,吴艾玲. 最小二乘小波支持向量机在电力负荷预测中的应用[J]. 兰州交通大学报,2016,35(4):6571.
    ZHANG Zhengguo, WU Ailing. Application of least square wavelet support vector machines to electric load forecasting[J]. Journal of Lanzhou Jiaotong University, 2016, 35(4): 6571.
    ZHANG Yulai, LUO Guiming. Short term power load prediction with knowledge transfer[J]. Information Systems,2015,(53): 161169.
    FIOT J B, DINUZZO F. Electricity demand forecasting by multi-task learning[C]// PowerTech, 2017 IEEE Manchester. IEEE, 2017.
    DAHLMEIER D, NG H T. Grammatical error correction with alternating structure optimization[C]// Meeting of the Association for Computational Linguistics: Human Language Technologies. Association for Computational Linguistics, 2011:915923.
    ANDO R K, ZHANG T. A framework for learning predictive structures from multiple tasks and unlabeled data[M]. JMLR.org, 2005.
    SINNO J P, YANG Qiang. A survey on transfer learning[J]. IEEE Transactions on Knowledge & Data Engineering,2010,22(10):13451359.
    • 相关文章
    • 施引文献(32)

  • 期刊类型引用(26)

    1. 赵峻岭，王克杰，赵创业，赵永秀. 基于改进FCE算法的智能变电站二次系统状态评价. 微型电脑应用. 2025(01): 268-271 . 百度学术
    2. 胡志强，祝君剑，常凯旋，肖园. 综合能源接入下多元电力负荷短期预测方法. 自动化与仪器仪表. 2024(04): 149-153 . 百度学术
    3. 赵超，张迅，王冕，范强，黄军凯，陈沛龙. 基于改进随机森林的电力变压器试验和监测数据气体浓度预测. 电测与仪表. 2024(11): 205-210 . 百度学术
    4. 谢辉，江雄，王武. 基于LSTM的电网区域线损预测方法研究. 电气自动化. 2023(01): 47-49 . 百度学术
    5. 李洁琼，刘振. 基于CNN和GRU的农产品价格预测模型研究. 湖北农业科学. 2023(01): 177-181 . 百度学术
    6. 刘立忠，姜慧武，郑小翠. 基于动力学模型的高压变频器暂态电磁涡流补偿. 机械制造与自动化. 2023(02): 225-227+232 . 百度学术
    7. 臧海祥，许瑞琦，刘璟璇，陈玉伟，卫志农，孙国强. 基于多维融合特征和卷积神经网络的多任务用户短期负荷预测. 电力系统自动化. 2023(13): 69-77 . 百度学术
    8. 刘育平，杨尔欣，李洪，于光宗，杨建伟，刘军军. 基于用户画像特征的优质电力园区多维度能耗预测模型. 数学的实践与认识. 2023(10): 42-51 . 百度学术
    9. 马红明，申洪涛，孙勇强，韩永禄，罗茜文，潘阳. 基于智能电表数据的家庭特征联合预测算法. 计算机应用与软件. 2022(02): 208-214 . 百度学术
    10. 赵舫，盛青，王新刚，陈金涛. 基于主成分分析合作博弈的电网负荷智能预测方法研究. 电网与清洁能源. 2022(02): 48-52+60 . 百度学术
    11. 杨俊义，高骞，洪宇，朱殿超. 基于改进粒子群算法的电力系统短期负荷预测. 吉林大学学报(信息科学版). 2022(03): 394-399 . 百度学术
    12. 庞传军，张波，余建明. 基于LSTM循环神经网络的短期电力负荷预测. 电力工程技术. 2021(01): 175-180+194 . 百度学术
    13. 魏健，赵红涛，刘敦楠，加鹤萍. 基于集成模型的超短时负荷预测方法. 计算机与现代化. 2021(03): 12-17 . 百度学术
    14. 熊楠，王军，宋尧. 智能变电站通信网络状态评价方法. 电气技术. 2021(04): 38-42 . 百度学术
    15. 黄远明，黄志生，周睿，向德军. 基于深度学习的能源系统需求响应短期负荷预测. 电子设计工程. 2021(10): 96-100+110 . 百度学术
    16. 陈锡祥，郑伟民，张笑弟，田胜鑫，王宇. 基于改进相关向量机算法的短期电力负荷预测方法研究. 水利水电技术(中英文). 2021(05): 215-222 . 百度学术
    17. 马草原. 基于低秩模型的电力能源大数据异常修正方法研究. 自动化仪表. 2021(03): 90-93+97 . 百度学术
    18. 刘风云，夏良静. 基于现代统计学模型的非线性电力负荷预测. 现代电子技术. 2021(18): 77-81 . 百度学术
    19. 李智勇，苏寅生，李斌，刘春晓，李豹，谭守标. 基于MT-BSGP的电力负荷预测方法. 哈尔滨理工大学学报. 2021(04): 46-55 . 百度学术
    20. 李玉凯，韩佳兵，于春浩，王全，杨蒙，赵钧. 基于随机森林和长短期记忆网络多元负荷预测的综合能源三层规划调度. 现代电力. 2021(06): 695-703 . 本站查看
    21. 胡佳佳，杨洪耕. 基于离群数据挖掘的多点电力负荷预测方法. 计算机仿真. 2021(12): 66-69+93 . 百度学术
    22. 祝学昌. 基于IFOA-GRNN的短期电力负荷预测方法研究. 电力系统保护与控制. 2020(09): 121-127 . 百度学术
    23. 梁寿愚，方文崇，王瑾，周志烽，朱文，张骥. 基于双图正则非负低秩分解的电力负荷短期预测. 计算机与现代化. 2020(05): 7-14 . 百度学术
    24. 沈智锋，田源，芦金雨，夏学智，朱栋. 基于大数据高维分析的电力负荷参数提取方法研究. 电子设计工程. 2020(20): 180-183+188 . 百度学术
    25. 曹敏. 基于梯度提升树的短期用电负荷预测系统设计. 电子设计工程. 2020(22): 16-19+24 . 百度学术
    26. 王克杰，张瑞. 基于改进BP神经网络的短期电力负荷预测方法研究. 电测与仪表. 2019(24): 115-121 . 百度学术

    其他类型引用(6)

    • 资源附件(0)
计量
  • 文章访问数:  327
  • HTML全文浏览量:  37
  • PDF下载量:  36
  • 被引次数: 32
出版历程
  • 收稿日期:  2018-07-10
  • 发布日期:  2019-06-08

目录

摘要
HTML全文
    参考文献(14)
    相关文章
    施引文献
    资源附件(0)

    /

    返回文章
    返回

    《现代电力》编辑部京ICP备12043220号-13

    通讯地址：北京昌平北农路2号华北电力大学D座D0539 邮编：102206 电话: 010-61772300 Email: xddl@vip.163.com

    本系统由北京仁和汇智信息技术有限公司开发  百度统计