《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 模擬設(shè)計(jì) > 設(shè)計(jì)應(yīng)用 > 基于數(shù)據(jù)變換與模型集成的電力需求預(yù)測(cè)
基于數(shù)據(jù)變換與模型集成的電力需求預(yù)測(cè)
電子技術(shù)應(yīng)用
劉衍琦1，楊翰琨2，楊昌玉1，吳缺2
1.煙臺(tái)理工學(xué)院；2.哈爾濱工程大學(xué) 煙臺(tái)研究院
摘要： 電力需求預(yù)測(cè)作為能源規(guī)劃與電網(wǎng)調(diào)度的重要環(huán)節(jié)，對(duì)實(shí)現(xiàn)能源系統(tǒng)穩(wěn)定性和可持續(xù)發(fā)展具有重要意義。提出了一種基于數(shù)據(jù)變換融合與模型集成的電力需求預(yù)測(cè)方法。通過(guò)結(jié)合Copula和Yeo-Johnson變換，實(shí)現(xiàn)了數(shù)據(jù)分布的統(tǒng)一化和特征間相關(guān)性的保持；利用XGBoost算法分析特征重要性，構(gòu)建了基于特征權(quán)重優(yōu)化的LSTM網(wǎng)絡(luò)模型；同時(shí)，采用貝葉斯優(yōu)化與線程池技術(shù)對(duì)超參數(shù)進(jìn)行高效優(yōu)化，進(jìn)一步提升了模型性能。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)LSTM模型相比，融合模型的均方根誤差降低了約11.85%，顯著提升了預(yù)測(cè)精度和泛化能力。該方法為復(fù)雜時(shí)間序列預(yù)測(cè)任務(wù)提供了可靠的解決方案，對(duì)電力需求預(yù)測(cè)的理論研究與實(shí)際應(yīng)用具有重要參考價(jià)值。
中圖分類號(hào)：TP183 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.256284
中文引用格式： 劉衍琦，楊翰琨，楊昌玉，等. 基于數(shù)據(jù)變換與模型集成的電力需求預(yù)測(cè)[J]. 電子技術(shù)應(yīng)用，2025，51(9)：18-23.
英文引用格式： Liu Yanqi，Yang Hankun，Yang Changyu，et al. Electricity demand forecasting based on data transformation and model integration[J]. Application of Electronic Technique，2025，51(9)：18-23.
Electricity demand forecasting based on data transformation and model integration
Liu Yanqi1，Yang Hankun2，Yang Changyu1，Wu Que2
1.Yantai Institute of Technology；2.Yantai Research Institute， Harbin Engineering University
Abstract： Electricity demand forecasting, as a crucial component of energy planning and grid scheduling, plays a significant role in achieving energy system stability and sustainable development. This study proposes an electricity demand forecasting method based on data transformation fusion and model integration. By combining Copula and Yeo-Johnson transformations, the method achieves unified data distribution while preserving feature correlations. Feature importance is analyzed using the XGBoost algorithm, which serves as the basis for constructing an LSTM network model optimized with feature weights. Additionally, Bayesian optimization and thread pool techniques are employed to efficiently optimize hyperparameters, further improving model performance. Experimental results show that the proposed fusion model reduces the root mean squared error (RMSE) by approximately 11.85% compared to traditional LSTM models, significantly enhancing prediction accuracy and generalization ability. This study provides a reliable solution for complex time series forecasting tasks and offers valuable insights for both theoretical research and practical applications in electricity demand forecasting.
Key words : electricity demand forecasting；data transformation fusion；feature importance；LSTM；Bayesian optimization；deep learning

引言

在全球能源結(jié)構(gòu)轉(zhuǎn)型的背景下，電力需求預(yù)測(cè)作為能源規(guī)劃與電網(wǎng)調(diào)度的重要環(huán)節(jié)，一直是學(xué)術(shù)界與工業(yè)界關(guān)注的熱點(diǎn)研究領(lǐng)域[1]。電力需求預(yù)測(cè)的準(zhǔn)確性直接影響電力系統(tǒng)的穩(wěn)定性與經(jīng)濟(jì)性，同時(shí)也是實(shí)現(xiàn)可再生能源高效利用、能源結(jié)構(gòu)優(yōu)化以及低碳化發(fā)展的重要基礎(chǔ)[2]。國(guó)內(nèi)外學(xué)者針對(duì)這一問(wèn)題提出了多種預(yù)測(cè)方法。深度學(xué)習(xí)方法尤其是長(zhǎng)短時(shí)記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)，因其能夠捕捉時(shí)間序列數(shù)據(jù)的長(zhǎng)期與短期依賴特性，已被廣泛應(yīng)用于電力需求預(yù)測(cè)領(lǐng)域[3]。Wan等人提出了一種結(jié)合LSTM的融合模型，在短期電力負(fù)荷預(yù)測(cè)任務(wù)中，較傳統(tǒng)LSTM模型提高了預(yù)測(cè)精度[4]。Bareth等人提出了一種基于歷史負(fù)荷趨勢(shì)的LSTM模型用于長(zhǎng)期電力負(fù)荷需求預(yù)測(cè)，適用于實(shí)時(shí)負(fù)荷需求預(yù)測(cè)[5]。然而，這些方法在特征選擇、數(shù)據(jù)處理和模型優(yōu)化方面仍然存在諸多挑戰(zhàn)，限制了其性能的進(jìn)一步提升[6]。

近年來(lái)，基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法逐漸成為研究熱點(diǎn)。這些方法依賴于大規(guī)模歷史數(shù)據(jù)和先進(jìn)的學(xué)習(xí)算法，通過(guò)對(duì)數(shù)據(jù)特征的深度挖掘和多維建模，能夠突破傳統(tǒng)方法對(duì)系統(tǒng)動(dòng)態(tài)假設(shè)的依賴，從而更加精準(zhǔn)地捕捉電力需求的復(fù)雜變化規(guī)律[7]。羅俊然等人提出了一種基于特征構(gòu)建和改進(jìn)LSTM的短期電量預(yù)測(cè)方法，通過(guò)數(shù)據(jù)分析與篩選，有效地提取數(shù)據(jù)特征，實(shí)現(xiàn)更高的預(yù)測(cè)精度[8]。Kim等人提出了一種基于LSTM和遷移學(xué)習(xí)策略的數(shù)據(jù)驅(qū)動(dòng)建筑能耗預(yù)測(cè)方法，通過(guò)對(duì)醫(yī)院建筑模型的案例研究進(jìn)行驗(yàn)證[9]。然而，數(shù)據(jù)驅(qū)動(dòng)方法在實(shí)際應(yīng)用中仍面臨一些局限性，例如多源異構(gòu)數(shù)據(jù)特征的分布不一致、特征間的依賴關(guān)系難以建模，以及噪聲與異常值對(duì)模型性能的干擾等。此外，針對(duì)多維特征的權(quán)重分配與優(yōu)化仍是難點(diǎn)，直接影響模型對(duì)不同特征的敏感性與預(yù)測(cè)性能[10]。

針對(duì)特征分布的統(tǒng)一化處理這一問(wèn)題，國(guó)內(nèi)外研究者提出了基于統(tǒng)計(jì)學(xué)與概率論的多種變換方法，例如Box-Cox變換、Copula模型等[11]。然而，單一方法往往難以兼顧特征間的相關(guān)性與分布特性的調(diào)整，導(dǎo)致數(shù)據(jù)轉(zhuǎn)換后的適配性不足。此外，隨著電力需求預(yù)測(cè)任務(wù)的復(fù)雜化，對(duì)數(shù)據(jù)處理方法的魯棒性與泛化能力提出了更高要求。

在模型優(yōu)化方面，傳統(tǒng)的網(wǎng)格搜索或隨機(jī)搜索方法雖然能夠找到模型的超參數(shù)組合，但效率較低且難以應(yīng)對(duì)高維參數(shù)的復(fù)雜性[12]。近年來(lái)，貝葉斯優(yōu)化因其能夠在少量迭代中快速找到最優(yōu)解而受到關(guān)注[13]。

在這一背景下，本文針對(duì)現(xiàn)有研究中存在的數(shù)據(jù)分布不一致、特征依賴關(guān)系建模不足以及超參數(shù)優(yōu)化等問(wèn)題，提出了一種基于數(shù)據(jù)變換融合與模型集成的電力需求預(yù)測(cè)方法，涵蓋數(shù)據(jù)變換融合方法、基于特征重要性權(quán)重的網(wǎng)絡(luò)模型、 超參數(shù)優(yōu)化與并行計(jì)算三個(gè)模塊內(nèi)容，旨在為復(fù)雜時(shí)間序列預(yù)測(cè)任務(wù)提供更可靠、更精準(zhǔn)的解決方案。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://ccf-cncc2011.cn/resource/share/2000006681


作者信息：

劉衍琦1，楊翰琨2，楊昌玉1，吳缺2

（1.煙臺(tái)理工學(xué)院，山東 煙臺(tái) 264005；

2.哈爾濱工程大學(xué) 煙臺(tái)研究院，山東 煙臺(tái) 265500）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。