基于時間卷積網絡的短期電力負荷預測

趙 洋 王瀚墨 康 麗 張兆云

基于時間卷積網絡的短期電力負荷預測

趙 洋 王瀚墨 康 麗 張兆云

（東莞理工學院電子工程與智能化學院 東莞 523808）

準確的短期電力負荷預測對保證電網安全穩定運行、能量優化管理、提高發電設備利用率和降低運行成本等具有重要作用。傳統時間序列分析方法難以學習短期電力負荷數據的非線性特征，因此論文首先將支持向量回歸、高斯過程回歸和前向神經網絡等經典機器學習法應用于短期電力負荷預測的適用性和預測效果進行對比分析；預測評價指標表明機器學習方法能夠得到較高的預測精度，適用于處理含強非線性特征的短期電力負荷數據；在此基礎上，進一步提出一種基于時間卷積深度學習網絡的短期電力負荷預測方法，該模型具有從大樣本時間序列中提取特征和實現預測的能力，其模型架構能有效解決深層網絡學習的退化問題；最后，以實際電力負荷數據作為算例對所提模型進行測試。實驗結果表明，時間卷積網絡可以獲得更高的預測精度，深度學習方法相較于經典機器學習方法在非線性特征學習方面更具優勢。

短期電力負荷預測 機器學習 支持向量回歸 高斯過程回歸 時間卷積網絡

0 引言

目前，在各種二次能源應用形式中，電能是最便于生產、輸送、分配和利用的一種形式。電能的廣泛使用及其相關技術水平的進步為推動人類社會的不斷發展做出了重要貢獻[1-2]。但是，電能本身具有不易存儲的特點，因此在傳統電力系統中需要保持發電側與負荷側的實時功率平衡。由于負荷側的實際電能需求是一個受多種因素影響的動態變化過程，因此采用電力負荷預測技術來預測未來電量需求可以為制定發電計劃提供數據支持，且有利于實現發電側和負荷側的優化調度和電網的經濟運行。隨著智能電網技術的發展，各種可再生能源越來越多地接入電力系統中，構成各種不同滲透率、不同結構形式的智能微電網。為應對可再生能源所具有的隨機性、波動性和周期性等特征對微電網的穩定運行所帶來的負面影響，配置電能存儲系統已成為一種重要的解決方案[3-5]。但是，受目前儲能系統構建、維護成本、能量密度和使用壽命等因素的制約，在微電網實際應用領域中，需要采用先進的能量管理方法和控制策略來保證儲能系統在充分發揮儲能作用的同時確保整個微電網系統運行的安全性、經濟型和可靠性。而對于配置儲能系統的微電網能量管理和控制策略的設計和實現，電力負荷的準確預測也是一項必不可少的關鍵技術。

由此可見，不論是對傳統電力系統還是對智能微電網系統而言，系統內部的能量管理均是一項復雜的任務，具體管理方法和策略的有效性及實施效果在很大程度上取決于未來電力負荷需求的預測結果。如果發電量不能滿足需求則會導致電網故障，而供過于求又會導致能源和資源的浪費。因此，基于準確的電力系統負荷預測結果不僅可以減少不必要的發電量，從而降低資源浪費，實現節能使用；還可以為輸配電規劃、用電需求管理、能源市場中的智能化交易等提供重要數據支撐[6-7]。電力負荷預測根據預測時間尺度可以分為：長期預測（以年為單位）、中期預測（以月為單位）、短期預測（以日為單位）和超短期預測（以時、分為單位）。其中，短期電力負荷預測范圍可從一天內每小時擴展到一周內每天的負荷，其預測結果對于發電單元的起停安排，提升可再生能源的滲透率及用電需求側的有效管理等方面均具有重要作用[8-10]。影響短期電力負荷的因素主要有天氣條件、假日安排和用戶使用習慣等。這些因素的共同作用使得短期電力負荷數據呈現出強非線性、隨機性和時變性等特征，這無疑增加了實現準確預測的難度[11-12]。因此，高精度和高魯棒性的短期電力負荷建模和預測方法一直是電力負荷預測領域的研究重點。國內外研究者的主要研究目標也大多聚焦于采用不同的建模和預測方法來提高短期電力負荷的預測精度。電力負荷預測精度越高，越有利于提高發電設備的利用率和經濟調度的有效性[7-8,13]。目前，從建模和預測方法來看，短期電力負荷預測的實現手段主要有基于統計分析的時間序列分析方法和基于數據驅動的機器學習方法[9,14-16]。時間序列分析法在處理平穩序列和學習數據的線性特征方面具有較好的性能，但對于數據的非線性特性處理較差[17-18]；機器學習方法則具有較強的非線性學習能力，因此在處理具有強非線性和隨機性等特征的短期電力負荷數據方面具有天然優勢。

綜上所述，短期電力負荷的預測精度與預測方法的選取和數據自身特點的關系較大。基于此背景，本文首先對實際短期電力負荷數據分別選用幾種最具代表性的經典機器學習方法進行建模和預測，從而驗證此類方法的有效性。具體選擇的方法包括支持向量回歸、高斯過程回歸和前向神經網絡等。然而，經典機器學習方法通常比較適合處理小樣本數據，當樣本數據量顯著增大時通常會出現模型性能下降的問題。因此，本文進一步提出基于時間卷積網絡（Temporal Convolution Network, TCN）實現短期電力負荷預測。實驗結果表明，TCN深度學習網絡具有更好的數據特征提取能力，在對具有強非線性特征的短期電力負荷預測方面可以獲得比經典機器學習方法更高的精度。

1 短期電力負荷預測經典機器學習方法

1.1 支持向量回歸

式中，和分別為回歸系數和截距；()為非線性映射函數。

1.2 高斯過程回歸

高斯過程回歸[20]（Gaussian Process Regression，GPR）是一種將高斯過程作為先驗的非參數化模型，其本質也是先將自變量從低維空間映射到高維空間，然后在高維空間對數據進行回歸的方法。

記為

1.3 前向神經網絡

圖1 前向神經網絡結構

2 基于經典機器學習方法的短期電力負荷預測實驗與結果分析

由前述定義可知：短期電力負荷預測的時間范圍一般為：未來1天內至未來一周的負荷（具體預測的數據點數還取決于采樣頻率）。以采樣頻率1次/h為例，則短期電力負荷預測的時間范圍為未來24～168h（也即24～168個數據點）的負荷數據。因此，本文的實驗將預測時間范圍也設置為該定義范圍內。

本小節的實驗用于驗證采用本文第1小節介紹的三種經典機器學習方法預測短期電力負荷的有效性。采用加拿大某電力公司2016年的電力負荷數據作為原始數據集。該數據集的構成為一個二維數組，即一維時間向量和與時間向量相對應的一維負荷數據向量。選用數據集時間范圍為2016年1月1日9時～2016年7月28日8時，總共209天，采樣頻率為1次/h，因此數據樣本總量為5 016h（也即5 016個數據點）的負荷數據。其中，選擇前204天（即2016年1月1日9時～2016年7月23日8時）的數據作為預測模型的訓練樣本，共計4 896h（4 896個數據點）的負荷數據，其時間序列圖如圖2所示；選擇后5天（即2016年7月23日9時～7月28日8時）的數據作為預測模型的測試樣本，共計120h（120個數據點）的負荷數據。三種模型的驗證實驗均在同一硬件平臺上完成。具體硬件配置為：操作系統Windows10，處理器Intel Core i7-8700k（12MB高速緩存，最高3.7GHz），內存RAM-32GB- DDR4@1 600MHz，顯卡GTX1080 Ti。

圖2 電力負荷數據訓練樣本

2.1 數據預處理

為加快機器學習算法的訓練速度，提高模型的預測精度并避免訓練過程出現飽和，需要對原始電力負荷數據進行數據預處理。本文采用歸一化處理方法，其公式為

在得到歸一化的樣本數據集后，將此樣本數據集劃分為訓練集和測試集，分別對預測模型進行訓練和驗證。由于基于歸一化的輸入數據得到的模型預測輸出也為歸一化的數據，因此，為了使模型的預測輸出與真實負荷數據有相同量綱并能進行比較，還需對模型的預測輸出進行反歸一化操作。反歸一化公式為

2.2 預測性能評價指標

為比較不同建模方法的預測效果，本文分別采用平均絕對誤差（Mean Absolute Error, MAE）和方均根誤差（Root Mean Squared Error, RMSE）作為負荷預測精度的評價指標[22]，其計算公式分別為

MAE表示預測值和真實值之間絕對誤差的平均值，可以準確描述實際預測誤差的大??；RMSE表示預測值和真實值之間殘差的標準偏差，反映了樣本的離散程度。MAE和RMSE的值越小，表明模型的預測性能越好。

2.3 實驗結果

利用經過預處理的實驗數據，以及SVR、GPR、BP(back propagation)神經網絡三種經典機器學習建模方法，實現短期電力負荷預測。其中，對于每種建模方法，分別嘗試選用幾種不同的核函數（LK、RBK、PK）或隱藏層神經元個數的參數配置模式進行預測建模，以此獲得算法的最佳參數配置。所有模型的訓練次數（epoch）和學習率（lr）等參數設置相同，epoch=500，lr=0.01。具體參數配置信息和預測性能評價指標結果見表1。

表1 不同模型預測性能對比

Tab.1 Comparison of precision among different models

為更清晰地對比每種建模方法在不同參數配置下的預測效果，將預測指標值做如圖3所示的柱狀圖顯示。可以看出，不同模型配合不同核函數或隱藏層神經元個數的配置所得到的MAE值和RMSE值存在一定差異，其中BP神經網絡模型在=50時所對應的兩個指標值最低，分別為MAE=0.301和RMSE=0.389；SVR模型次之，GPR模型兩個誤差值最高。但對比同一模型的不同參數配置發現，SVR模型和GPR模型的MAE值和RMSE值變化范圍較小，表明這兩種模型選用不同的核函數都能取得不錯的預測效果，即不同核函數對模型預測性能影響差異不大。

圖3 對比模型誤差柱狀圖

3 基于TCN的短期電力負荷預測

由前述實驗結果可知，機器學習方法在處理具有非線性特性的數據建模和預測問題方面具有一定的優勢。但是經典機器學習方法通常適用于處理小樣本數據[23-24]。由于智能電表等各種測量裝置的普及和廣泛使用，電力負荷數據量顯著增大。為提高機器學習方法處理大樣本數據預測的能力，越來越多的學者開始嘗試應用深度學習網絡這一新型機器學習方法來解決短期電力負荷預測問題。目前，應用于時間序列數據建模和預測的深度學習模型主要有循環神經網絡[25]（Recurrent Neural Network, RNN）及其改進算法包括長短期記憶網絡[26]（Long Short-Term Memory, LSTM）和門控循環單元[27]（Gate Recurrent Unit, GRU）等。其中，標準RNN在處理長序列時易發生梯度爆炸和梯度消失，模型訓練較為困難；LSTM的設置參數過多，存在過學習風險；GRU的參數相對LSTM的參數較少，但其相對于LSTM少一個門單元，在數據量很大的情況下，其數據表達能力弱于LSTM。基于此，本文提出采用更適合處理長時間序列的TCN模型來實現短期電力負荷預測。

3.1 TCN模型

TCN是一種基于卷積神經網絡（Convolution Neural Network, CNN）的新型架構。與一般CNN不同，TCN采用擴大因果卷積和殘差塊等結構[28-30]，使其具有從大樣本時間序列中提取特征和實現預測的能力，并且可以在網絡訓練過程中有效解決深層次網絡的性能退化問題。文獻[28]對比了TCN與RNN、LSTM和GRU等循環神經網絡在多種典型序列模型預測問題的性能表現，結果表明TCN通?？梢垣@得更好的預測精度，可以作為時間序列預測建模的一種有效手段。

3.1.1 TCN建模

3.1.2 擴大因果卷積

DCC的結構如圖4所示（圖中參數=1′2，=2-1，為隱層層數）。與標準因果卷積相比，DCC可以在相同網絡層數的情況下，使輸出能盡可能多地關聯到輸入。結合擴大因果卷積的多層堆疊還可以使深度學習網絡以較少的網絡層就能達到非常大的感受野[20]。此外，通過卷積核在輸入數據上的滑動操作，使得TCN可以處理可變長度的輸入。因此配合模型輸入數據的更新（即將前一時刻的預測值作為新息加入到輸入中），可以不斷地計算并輸出新的預測值。

圖4 擴大因果卷積結構

3.1.3 殘差塊

殘差塊結構如圖5所示。在TCN建模時，使用RB和DCC相結合的網絡結構，可以有效提高TCN模型的特征學習能力和魯棒性。

圖5 殘差塊結構

3.2 基于TCN的短期電力負荷預測實驗

為驗證TCN模型實現短期電力負荷預測的有效性，并與本文第2節所采用的經典機器學習方法的預測結果進行對比分析，在本小節中繼續采用相同的電力負荷數據作為原始數據集。

3.2.1 TCN參數設置

由式（17）可知，TCN模型中的擴大因子和卷積核大小是決定TCN模型預測性能的主要參數。此參數的選擇目前尚無理論指導，一般均需通過實驗對比取得。因此為確定此參數，本文借鑒文獻[34]的方法，即通過選取不同值和不同值進行組合，然后對每一組合參數的TCN模型進行訓練，最后通過對比不同參數配置的TCN模型的MAE值和RMSE值來確定最佳參數。其中，擴大因子分別取值為2、4、8和16；卷積核分別取為1×3、1×5和1×7，兩組參數共構成12種組合形式，見表2。所有參數組合的TCN訓練次數（epoch）和學習率（lr）設置相同，即epoch=500，lr=0.01。12種TCN模型訓練后的精度對比結果如圖6所示。

表2 TCN模型參數組合

Tab.2 TCN models of different parameter settings

圖6 不同參數配置TCN模型訓練結果對比圖

由圖6可以看出，序號8所對應的參數配置TCN模型（即擴大因子=8，卷積核大小=1×5）具有最低的MAE值和RMSE值，即在12種參數配置中，序號8的配置可以獲得最佳的預測精度。因此，本文TCN模型的負荷預測實驗采用此參數。

3.2.2 實驗與結果分析

針對第2節中的訓練集數據采用TCN建模，然后對測試集數據進行預測，最終得到的誤差指標值MAE和RMSE分別為0.219和0.295。與表1中其他三種機器學習方法所能獲得的最佳精度相比，TCN模型的預測精度有顯著提高，兩個性能指標值分別提高了27.2%和24.2%。為更加直觀地對比預測負荷值與實際負荷值的差異，利用式（13）對預測結果進行反歸一化求解得到與真實負荷數據相同量綱的預測值，然后將其與SVR、GPR和BP神經網絡的預測值以及真實負荷值一同繪制于圖7中。可以看出，雖然四種模型的預測曲線都很接近實際負荷曲線，但在原始數據曲線的波峰波谷處不同模型之間的預測精度存在一定的差異。其中，SVR模型和GPR模型的預測結果出現多個“尖峰”，說明SVR模型和GPR模型在這種信息量較少的拐點處學習能力較差，而TCN模型和BP模型在“尖峰”處有更好的學習能力。進一步，以原始數據作為橫坐標，以模型預測值作為縱坐標繪制四種不同機器學習模型預測結果的散點圖如圖8所示。對比散點圖發現此四種機器學習模型的預測結果基本都能擬合出一條直線，并且各個點離對角線的垂直距離都在較小的范圍內。其中SVR模型和GPR模型相對于TCN模型和BP神經網絡模型離對角線的垂直距離較遠，即預測誤差較大；而TCN模型相比于BP神經網絡模型則有更多的點落在對角線上，即誤差最小。綜合以上對比分析可知，基于TCN的深度學習方法在處理具有強非線性的短期電力負荷預測方面具有更優的性能。

圖7 負荷預測結果對比圖

4 結論

本文以短期電力負荷預測作為研究內容，對比了SVR、GPR和BP等三種經典機器學習方法各自的特點、適用性和預測效果。在此基礎上，提出了采用TCN深度學習網絡方法實現短期電力負荷預測。通過對真實電力負荷數據進行預測建模并分析實驗結果，得出以下主要結論：

1）本文選用的各種機器學習方法在合理選擇模型參數后均可以對含有非線性特征的短期電力負荷數據取得較好的預測效果。因此，機器學習方法適用于解決短期電力負荷預測問題。

2）深度學習網絡相比經典機器學習方法具有更好的特征提取能力，因此可以獲得更高的預測精度。由于TCN網絡的構建引入了擴大因果卷積和殘差塊，使得該深度學習網絡模型具有更好的大樣本時間序列處理能力和魯棒性，實驗結果也驗證了該方法的有效性和高準確性。

本文的研究內容不僅為短期電力負荷預測的方法選擇提供了參考依據和選擇多樣性，而且對于研究電力系統領域中的其他預測問題如風力、光伏發電功率預測、儲能系統中儲能元件的使用壽命預測等也具有很好的借鑒意義。但是，深度學習方法通常主要適用于挖掘數據中的非線性特征，對于數據的線性特征的學習效果有時可能不如傳統時間序列分析方法。而實際的電力負荷數據一般既包含線性成分又包含非線性成分，即電力負荷時間序列具有復合特征。與此同時，其他因素如天氣、假日安排和用戶使用習慣等與負荷數據特征之間的關系，以及對模型預測效果的影響也是需要深入關注的內容。因此，筆者未來研究工作將聚焦于設計一種可以更好地處理電力負荷數據復合特征的預測模型，以期進一步提高模型的預測精度。

[1] Ayub N, Irfan M, Awais M, et al. Big data analytics for short and medium-term electricity load forecasting using an AI techniques ensembler[J]. Energies, 2020, 13(19): 5193-5213.

[2] Barak S, Sadegh S S. Forecasting energy consumption using ensemble ARIMA–ANFIS hybrid algorithm[J]. International Journal of Electrical Power and Energy Systems, 2016, 82: 92-104.

[3] 劉暢, 卓建坤, 趙東明, 等. 利用儲能系統實現可再生能源微電網靈活安全運行的研究綜述[J]. 中國電機工程學報, 2020, 40(1): 1-18.

Liu Chang, Zhuo Jiankun, Zhao Dongming, et al. A review of the utilization of energy storage system for the flexible and safe operation of renewable energy microgrids[J]. Proceedings of the CSEE, 2020, 40(1): 1-18.

[4] 李衛國, 陳立銘, 張師, 等. 分時電價下考慮儲能調度因素的短期負荷預測模型[J]. 電力系統保護與控制, 2020, 48(7): 133-140.

Li Weiguo, Chen Liming, Zhang Shi, et al. Short-term load forecasting model considering energy storage scheduling factors under time-sharing price[J]. Power System Protection and Control, 2020, 48(7): 133-140.

[5] 李培強, 豐云鶴, 李欣然, 等. 考慮超短期負荷預測的儲能電池參與電網一次調頻控制策略[J]. 電力系統自動化, 2019, 43(19): 87-95.

Li Peiqiang, Feng Yunhe, Li Xinran, et al. Control strategy for energy storage battery participating in primary frequency regulation of power grid considering ultra-short-term load forecasting[J]. Automation of Electric Power System, 2019, 43(19): 87-95.

[6] 張淑清, 段曉寧, 張立國, 等. Tsne降維可視化分析及飛蛾火焰優化ELM算法在電力負荷預測中應用[J]. 中國電機工程學報, 2021, 41(9): 3120-3130.

Zhang Shuqing, Duan Xiaoning, Zhang Liguo, et al. Tsne dimension reduction visualization analysis and MFOELM algorithm applied in power load forecasting[J]. Proceedings of the CSEE, 2021, 41(9): 3120-3130.

[7] Boroojeni K G, Amini M H, Bahrami S, et al. A novel multi-time-scale modeling for electric power demand forecasting: from short-term to medium-term horizon[J]. Electric Power Systems Research, 2017, 142: 58-73.

[8] 康重慶, 夏清, 劉梅. 電力系統負荷預測 [M]. 2版. 北京: 中國電力出版社, 2017.

[9] Panapakidis I P, Skiadopoulos N, Christoforidis G C. Combined forecasting system for short-term bus load forecasting based on clustering and neural networks[J]. IET Generation, Transmission & Distribution, 2020, 14(18): 3652-3664.

[10] Dai Yeming, Zhao Pei. A hybrid load forecasting model based on support vector machine with intelligent methods for feature selection and parameter optimization[J]. Applied Energy, 2020, 279: 115332-115340.

[11] Gao Xin, Li Xiaobing, Zhao Bing, et al. Short-term electricity load forecasting model based on EMD-GRU with feature selection[J]. Energies, 2019, 12(6): 1140-1157.

[12] Malekizadeh M, Karami H, Karimi M, et al. Short-term load forecast using ensemble neuro-fuzzy model[J]. Energy, 2020, 196: 117127-117136.

[13] Khwaja A S, Zhang X, Anpalagan A, et al. Boosted neural networks for improved short-term electric load forecasting[J]. Electric Power Systems Research, 2017, 143: 431-437.

[14] 王增平, 趙兵, 紀維佳, 等. 基于GRU-NN模型的短期負荷預測方法[J]. 電力系統自動化, 2019, 43(5): 53-62.

Wang Zengping, Zhao Bing, Ji Weijia, et al. Short-term load forecasting method based on GRU-NN model[J]. Automation of Electric Power Systems, 2019, 43(5): 53-62.

[15] Yang Lintao, Yang Honggeng. Analysis of different neural networks and a new architecture for short-term load forecasting[J]. Energies, 2019, 12(8): 1433-1455.

[16] 儲晨陽，秦川，鞠平，等. 基于優化稀疏編碼的超短期負荷滾動多步預測[J]. 電工技術學報, 2021, 36(19): 4050-4059.

Chu Chenyang, Qin Chuan, Ju Ping, et al. Multi-step rolling ultra-short-term load forecasting based on the optimized sparse coding[J]. Transactions of China Electrotechnical Society, 2021, 36(19): 4050-4059.

[17] 鄧帶雨, 李堅, 張真源, 等. 基于EEMD-GRU-MLR的短期電力負荷預測[J]. 電網技術, 2020, 44(2): 593-602.

Deng Daiyu, Li Jian, Zhang Zhenyuan, et al. Short-term electric load forecasting based on EEMD-GRU-MLR[J]. Power System Technology, 2020, 44(2): 593-602.

[18] Liu Tongxiang, Jin Yu, Gao Yuyang. A new hybrid approach for short-term electric load forecasting applying support vector machine with ensemble empirical mode decomposition and whale optimization[J]. Energies, 2019, 12(8): 1520-1539.

[19] 徐佳寧, 倪裕隆, 朱春波. 基于改進支持向量回歸的鋰電池剩余壽命預測[J]. 電工技術學報, 2021, 36(17): 3693-3704.

Xu Jianing, Ni Yulong, Zhu Chunbo. Remaining useful life prediction for lithium-ion batteries based on improved support vector regression[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3693-3704.

[20] Richardson R R, Osborne M A, Howey D A. Gaussian process regression for forecasting battery state of health[J]. Journal of Power Sources, 2017, 357: 209-219.

[21] Borovykh A, Bohte S, Oosterlee C W. Conditional time series forecasting with convolutional neural networks[EB/OL]. 2017, https://arxiv.org/abs/1703. 04691.

[22] Rodríguez F, Martín F, Fontán L, et al. Very short-term load forecaster based on a neural network technique for smart grid control[J]. Energies, 2020, 13(19): 5210-5228.

[23] 蘇學能, 劉天琪, 曹鴻謙, 等. 基于Hadoop架構的多重分布式BP神經網絡的短期負荷預測方法[J]. 中國電機工程學報, 2017, 37(17): 4966-4973.

Su Xueneng, Liu Tianqi, Cao Hongqian, et al. A multiple distributed BP neural networks approach for short-term load forecasting based on Hadoop framework[J]. Proceedings of the CSEE, 2017, 37(17): 4966-4973.

[24] 吳潤澤, 包正睿, 王文韜, 等. Hadoop架構下基于模式匹配的短期電力負荷預測方法[J]. 電工技術學報, 2018, 33(7): 1542-1551.

Wu Runze, Bao Zhengrui, Wang Wentao, et al. Short-term power load forecasting method based on pattern matching in Hadoop framework[J]. Transactions of China Electrotechnical Society, 2018, 33(7): 1542- 1551.

[25] Shi Heng, Xu Minghao, Li Ran. Deep learning for household load forecasting—a novel pooling deep RNN[J]. IEEE Transactions on Smart Grid, 2018, 9(5): 5271-5280.

[26] Kong Weicong, Dong Zhaoyang, Jia Youfei, et al. Short-term residential load forecasting based on LSTM recurrent neural network[J]. IEEE Transactions on Smart Grid, 2019, 10(1): 841-851.

[27] 趙兵, 王增平, 紀維佳, 等. 基于注意力機制的CNN-GRU短期電力負荷預測方法[J]. 電網技術, 2019, 43(12): 4370-4376.

Zhao Bing, Wang Zengping, Ji Weijia, et al. A short-term power load forecasting method based on attention mechanism of CNN-GRU[J]. Power System Technology, 2019, 43(12): 4370-4376.

[28] Bai Shaojie, Kolter J Z, Koltun V. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling [EB/OL]. 2018, https://arxiv.org/abs/1803.01271.

[29] Zhou Danhua, Li Zhanying, Zhu Jiali, et al. State of health monitoring and remaining useful life prediction of lithium-ion batteries based on temporal convolutional network[J]. IEEE Access, 2020, 8: 53307-53320.

[30] Wu Pin, Sun Junwu, Chang Xuting, et al. Data-driven reduced order model with temporal convolutional neural network[J]. Computer Methods in Applied Mechanics and Engineering, 2020, 360: 112766-112778.

[31] Oord A V D, Dieleman S, Zen H, et al. WaveNet: a generative model for raw audio[EB/OL]. 2016, https://arxiv.org/abs/1609.03499v2.

[32] Wang Yongjian, Yang Ke, Li Hongguang. Industrial time-series modeling via adapted receptive field temporal convolution networks integrating regularly updated multi-region operations based on PCA[J]. Chemical Engineering Science, 2020, 228: 115956- 115971.

[33] He Kaiming, Zhang Xiangyu, Ren Shaoqing, et al. Deep residual learning for image recognition[EB/OL]. 2015, https://arxiv.org/abs/1512.03385.

[34] Hewage P, Behera A, Trovati M, et al. Temporal convolutional neural (TCN) network for an effective weather forecasting using time-series data from the local weather station[J]. Soft Computing, 2020, 24(21): 16453-16482.

Temporal Convolution Network-Based Short-Term Electrical Load Forecasting

Zhao Yang Wang Hanmo Kang Li Zhang Zhaoyun

（School of Electrical Engineering & Intelligentization Dongguan University of Technology Dongguan 523808 China）

Accurate short-term electrical load forecasting plays an important role in ensuring the safe and stable operation of the power grid, optimizing energy management, improving the utilization rate of power generation equipment, and reducing operating costs. Owing to the incapability of traditional time series methods in dealing with data’s nonlinear characteristics, this article first compared the applicability and forecasting performance of classical machine learning methods in short-term electrical load forecasting. The adopted modeling methods include: support vector regression, Gaussian process regression and forward neural network; the values of metrics proved that the machine learning methods can obtain good prediction accuracy and are suitable for processing short-term load data with strong nonlinear characteristics; on this basis, a short-term electrical load forecasting method based on temporal convolutional network (TCN) deep learning method was proposed. This model has the ability to extract features from large samples of time series and realize prediction, and its structure can effectively solve the degenerate problem of deep network learning; finally, forecasting experiment was conducted on the real load data. The results showed that the TCN can acquire much higher accuracy, and the deep learning method outperforms the classical machine learning methods in non-linear feature extraction.

Short-term electrical load forecasting, machine learning, support vector regression, Gaussian process regression, temporal convolution network

10.19595/j.cnki.1000-6753.tces.210223

TM743

國家重點研發計劃“智能電網技術與裝備”重點專項資助（2017YFB0903205）。

2021-02-22

2021-06-29

趙 洋 男，1981年生，副教授，碩士生導師，研究方向為儲能系統運行控制、系統建模與預測等。E-mail：simonzhaoyang@163.com（通信作者）

王瀚墨 男，1994年生，碩士研究生，研究方向為深度學習在電力負荷預測中的應用。E-mail：creepui@gmail.com

（編輯 郭麗軍）