双碳背景下结合Informer和IPOA算法的电力负荷预测

Combining Informer and IPOA algorithms for power load forecasting under the dual carbon background

摘要

在双碳目标背景下,准确预测电力负荷对于实现能源优化和电网稳定运行至关重要,提出了一种结合I时间序列预测模型和改进鹈鹕优化算法的电力负荷预测模型。首先对原始数据进行清洗和标准化处理,通过改进鹈鹕优化算法优化时间序列预测模型的超参数。引入的时间失真指数提高对时间序列形状和时间扭曲的捕捉能力。为验证所提模型的有效性,将该模型与标准鹈鹕优化算法等开展了对比测试,并在标准测试函数和实际电力负荷数据集上对误差和拟合优度进行了全面评估。实验结果显示,提出的改进模型预测误差范围从标准鹈鹕优化算法模型的-7.5 ~5.8 kW·h显著降低至-4.3~4.3 kW·h,决定系数值提高了2.53%~6.6%。该结果验证了模型在提高预测精度和稳定性方面的显著效果,对双碳目标下优化电力资源配置具有重要的理论和实践意义。

Abstract

Accurately predicting power load is crucial for achieving energy optimization and stable operation of the power grid in the context of the dual carbon target. This article proposes a power load forecasting model that combines an I time series forecasting model with an improved Pelican optimization algorithm. This article first cleans and standardizes the raw data, and optimizes the hyperparameters of the time series prediction model by improving the Pelican optimization algorithm. The introduced time distortion index improves the ability to capture the shape and time distortion of time series. To verify the effectiveness of the proposed model, this paper conducted comparative tests with standard Pelican optimization algorithms, and comprehensively evaluated the error and goodness of fit on standard test functions and actual power load datasets. The experimental results show that the improved model proposed in this paper significantly reduces the prediction error range from -7.5 kW·h to 5.8 kW·h of the standard Pelican optimization algorithm model to -4.3 kW·h to 4.3 kW·h, and increases the determination coefficient value by 2.53% to 6.6%. This result validates the significant effect of the model in improving prediction accuracy and stability, and has important theoretical and practical significance for optimizing power resource allocation under the dual carbon target.

关键词

双碳目标 / 电力负荷 / 预测 / Informer / IPOA算法 / 机器学习

Key words

dual carbon targets / power load / forecasting / Informer / IPOA algorithm / machine learning

[1] 宿连超, 王涛, 谭虎. 基于扩频通信技术的农村电力负荷自动监测方法[J]. 自动化技术与应用, 2024, 43(7):102-106.
[2] 游兆阳, 沈聪, 冯晨, 等. 基于GIS技术的电力通信光缆线路故障智能定位系统[J]. 自动化技术与应用, 2024, 43(7):121-124.
[3] 邝柱祥. 基于区块链的电力计量系统分布式数据可信收集方法[J]. 环境技术, 2023, 41(12):106-111.
[4] 肖威, 方娜, 邓心. 基于VMD-LSTM-IPSO-GRU的电力负荷预测[J]. 科学技术与工程, 2024, 24(16):6734-6741.
[5] Yadav A, Bareth R, Kochar M, et al. Gaussian process regression-based load forecasting model[J]. IET Generation, Transmission & Distribution, 2024, 18(5): 899-910.
[6] 刘杰, 从兰美, 夏远洋, 等. 基于DBO-VMD和IWOA-BILSTM神经网络组合模型的短期电力负荷预测[J]. 电力系统保护与控制, 2024, 52(8):123-133.
[7] 范茜茜, 王国强, 罗贺, 等. 基于N-BEATS与辅助编码器的短期电力负荷预测[J]. 电网技术, 2024, 48(4):1612-1621.
[8] 张亚超, 朱蜀, 林俊杰. 基于源荷储灵活资源协同的电热综合能源系统实验平台[J]. 实验室研究与探索, 2024, 43(7):69-75.
[9] 胡欣月, 黄奇峰, 张理寅, 等. 考虑隐私保护的综合能源负荷联合聚类方法[J]. 电工电能新技术, 2024, 43(7):60-69.
[10] 陈胜, 刘鹏飞, 王平, 等. 基于LSTM人工神经网络的电力系统负荷预测方法[J]. 沈阳工业大学学报, 2024, 46(1):66-71.
[11] 白星振, 赵康, 葛磊蛟, 等. 基于EWT-GRU-RR的配电网短期电力负荷预测模型[J]. 山东科技大学学报(自然科学版), 2023, 42(5):77-87.
[12] 李文英, 杨高才, 文明, 等. 基于时空图注意力的短期电力负荷预测方法[J]. 湖南大学学报(自然科学版), 2024, 51(2): 57-67.
[13] 孙静, 彭勇刚, 倪旖旎, 等. 基于改进联邦学习算法的电力负荷预测方法[J]. 高电压技术, 2024, 50(7):3039-3049.
[14] 冉秀敏, 韩玺江, 窦桑, 等. 基于变分模态分解联合注意力机制的电力负荷预测[J]. 自动化技术与应用, 2025, 44(11):57-60.
[15] 申洪涛, 李飞, 史轮, 等. 基于气象数据降维与混合深度学习的短期电力负荷预测[J]. 电力建设, 2024, 45(1):13-21.
[16] 林彦旭, 高辉. 基于SSA-VMD-BiLSTM模型的充电站负荷预测方法[J]. 广东电力, 2024, 37(6):53-61.

基金资助

国网山东省电力科技项目资助(520625220001)