A Method for Forecasting Building Power Load Based on Time Series Multi-scale Decomposition

Ya-xuan JU; Chun-yu ZHANG; Ren-jing ZHU; Xi-jun ZHU

doi:10.13718/j.cnki.xdzk.2020.10.002

With the rapid growth of building energy consumption in recent years, building energy conservation has become an important issue in the sustainable development strategy. Therefore, building a model that can quickly and accurately predict building energy consumption has become a key step to achieve building energy conservation. In a study reported in this paper, combined with empirical mode decomposition, LSSVR and ARIMA were integrated to construct a mixed model of EEMD-LSSVR-ARIMA based on time series multi-scale decomposition to predict building electricity data. With this model, the electricity load data of the buildingwas decomposed into a number of different-frequency components by EEMD, the LSSVR model was used to predict the high-frequency component, and the difference between load data and the sum of the components in the sequence, and the ARIMA model was used to predict the low-frequency component. Lastly, the predicted results of the components and those of the difference sequences were superimposed, and the final results were obtained. This method was employed to analyze the data of power consumption of a certain building, and was compared with the traditional ARIMA and EEMD-ARIMA models andthe residual-based ARIMA-LSTM model. The experimental results showed that the prediction accuracy of the model proposed in this paper was more than 98%, which was nearly 2% higher than that of theother models.

HTML

电力作为一种特殊能源，无法实现大规模存储，因此，保持电力的供需平衡是至关重要的，供电过量会造成资源的浪费，供电不足则会导致经济损失，甚至影响社会稳定.我国建筑面积庞大，若是能够建立准确预测建筑用电负荷的模型，对于我国加快节能减排政策的落实将会有重大的意义.而如何提高用电负荷预测的准确率一直以来都是国内外学者研究的热点问题.

李婉华^[1]以随机森林和极限学习机为基础，通过引入粒子群优化算法以及变异算子，改进了算法的泛化性能以及稳定性，提升了电力数据的预测性能；Fazil Kaytez^[2]结合最小二乘支持向量机与自回归移动平均对土耳其的电力数据进行了预测，并将结果与其他模型进行比较，证明了模型的有效性；王月强等^[3]提出了基于多时空的用电负荷预测模型，通过小波分解方法分解负荷数据的各时空分量，并对不同分量选择不同模型进行分析预测，大大提升了模型预测的精确度；魏华栋等^[4]通过小波变换细化负荷数据的伸缩变换，并结合长短期记忆神经网络的梯度计算，有效提升了负荷预测结果的精度；罗澍忻等^[5]提出了一种堆叠长短期记忆网络的模型，将不同时间尺度的历史负荷数据以及地区经济和气候数据导入模型，通过实验验证该模型提升了负荷预测的准确性；邢伟等^[6]通过集合干扰重构经验模态分解算法将用电负荷数据分解为多个平稳分量，并提出了改进多尺度散布熵算法刻画原始用电数据的内在特征，从而提升了模型预测的准确性.

尽管用电负荷数据预测的研究很广泛，但仍存在以下几个问题：

1) 特征的选择不够深入.现有的预测研究方法没有深入分析用电负荷数据的影响因素，往往直接将影响因素作为输入进行预测，很大程度上影响了模型的预测精度.

2) 数据量要求大.目前的研究方法主要以神经网络为主，需要庞大的数据量进行训练，才能取得理想的预测精度，而我国的能源监测系统近年来才逐渐完善，针对单一建筑的用电负荷数据有限，很难获取如此大的数据量进行训练.

3) 对波动性强的用电负荷数据预测精度较差.现有的研究方法对于用电规律明显的数据预测精度较高，但当用电负荷数据波动性较大时，预测的精度显著下降.

针对以上问题，本文提出了一种基于时间序列多尺度分解的混合预测模型(EEMD-LSSVR-ARIMA模型).经研究发现，用电量与建筑面积、楼层高度以及各气象因素密切相关，而本次实验针对的是单一建筑，建筑面积与楼层高度固定，因此本次实验主要分析气象数据对用电量的影响，经综合考量，本文选择空气温度、露点温度、海平面气压作为影响因素，使用集合经验模态分解(EEMD)^[7]分别将用电负荷数据和3种影响因素数据按其内在的时间尺度特征自适应地分解为多个本征模态分量，保证原始数据信息不丢失，在深入分析用电负荷数据分量与各影响因素分量之间关系的基础上，使用最小二乘支持向量回归(LSSVR)^[8-9]模型和差分自回归移动平均(ARIMA)^[10]模型分别对用电负荷数据的各分量进行预测，从而可以最大程度地拟合各分量数据，再将预测结果叠加，得到最后的预测结果.并通过实验分析验证模型的有效性.

3. 总结

我国作为一个能源消耗大国，对于能耗数据尤其是电力消耗数据的研究起步相对较晚，用电问题一直都是困扰我国经济发展的关键问题.本文首先整理和分析了近年来对于用电负荷预测的研究现状，针对目前的研究情况提出了自己的见解.并针对某建筑用电负荷数据特征，选择空气温度等气象数据作为影响因素，拟合建筑用电规律，提出了一种新型的基于时间序列多尺度分解的EEMD-LSSVR-ARIMA混合预测模型，并通过实验验证了模型的有效性，实现了对建筑用电负荷数据的精准预测.

Figure (12) Table (4) Reference (10)

Name
	Name cannot be empty!
E-mail
	Mailbox cannot be empty! Mailbox cannot be empty!
Telephone
	Mobile number cannot be empty! Please enter a valid mobile number!
Title

Content
Verification Code

[1]	李婉华.面向电力大数据的数据挖掘算法研究及应用[D].福州: 福州大学, 2017. Google Scholar
[2]	KAYTEZ F. A Hybrid Approach Based on Autoregressive Integrated Moving Average and Least-square Support Vector Machine for Long-term Forecasting of Net Electricity Consumption [J]. Energy, 2020, 197: 117200. doi: 10.1016/j.energy.2020.117200 CrossRef Google Scholar
[3]	王月强, 王焕, 李卫彬, 等.长兴岛产业园区电力需求多时序预测技术研究[J].电力与能源, 2020, 41(2): 160-166, 171. Google Scholar
[4]	魏华栋, 陶媛, 蔡昌春, 等.基于改进长短期记忆神经网络的短期负荷预测[J/OL].电测与仪表. (2020-09-12) [2020-09-25]. https://kns.cnki.net/kcms/detail/23.1202.TH.20200911.1902.002.html. Google Scholar
[5]	罗澍忻, 麻敏华, 蒋林, 等.考虑多时间尺度数据的中长期负荷预测方法[J/OL].中国电机工程学报. (2020-07-01) [2020-09-25]. https://kns.cnki.net/kcms/detail/11.2107.TM.20200701.0954.008.html. Google Scholar
[6]	邢伟, 母卓元.基于EIEMD-IMDE-XGBoost模型的短期电力负荷预测[J].山西电力, 2020(2): 9-14. Google Scholar
[7]	李旋, 周清锋, 戴吾蛟, 等.经验模式分解与小波分解在变形分析应用中的对比分析[J].工程勘察, 2009, 37(7): 67-71. Google Scholar
[8]	蔡新闻.基于EN-LSSVR模型的短时交通流预测方法研究[D].镇江: 江苏大学, 2019. Google Scholar
[9]	夏邓成.基于LSSVR-HSMM的滚动轴承剩余使用寿命预测研究[D].武汉: 华中科技大学, 2019. Google Scholar
[10]	涂钊颖.广东省博罗县中长期电力负荷预测的研究[D].长沙: 湖南大学, 2019. Google Scholar

Message Board

A Method for Forecasting Building Power Load Based on Time Series Multi-scale Decomposition

Abstract

References

Access History

通讯作者: 陈斌, bchen63@163.com

Article Metrics

Access History

Other Articles By Authors