23 / 2023-02-28 15:37:51

基于LSTM神经网络的多要素用电量动态预测

电力气象服务；长短期记忆神经网络；多时次预测；日用电量

准确地预测用电量有助于电力气象服务的开展，并可保障电力系统经济、安全、可靠运行。本研究基于东至县2014至2018年日用电量数据，结合气象要素和日期因素。通过相关性分析筛选要素，并利用长短期记忆（LSTM）神经网络开展多时次用电量预测。利用人体舒适度指数、平均地面温度、最高气温、最低气温、平均水汽压、日期因素和用电量序列数据构建用电量预测LSTM模型，模型利用过去24日数据对于未来1日、3日和6日日用电量预测的标准化均方根误差（CVRMSE）分别为0.06、0.09和0.11，相对误差（RE）分别为0.006、0.018、0.014，决定系数（R²）分别为0.56、0.22、0.12。结果证实了基于LSTM预测短期用电量的可行性及相对自回归整合滑动平均模型（ARIMA）的优越性，可为电力部门进行需求侧管理，提升能源存储运营水平提供技术支持。