基于ARIMA结合ConvLSTM的燃气负荷预测

作者：海文龙; 王亚慧; 宋洋; 王怀秀

来源：微电子学与计算机, 2022, 39(01): 62-70.

DOI：10.19304/J.ISSN1000-7180.2021.0426

• 燃气负荷预测
• 自回归移动平均模型
• 卷积长短时神经网络
• 卷积神经网络
• 长短时记忆网络

燃气负荷预测对于燃气资源的优化调度至关重要.燃气负荷预测除了具有趋势性、周期性等时间特性外，相邻燃气调压站的负荷数据与温湿度数据之间也存在空间特性，导致燃气负荷预测机理建模困难且模型预测精度较低.针对以上问题，提出了一种基于自回归移动平均模型(ARIMA)与卷积长短时神经网络(ConvLSTM)结合的燃气负荷预测模型.首先，选取皮尔逊相关系数对燃气负荷数据进行分析，筛选与燃气负荷相关性强的变量作为模型的输入.其次，采用ARIMA模型去除数据的趋势性使其平稳化，利用ConvLSTM模型提取数据中的时空特征，并对ARIMA-ConvLSTM模型的参数进行寻优.最后，通过燃气负荷数据对模型进行训练和验证.实验结果表明，ARIMA-ConvLSTM模型的预测准确率为98.65%,在均方根误差、平均绝对误差、绝对误差百分比方面均优于ARIMA模型、ConvLSTM模型和CNN-LSTM并行组合模型.

• 单位
  北京建筑大学