LSTM模型在电力系统负荷预测中的应用

作者：王闯; 兰程皓; 凌德祥; 吴伟; 刘书剑; 卜云彤

来源：电力大数据, 2021, 24(01): 17-24.

DOI：10.19317/j.cnki.1008-083x.2021.01.003

• 长短期记忆网络
• 深度学习
• 神经网络
• 电力系统负荷预测
• 平均绝对误差

为解决数据随时间变化的电力系统短期负荷预测问题,本文阐述、采用和总结线性回归,普通BP神经网络,GRU神经网络,LSTM神经网络在电力系统短期负荷预测中应用的理论基础和方法,分别针对神经网络的多种预测方法进行归纳总结。LSTM即长短期记忆网络,拥有门机制,可以选择性的遗忘和记忆过去的信息,特别能记忆一个序列时间段的信息。本文以某城市2019年全年的电力负荷数据为基础,该数据集包含城市350天的每天48个时间点的16800条数据,通过python绘图,解决对比不同算法之间的性能差异问题,最终得到LSTM在电力系统短期负荷预测上性能最优的结果。通过结果分析,得出利用电力负荷时间序列具有历史依赖性的特点,使用LSTM深度神经网络与传统神经网络进行了对比预测,证明了深度学习在电力负荷预测领域的适用性和精确性。