《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 設(shè)計應(yīng)用 > 基于LSTM-ARIMA組合模型的區(qū)域短期用電量預測
基于LSTM-ARIMA組合模型的區(qū)域短期用電量預測
信息技術(shù)與網(wǎng)絡(luò)安全 10期
劉 侃1，何家峰1，蔡高琰2
(1.廣東工業(yè)大學 信息工程學院，廣東 廣州510006；2.廣東浩迪創(chuàng)新科技有限公司，廣東 佛山528200)
摘要： 用電數(shù)據(jù)具有不平穩(wěn)、非線性的特點，為了提升對用電數(shù)據(jù)的擬合精度，增強預測能力，基于序列預測與殘差修正的思想提出通過長短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory Neural Network，LSTM)對用電量序列進行預測，真實值與預測值所構(gòu)成的差值即殘差用差分自回歸移動平均模型(Autoregressive Integrated Moving Average Model，ARIMA)進行殘差修正，將LSTM的預測值與ARIMA的殘差修正值進行重構(gòu)得到最終的預測值。最后利用廣東省佛山市某工業(yè)園區(qū)的用電數(shù)據(jù)對組合模型進行驗證，實驗結(jié)果顯示該模型的預測精度與預測穩(wěn)定性均優(yōu)于其他模型，取得了良好的預測效果。
中圖分類號： TP183
文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2021.10.008
引用格式： 劉侃，何家峰，蔡高琰. 基于LSTM-ARIMA組合模型的區(qū)域短期用電量預測[J].信息技術(shù)與網(wǎng)絡(luò)安全，2021，40(10)：48-52.
Combined forecasting model of regional electricity consumption based on LSTM-ARIMA
Liu Kan1，He Jiafeng1，Cai Gaoyan2
(1.School of Information Engineering，Guangdong University of Technology，Guangzhou 510006，China； 2.Guangdong Haodi Innovation Technology Co.，Ltd.，F(xiàn)oshan 528200，China)
Abstract： Power consumption data has the characteristics of non-stationary and non-linear. In order to improve the fitting accuracy of power consumption data, based on the idea of sequence prediction and residual correction, this paper proposes using long short-term memory neural network(LSTM) to predict the power consumption sequence. The difference formed by the real value and the predicted value is corrected by the autoregressive integrated moving average model(ARIMA). The predicted value of LSTM and the residual correction value of ARIMA are reconstructed to obtain the final predicted value. Finally, the combined model is verified by the power consumption data of an industrial park in Foshan City, Guangdong Province. The experimental results show that the prediction accuracy and stability of this model are better than other models, and good prediction results are achieved.
Key words : long short-term memory neural network；autoregressive integrated moving average model；combined model

0 引言 

電力能源是與人們?nèi)粘Ｉ钕⑾⑾嚓P(guān)的，然而由于電力能源的調(diào)度存在延時性，導致電力資源沒有進行合理分配，電力浪費與短缺的兩極化現(xiàn)象依然存在。針對這些問題，發(fā)展改革委[1]在2016年提出電力企業(yè)應(yīng)總結(jié)2016年電力生產(chǎn)運行情況，分析預測2017年電力供需形勢，提出政策建議，形成分析預測報告以達到合理調(diào)配電力資源，提高電力資源的利用率的目的。國家在《中共中央關(guān)于制定國民經(jīng)濟和社會發(fā)展第十四個五年規(guī)劃和二〇三五年遠景目標的建議》[2]中提出建設(shè)智慧能源系統(tǒng)，優(yōu)化電力生產(chǎn)和輸送通道布局，提升新能源消納和存儲能力，因此基于歷史的用電量數(shù)據(jù)對未來的用電趨勢進行預測是十分必要的。區(qū)域用電量預測是指通過該地區(qū)產(chǎn)生的歷史用電數(shù)據(jù)時間序列，預測未來該地區(qū)的用電量，據(jù)相關(guān)研究表明，預測誤差增加，將會提高電力預測的成本，因此提升用電量預測的精確度是十分必要的。

目前應(yīng)用于電量預測的方法主要分為三類，第一類為時間序列分析方法，包括指數(shù)平滑法[3]、加權(quán)法[4]等，這類方法可以有效地處理線性數(shù)據(jù)，但是對于非線性數(shù)據(jù)的擬合效果不佳。第二類為智能算法，智能算法可分為機器學習方法與深度學習方法，其中應(yīng)用于預測的機器學習方法有支持向量機算法[5]、隨機森林算法[6]、集成算法[7]；深度學習方法有BP神經(jīng)網(wǎng)絡(luò)[8]、人工神經(jīng)網(wǎng)絡(luò)[9-11]、卷積神經(jīng)網(wǎng)絡(luò)[12-13]、循環(huán)神經(jīng)網(wǎng)絡(luò)[14-15]和遞歸神經(jīng)網(wǎng)絡(luò)[16-19]等。智能算法能較好地處理非線性問題，但是在計算速度與魯棒性方面仍需進一步改進。第三類為組合方法，組合方法是指將第一類與第二類方法結(jié)合的新方法，組合方法結(jié)合了兩類方法的優(yōu)點，能較好處理非線性問題又能同時提高智能算法的計算速度與魯棒性。




本文詳細內(nèi)容請下載：http://ihrv.cn/resource/share/2000003803





作者信息：

劉  侃1，何家峰1，蔡高琰2

(1.廣東工業(yè)大學 信息工程學院，廣東 廣州510006；2.廣東浩迪創(chuàng)新科技有限公司，廣東 佛山528200)


此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。