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].信息技術與網絡安全,2021,40(10):48-52.
0 引言
電力能源是與人們日常生活息息相關的,然而由于電力能源的調度存在延時性,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)應總結2016年電力生產運行情況,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《中共中央關于制定國民經濟和社會發(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]中提出建設智慧能源系統(tǒng),優(yōu)化電力生產和輸送通道布局,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)產生的歷史用電數(shù)據時間序列,預測未來該地區(qū)的用電量,據相關研究表明,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]、加權法[4]等,這類方法可以有效地處理線性數(shù)據,但是對于非線性數(shù)據的擬合效果不佳。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神經網絡[8]、人工神經網絡[9-11]、卷積神經網絡[12-13]、循環(huán)神經網絡[14-15]和遞歸神經網絡[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合的新方法,組合方法結合了兩類方法的優(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)