基于C-LSTM的短期用电预测模型和应用

廖锦萍¹,莫毓昌¹,YAN Ke²

1. 华侨大学数学科学学院, 福建 泉州 362000;2. 中国计量大学信息工程学院, 浙江 杭州 310000

发布日期:2021-04-16

作者简介:廖锦萍(1997— ),女,江西吉安人,硕士研究生,主要研究方向为机器学习.E-mail:18270151672@163.com
基金资助:国家自然科学基金项目(61972165);数据科学福建省高校科技创新团队项目(MJK-2018-49);大数据分析与安全泉州市高层次人才团队项目(2017ZT012)

Model and application of short-term electricity consumption forecast based on C-LSTM

LIAO Jinping¹, MO Yuchang¹, YAN Ke²

1. College of Mathematical Sciences, Huaqiao University, Quanzhou 362000, Fujian, China;
2. College of Information Engineering, China Jiliang University, Hangzhou 310000, Zhejiang, China

Published:2021-04-16

摘要/Abstract

摘要： 基于深度学习下的长短期记忆循环神经网络对家庭短期用电预测进行研究。本研究引入卷积神经网络(convolutional neural network, CNN)和长短期记忆(long short term memory, LSTM)模型结合的混合深度神经网络模型C-LSTM,并在此模型基础上提出多步预测策略。根据对5个真实家庭日常用电数据集的研究,C-LSTM实现了以5 min为单位的家庭电力需求预测。通过不断修改模型参数、完善模型,从本研究提供的3种误差指标的分析来看,C-LSTM预测准确性高于自回归集成移动平均模型、支持向量回归模型和LSTM模型。本研究评价模型预测效果的主要依据是平均绝对百分比误差值(mean absolute percentage error, MAPE), 从试验结果可得C-LSTM 模型在5 min的家庭需求电力预测,比支持向量回归模型提升4.63%,比 LSTM提升22.8%,比自回归集成移动平均模型提升 34.74%。因此,C-LSTM模型为智能电网对家庭层面电需求的准确及时预测提供了保障,对推动个性化用电套餐的广泛普及、减少能源浪费产生重要影响。


PDF全文下载地址:

http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=2026