《电子技术应用》
您所在的位置：首页 > 其他 > 设计应用 > 基于LSTM-ARIMA组合模型的区域短期用电量预测
基于LSTM-ARIMA组合模型的区域短期用电量预测
信息技术与网络安全 10期
刘 侃1，何家峰1，蔡高琰2
(1.广东工业大学 信息工程学院，广东 广州510006；2.广东浩迪创新科技有限公司，广东 佛山528200)
摘要： 用电数据具有不平稳、非线性的特点，为了提升对用电数据的拟合精度，增强预测能力，基于序列预测与残差修正的思想提出通过长短期记忆神经网络(Long Short-Term Memory Neural Network，LSTM)对用电量序列进行预测，真实值与预测值所构成的差值即残差用差分自回归移动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)进行残差修正，将LSTM的预测值与ARIMA的残差修正值进行重构得到最终的预测值。最后利用广东省佛山市某工业园区的用电数据对组合模型进行验证，实验结果显示该模型的预测精度与预测稳定性均优于其他模型，取得了良好的预测效果。
中图分类号： TP183
文献标识码： A
DOI： 10.19358/j.issn.2096-5133.2021.10.008
引用格式： 刘侃，何家峰，蔡高琰. 基于LSTM-ARIMA组合模型的区域短期用电量预测[J].信息技术与网络安全，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.，Foshan 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 

电力能源是与人们日常生活息息相关的，然而由于电力能源的调度存在延时性，导致电力资源没有进行合理分配，电力浪费与短缺的两极化现象依然存在。针对这些问题，发展改革委[1]在2016年提出电力企业应总结2016年电力生产运行情况，分析预测2017年电力供需形势，提出政策建议，形成分析预测报告以达到合理调配电力资源，提高电力资源的利用率的目的。国家在《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》[2]中提出建设智慧能源系统，优化电力生产和输送通道布局，提升新能源消纳和存储能力，因此基于历史的用电量数据对未来的用电趋势进行预测是十分必要的。区域用电量预测是指通过该地区产生的历史用电数据时间序列，预测未来该地区的用电量，据相关研究表明，预测误差增加，将会提高电力预测的成本，因此提升用电量预测的精确度是十分必要的。

目前应用于电量预测的方法主要分为三类，第一类为时间序列分析方法，包括指数平滑法[3]、加权法[4]等，这类方法可以有效地处理线性数据，但是对于非线性数据的拟合效果不佳。第二类为智能算法，智能算法可分为机器学习方法与深度学习方法，其中应用于预测的机器学习方法有支持向量机算法[5]、随机森林算法[6]、集成算法[7]；深度学习方法有BP神经网络[8]、人工神经网络[9-11]、卷积神经网络[12-13]、循环神经网络[14-15]和递归神经网络[16-19]等。智能算法能较好地处理非线性问题，但是在计算速度与鲁棒性方面仍需进一步改进。第三类为组合方法，组合方法是指将第一类与第二类方法结合的新方法，组合方法结合了两类方法的优点，能较好处理非线性问题又能同时提高智能算法的计算速度与鲁棒性。




本文详细内容请下载：http://www.chinaaet.com/resource/share/2000003803





作者信息：

刘  侃1，何家峰1，蔡高琰2

(1.广东工业大学 信息工程学院，广东 广州510006；2.广东浩迪创新科技有限公司，广东 佛山528200)


此内容为AET网站原创，未经授权禁止转载。

相关内容