采用长短期记忆深度学习模型的工业负荷短期预测方法

工业负荷不同于其他电力负荷,受气温、时间、人口等外部因素的影响较小,其功率需求主要由相关企业的生产计划来决定。在电力市场环境下,准确的负荷预测有助于工业用户更好地制定电力交易策略,从而增加收益。在此背景下,基于改进的长短期记忆(long short term memory,LSTM)深度学习网络模型,提出了一种工业负荷短期预测算法。首先,在网络层次上构建层数更多即网络层次更深的LSTM深度学习负荷预测模型。接着,在每个LSTM单元构成的隐含层中,采用Dropout技术对神经元进行随机概率失活,并通过正则化有效避免深度学习过拟合问题并改善了模型性能。然后,采用真实的工业用户历史负荷数据对所提算法进行测试,并与已有的短期负荷预测算法进行对比,包括自回归滑动平均模型(auto-regressive and moving average model,ARMA),最邻近回归算法(K nearest neighbor regression,KNN)以及支持向量回归算法(support vector regression,SVR)。仿真结果表明,所提深度学习工业负荷短期预测算法相比于一些现有方法,其预测准确度有明显提升,预测结果的平均绝对百分误差(mean absolute percentage error,M APE)在9%以下。