基于RF变量选择与LSTM回归的长期用电量预测模型

由于当前长期用电量预测方法难以解决变量选择问题,造成用电量预测结果不准确,为此将随机森林(RF)算法变量选择与长短期记忆(LSTM)网络回归两者结合,设计基于RF变量选择与LSTM回归的长期用电量预测模型。采用RF方法对单一变量的重要性进行评估,获取各项影响因素与用电量之间的相关系数,然后选取其中取值较高的变量作为用电量预测的依据。结合RF变量选择结果,分析动力系统理论,采用收敛交叉映射方法研究用电量与工业发展水平、温度等因素之间的关系,基于各因素之间的关系结合LSTM回归方法,组建用电量预测模型,实现长期用电量预测。研究结果表明,与传统方法相比,所设计模型的用电量预测精度与预测效率较高,能够快速、准确地完成长期用电量预测,表明该模型的应用价值更高。

基于综合能源计量大数据的中长期用电量预测

基于“双碳”目标,实现经济社会发展与能源电力工业发展的协调统一是当前的重要任务。文章以某区域综合能源计量平台为基础,基于区域负荷数据、工业企业数据及居民用电数据等多源异构数据源,采用多时间序列预测法进行中长期用电量预测的研究。主要从数据预处理、模型构建及样本筛选3个方面开展工作,通过建立中长期用电量预测指标体系,构建多时间序列建模方法和基于机器学习理论的模型参数优化方法,实现对该区域中长期用电量进行高效、高精度的预测。