基于Deep AR神经网络时间序列模型的电能消耗预测

摘要：

为实现对电能消耗进行准确预测,基于美国PJM公司数据集,采用基于深度自回归循环网络(deep autoregressive recurrent networks,Deep AR)时间序列模型,对Commonwealth Edison公司未来某12 h区间电能消耗进行预测.该模型基于长短期记忆网络(long short term memory network,LSTM)得到数据的分布参数,最后在高斯分布中进行采样,从而得到预测值.采用平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为预测短期电能消耗评价指标,并与差分整合移动平均自回归模型(autoregressive integrated moving average,ARIMA)算法模型和Prophet算法模型进行比较.结果表明:Deep AR算法模型的MAE、RMSE和MAPE分别为1070.01、1279.31和6.12％,预测准确率较高;该算法不仅能够预测未来一段时间的电能消耗,还能预测其概率分布,进一步刻画事件发生的全局性.

关键词：时间序列模型、电能消耗预测、长短期记忆网络、Deep AR、概率分布

所属期刊栏目：43

分类号：TP391.9(计算技术、计算机技术)

资助基金：国家自然科学基金;上海市扬帆计划;上海市科委重点专项

在线出版日期：2022-09-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：599-603