基于长短期记忆网络的短期空调冷负荷预测

摘要：

提出了一种基于长短期记忆网络(LSTM)的短期空调冷负荷预测模型,仅采用历史负荷数据预测未来1 d的逐时冷负荷.通过与传统的BP神经网络模型进行对比,验证其准确性.为了进一步提高模型预测精度,对网络结构(包括输入层、输出层及隐含层神经元数量)与预测策略进行了优化,获得最优的预测模型.结果表明,基于LSTM的预测模型可实现准确的负荷预测,且与BP神经网络模型相比,预测精度更高,均方根误差和均方根误差的变异系数分别降低116 kW和5.42％.对LSTM模型优化的结果表明:利用历史7 d负荷数据预测未来1 d的逐时空调负荷是最佳的输入输出组合选择;隐含层神经元数量为60时,模型精度较高且较为稳定;采用分步输出的预测策略能降低峰值负荷时的预测误差,提高负荷预测精度.

关键词：空调、冷负荷预测、预测模型、长短期记忆网络、神经网络、神经元、均方根误差

所属期刊栏目：52

分类号：S722;TS101.9;TP301.6

在线出版日期：2022-05-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：132-137