洪小林

(河海大学 理学院，江苏 南京 210098)

电力需求预测是智能电网的重要组成部分。通过应用智能电网系统可以有效地管理电能并提高经济效益，智能电网中的电能调度管理要求预测不同设施的电力需求。电力需求波动性评估与智能需求响应相互作用，实时监测电能并管理电能需求[1]。预测电能使用量以确保充足的电能供应与提高电能效率密切相关，准确预测电能需求可以减少能源浪费，提高能源利用的可持续性。

文献[2]使用支持向量机(SVM)和用电数据对电力需求进行了预测。然而，仅使用机器学习算法无法识别特定时区的变化，因此仅从历史用电数据很难准确预测电力需求。文献[3]通过预测每个时区电力需求波动来提高准确性。同时，电力需求预测系统还需进行数据采集、预处理、特征提取等各个环节，因此电力需求预测系统需要耗费大量的时间和计算[4]。由于每个用电设施都有各自的使用模式，而且用电量、详细用电量和额定容量各不相同[5]，因此，还需通过深度学习对电力需求波动性进行分析。文献[6]按季节、日、月和小时对数据进行分析后发现电力需求的波动模式。

本文基于深度学习对每个用电设施进行了电力需求预测，以长短期记忆网络(LSTM)深度学习方法为基础，利用混合数据抽样(MIDAS)方法对自回归分布滞后(ARDL)进行改进，提出了LSTM+MIDAS模型的电力需求预测方法。通过收集住宅、工厂、医院和市政厅等4个设施的电力需求来计算每种电力需求使用模式的预测精度。……