基于集成LSTM模型的数据驱动需求预测

基于集成LSTM模型的数据驱动需求预测
电力用户参与电网调度能够有效提升电网灵活性，但其行为的不确定性限制了需求响应的发展。针对此问题，文中首先构建激励型需求响应的实现框架，阐述负荷聚合商(LA)如何整合需求侧资源参与电力市场业务，并将用户随激励政策进行响应的行为转换为需求弹性。然后，基于长短时记忆(LSTM)算法，提出一种集成LSTM的数据驱动的需求弹性预测方法，同时为提升预测模型性能，对源数据进行平滑与缩放处理，并增加损失函数权重系数。算例结果表明，与传统LSTM算法及k近邻预测法相比，文中所提预测方法用于用户需求弹性预测时平均预测误差分别降低了5.33%和28.8%，用于总负荷预测时平均绝对百分比误差(MAPE)分别降低了2.06%和3.09%。同时文中基于集成LSTM分析了平滑、缩放数据预处理对预测精度的影响，结果表明对原始数据进行预处理可有效提升预测精度。

标题：
基于集成LSTM模型的数据驱动需求预测
Data-driven demand prediction based on integrated LSTM model

作者：
胡聪，徐敏，洪德华，王海鑫，刘翠玲，薛晓茹
HU Cong, XU Min, HONG Dehua, WANG Haixin, LIU Cuiling, XUE Xiaoru

关键词：
集成长短时记忆(LSTM)算法;需求弹性;数据预处理;电力市场;激励型需求响应;数据驱动
integrated long short-term memory (LSTM) algorithm;demand elasticity;data preprocessing;power market;incentive-based demand response;data-driven

2025-1-23 19:56 上传 基于集成LSTM模型的数据驱动需求预测.pdf

文件大小:

1.6 MB

下载次数:

60

高速下载