6、Long Term Load Forecasting with Hourly Predictions based on Long-Short-Term-Memory Networks

亮点：小时级长期预测，置信区间计算

 

每小时预测的长期负荷预测基于长短期记忆网络

长期负荷的传统方法预测主要限于电力负荷数据      每月或每年的粒度

在本文中，一种新的长期负荷方法 建议采用       每小时分辨率进行预测

ISO新英格兰电力市场的时间数据。从2004年到2015年的公开数据为12年，预测从2011年开始，为期五年到2015年滚动

具有平均绝对百分比误差（MAPE）的高精度在   置信区间为2.25％      的情况下为6.54。

 

每月或每年粒度，有限的观测数量无法捕捉影响参数的特征和依赖性电负载因此导致不准确的预测。

长期负荷预测是指预测电力特定区域的负载需求持续时间较长超过一年。
短期负荷预测期限不超过两周。

用于短期负荷预测，包括线性回归，前馈神经网络，神经模糊模型和支持矢量机

基于灰色理论的模型    模糊逻辑和混合神经模型

对于短期负荷预测，前馈神经网络已经能够以高精度预测负载。因此前馈神经网络不是适合长期预测

RNN结构：

y是上一步输出，u是本次输入

这里提到的数据集是公开的，发电和配电系统整个新英格兰地区由ISO管理和运营
新英格兰是一个由六个州组成的地区美国：康涅狄格州，缅因州，罗纳岛，佛蒙特州，马萨诸塞州和新罕布什尔州

 

 

标准误差度量使用平均绝对百分比误差和95％置信度评估间隔。

2004年至2009年的七年数据用于火车组，因此由61320组成样本。 2010年的电力数据被用作测试集，从2011年到2015年的数年滚动预测

在绘制特征重要性时使用Random Forest regressor，这是一个基于树的集合
模型，已经得出结论，小时，月和年指标是有助于决定的重要特征任何特定日的负荷需求。

归一化到[-1,1]范围内的幅度。有助于加快速度

 

该模型由一个调整超参数的穷举搜索方法。

该模型使用的输入形状有24个时间步长和5个特征。

此外，所提出的模型具有三个LSTM层，每层的输出序列作为下一个的输入序列层，每个由15个神经元组成。

激活用于每一层的功能是整流线性单元（RELU）。 三层之后是输出层这是一个没有激活功能的致密层。

Nesterov Momentum applied Gradient Descent optimizer                优化器
学习率为0.01，动量值为0.9 该模型训练了15批号为300的epochs

95%置信区间怎么计算

性能指标

总体：发现整个期间的总MAPE6.54，置信区间为±2.25％，有效拟议模型的能力。 得到的MAPE位于信心带[6.39,6.69]。

该模型被发现高度准确，平均绝对百分比误差为6.54和置信区间为2.25％。

 

 

本研究中提出的模型的性能可以通过将天气参数纳入其中进一步改进训练数据集。但是，为了确保有益
这些数据的贡献，我们需要高度执行以滚动方式准确预测天气参数否则缺点可能超过好处。

该提出LSTM-RNN模型也可以推荐预测长期的区位边际价格电力市场。由于电价波动较大自然比负荷需求，经济等其他几个因素国家的条件和原油价格需要纳入数据集。这个信息随之而来对负载需求的预测可以是非常有利的能源服务提供商也将利润最大化制定更好的长期战略。