数据驱动洞见：应用LSTM网络为尼加拉瓦不稳定电力预测提供稳健决策
机器学习
2025-12-05 v1 人工智能
摘要
准确的电力预测对维持电网稳定和能源规划至关重要，尤其是在尼加拉瓦贝恩加齐，那里常发生供电中断、发电不足和基础设施限制。本研究提出一种数据驱动方法，用于预测2025年的电力负荷、发电量和缺口。我们利用2019年（不稳定年份）和2023年（更稳定年份）的历史数据。应用了多种时间序列模型，包括ARIMA、季节性ARIMA、动态回归ARIMA、指数平滑、极端梯度提升和长短期记忆（LSTM）神经网络。通过缺失值插值、异常值平滑和对数转换增强数据集。采用均方误差、均方根误差、平均绝对误差和平均绝对百分比误差评估性能。LSTM超越所有其他模型，在建模非平稳和季节性模式方面展现出强大能力。本工作的关键贡献是集成温度和湿度等外生因素的优化LSTM框架，为预测多种电力指标提供稳健性能。这些结果为政策制定者和电网运营商提供了实用见解，以在数据稀缺且波动的地区实现主动负荷管理和资源规划。
引用
@article{arxiv.2507.01034,
title = {Data-driven Insights for Informed Decision-Making: Applying LSTM Networks for Robust Electricity Forecasting in Libya},
author = {Asma Agaal and Mansour Essgaer and Hend M. Farkash and Zulaiha Ali Othman},
journal= {arXiv preprint arXiv:2507.01034},
year = {2025}
}
备注
This article was published in International Journal of Intelligent Systems and Applications (IJISA) (MECS Press), Vol. 17, No. 3, 8 Jun. 2025, DOI: https://doi.org/10.5815/ijisa.2025.03.05