基于CNN堆叠双向长短期记忆网络的达卡哈市短期电力需求预测
机器学习
2024-06-12 v1
摘要
精确的电力需求预测（即负荷预测）对于规划和管理电力系统至关重要，涉及选择哪些电力装置投入、规划未来发电容量、提升电网运行以及控制电力消费等多个任务。作为发展中国家，孟加拉国的电力基础设施对其经济增长和就业至关重要。准确的电力需求预测对于确保该国拥有可靠可持续的电力供应，以满足不断增长的人口和经济需求至关重要。能源系统的复杂性和非线性行为阻碍了精确算法的创建。在此背景下，本文旨在提出一种基于卷积神经网络（CNN）和堆叠双向长短期记忆网络（BiLSTM）架构的混合模型，用于精准预测达卡哈市的短期电力需求。短期预测通常用于预测未来几小时到几周的负荷。由于这些模型对输入范围敏感，本文还研究了归一化技术。与本研究中使用的其他基准模型（LSTM、CNN-BiLSTM和CNN-LSTM）相比，所提出的方法在预测效果上取得最佳结果，分别实现MAPE 1.64%、MSE 0.015、RMSE 0.122和MAE 0.092。该方法的结果在负荷预测方面优于一些现有工作。
关键词
引用
@article{arxiv.2406.06651,
title = {Short-Term Electricity Demand Forecasting of Dhaka City Using CNN with Stacked BiLSTM},
author = {Kazi Fuad Bin Akhter and Sadia Mobasshira and Saief Nowaz Haque and Mahjub Alam Khan Hesham and Tanvir Ahmed},
journal= {arXiv preprint arXiv:2406.06651},
year = {2024}
}