基于定制化 LSTM 与 GRU 模型的家庭电力消费短期预测
机器学习
2022-12-20 v1 神经与进化计算
信号处理
摘要
随着电力系统向更智能、更具交互性的系统演进，并在可再生能源渗透率提高的情况下灵活性不断增强，短期尺度的需求预测在未来电网的设计与管理中将不可避免地变得愈发关键，尤其是在单个家庭层面。与大规模居民负荷的聚合用电不同，预测单一能源用户的电力需求因大量易变且不确定的因素而十分困难。本文提出一种定制化的 GRU（Gated Recurrent Unit，门控循环单元）与 Long Short-Term Memory（LSTM，长短期记忆）架构来解决这一难题。LSTM 与 GRU 是相对较新且被广泛采用的深度学习方法。电力消费数据集取自单个家庭智能电表。对比表明，LSTM 模型在家庭级预测中表现优于替代预测技术——本例中的 GRU。为将基于神经网络的模型与传统统计技术模型对比，本研究还构建了基于 ARIMA 的模型，并与 LSTM 和 GRU 模型结果进行基准比较，以展示所提模型在收集的时间序列数据上的性能。
引用
@article{arxiv.2212.08757,
title = {Short-term Prediction of Household Electricity Consumption Using Customized LSTM and GRU Models},
author = {Saad Emshagin and Wayes Koroni Halim and Rasha Kashef},
journal= {arXiv preprint arXiv:2212.08757},
year = {2022}
}
备注
11 pages, 30 Figures and 2 Tables