基于 LSTM 网络的阿根廷短期区域电力需求预测

本研究展示了一种基于长短期记忆（LSTM）网络的深度学习模型的开发与优化，用于预测阿根廷科尔多瓦省的短期小时级电力需求。该模型整合了历史消费数据与外生变量（气候因素、时间周期和人口统计数据），实现了高预测精度，平均绝对百分比误差为 3.20%，决定系数为 0.95。周期性时间编码和天气变量的引入被证明对于捕捉季节性模式和极端消费事件至关重要，从而增强了模型的鲁棒性和泛化能力。除了 LSTM 架构的设计与超参数优化外，我们还进行了两项补充分析：(i) 使用随机森林回归进行可解释性研究，以量化外生驱动因素的相对重要性；(ii) 评估模型在预测每日需求最大值和最小值发生时间方面的性能，在超过三分之二的测试日中实现了精确到小时的准确率，并在超过 90% 的情况下误差在 1 小时以内。这些结果共同凸显了所提出框架的预测准确性和运营相关性，为电网运营商在多样化需求场景下寻求优化的规划和控制策略提供了宝贵的见解。