基于LSTM-ARIMA组合模型的区域短期用电量预测

• 作者: 刘侃 何家峰 蔡高琰
• 来源期刊: 信息技术与网络安全
• 关键词: 长短期记忆神经网络 差分自回归移动平均模型 组合模型
• 年，卷（期）: 2021,（10）
• 所属期刊栏目: 智能算法|Intelligent Algorithm
• 页码范围: 48-52
• 页数: 5页
• 分类号: TP183
• 语种: 中文
• DOI: 10.19358/j.issn.2096-5133.2021.10.008

摘要

用电数据具有不平稳、非线性的特点,为了提升对用电数据的拟合精度,增强预测能力,基于序列预测与残差修正的思想提出通过长短期记忆神经网络(Long Short-Term Memory Neural Network,LSTM)对用电量序列进行预测,真实值与预测值所构成的差值即残差用差分自回归移动平均模型(Autoregressive Inte-grated Moving Average Model,ARIMA)进行残差修正,将LSTM的预测值与ARIMA的残差修正值进行重构得到最终的预测值.最后利用广东省佛山市某工业园区的用电数据对组合模型进行验证,实验结果显示该模型的预测精度与预测稳定性均优于其他模型,取得了良好的预测效果.