基于ARIMA与LSTM在电力负荷预测中的对比讨论

• 作者: 朱剑飞 孙锦涛 卫科 刘贺龙 李政宇
• 来源期刊: 电气应用
• 关键词: 新型电力系统 负荷预测 回归模型 深度学习
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 理论分析|Theoretical Analysis
• 页码范围: 27-31
• 页数: 5页
• 语种: 中文

摘要

随着新型电力系统的不断发展,电力系统对负荷预测提出了更高的要求.负荷预测作为电力调度日常工作的一部分,在方式调整、供电规划以及用电平衡方面有着重要的作用,而负荷预测的模型选择很大程度上决定了预测准确性的上下限.为了进一步分析对比传统回归模型与深度学习模型在电力负荷预测中的优缺点,首先对差分自回归移动平均模型(ARIMA)与长短期记忆神经网络模型(LSTM)进行理论介绍,然后通过比较两种模型在电力负荷预测中的实际应用效果,总结两种方法各自的优缺点,最后对负荷预测的发展方向进行了可行性讨论.