Ein hybrides RNN-Modell für die mittel- bis langfristige Vorhersage des Strombedarfs unter Berücksichtigung von Wettereinflüssen

Zusammenfassung Im täglichen Stadtbetrieb sollte die Stromversorgung unterbrechungsfrei sein, was das moderne Energiemanagement vor Herausforderungen stellt. Die Prognose des Energiebedarfs kann die Strategie des Energiemanagements optimieren und die Energieeffizienz verbessern. Das traditionelle LSTM-Modell, das auf einer Codierungs-Decodierungs-Struktur basiert, codiert alle historischen Informationen als Vektor fester Länge, was zum Informationsverlust führt, wenn der vorhergesagte Wert von den Merkmalen abhängt die weit in der Vergangenheit liegen. Dies ist bei Energieprognosen aufgrund der Periodizität des Energieverbrauchs üblich. Um das oben genannte Problem zu lösen und das Potenzial der Betriebsdaten von Kraftwerken für Energievorhersagen vollständig auszuschöpfen, wird in diesem Artikel ein Energievorhersagemodell vorgeschlagen, das auf dem Aufmerksamkeitsmechanismus basiert. Ausgehend von der traditionellen Codierungs-Decodierungs-Architektur wird der räumliche und zeitliche Aufmerksamkeitsmechanismus eingeführt, um die räumlichen und zeitlichen Eigenschaften, die für den vorhergesagten Wert am relevantesten sind, adaptiv auszuwählen. Die experimentellen Ergebnisse zeigen, dass bei der Vorhersage des Strombedarfs von Shanghai für die nächsten 100 Tage, der Fehler des Hybridmodells 25,8 % niedriger ist als der des traditionellen LSTM-Modells. Darüber hinaus zeigt der Fehlertrend des Hybridmodells im Laufe der Zeit auch eine stärkere Stabilität als das herkömmliche Modell.