基于Deep AR神经网络时间序列模型的电能消耗预测

来源：江苏大学学报·自然科学版杂志2022年第5期北京时间：

作者：邱禧荷，茹亚军，陈斌，郭韵

单位：1. 上海工程技术大学 电子电气工程学院， 上海 201620； 2. 上海理工大学 机械工程学院， 上海 200093； 3. 上海工程技术大学 机械与汽车工程学院， 上海 201620

摘要：为实现对电能消耗进行准确预测，基于美国PJM公司数据集，采用基于深度自回归循环网络(deep autoregressive recurrent networks，Deep AR)时间序列模型，对Commonwealth Edison公司未来某12 h区间电能消耗进行预测.该模型基于长短期记忆网络(long short term memory network，LSTM)得到数据的分布参数，最后在高斯分布中进行采样，从而得到预测值.采用平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为预测短期电能消耗评价指标，并与差分整合移动平均自回归模型(autoregressive integrated moving average，ARIMA)算法模型和Prophet算法模型进行比较.结果表明：Deep AR算法模型的MAE、RMSE和MAPE分别为 1 070.01、1 279.31和6.12%，预测准确率较高；该算法不仅能够预测未来一段时间的电能消耗，还能预测其概率分布，进一步刻画事件发生的全局性.

关键词：时间序列模型,电能消耗预测,长短期记忆网络,Deep AR,概率分布

基金资助： 国家自然科学基金青年科学基金资助项目(62102241); 上海市扬帆计划项目(19YF1418000); 上海市科委重点专项(19195810800）