基于LSTM的智能家庭用电预测模型研究

来源:用户上传      作者:周游 徐丹 赵灿 谭宇渲

　　文章编号：2096-1472（2022）-02-39-03
　　DOI：10.19644/j.cnki.issn2096-1472.2022.002.009
　　摘 要：家庭用电是能源市场的一个重要组成部分，预测家庭用电需求能够实现智能供电，可以有效地提高供给率，但目前预测方法大多效果不佳。针对此，提出了一种基于LSTM的面向家庭智能用电预测算法，建立了端到端的智能家庭用电预测模型。其在Boruta特征筛选的基础上设计了特征选择方法，对多个特征进行重要性计算，选取其中重要性高的部分进行建模，然后利用LSTM网络与全连接层对时间序列数据进行训练，得到预测模型。实验结果表明，所提方法的预测效果明显优于其他三种模型，能与真实数据较好地拟合。
　　关键词：智慧能源;用电预测;特征选择;时间序列;LSTM网络
　　中图分类号：TP399 文献标识码：A
　　Research on Smart Power Consumption PredictionModel of Smart Home based on LSTM
　　ZHOU You， XU Dan， ZHAO Can， TAN Yuxuan
　　（Suzhou Power Supply Branch， State Grid Jiangsu Electric Power Limited Company， Suzhou 215004， China）
　　542790714@qq.com; xudan19870725@126.com; 342677492@qq.com; 852901313@qq.com
　　Abstract： Household power consumption is an important part of the energy market. Predicting household power demand can effectively improve energy supply efficiency， but most of the current prediction methods are not effective. To address the problem， this paper proposes an LSTM （Long Short-term Memory）-based power consumption prediction algorithm for smart home， where an end-to-end smart home power prediction model is established based on LSTM. A feature selection method that utilizes Boruta feature screening is also designed. The importance of multiple features is calculated， the most important part of those features is selected for modeling， and then LSTM network and the full connection layer are used to train the time series data to obtain the prediction model. The experimental results show that the prediction effect of the proposed method is significantly better than the other three models， and it can fit the real data well.
　　Keywords： smart energy; power consumption prediction; feature selection; time series; LSTM network
　　1 引言（Introduction）
　　近年恚能源产业正迎来一个新的发展，智慧能源与能源互联网等概念越来越得到重视。智慧能源就是结合信息技术、人工智能技术、大数据技术的新能源模型形态，是能源互联网的基础架构。作为能源市场的主要组成部分，家庭用电的稳定关系着民生问题。对用电量进行全面的理解有助于减少家庭的电费支出，也有利于进行能源合理分配。
　　物联网与人工智能等技术的兴起，以及家庭传感器的广泛采用，积累了大量的时间序列特征数据，可以用来对家庭用电模式进行分析。长短时记忆网络（Long Short Term Memory， LSTM）在处理时间序列预测问题上有明显的优势，可以获得较佳的预测效果。
　　2 相关工作（Related work）
　　进行家庭用电预测常用的预测方法主要包括随机森林（Random Forest， RF）、极限树（ExtraTrees， ET）、差分自回归移动平均模型（Auto Regressive Integrated Moving Average Model， ARIMA）等。
　　2.1 常用预测方法
　　随机森林算法先使用T 个弱分类器分别对T 个由随机采样而来的训练集进行训练，然后对多个弱分类器进行组合，最后由投票或取均值得出最终结果。大量实验表明，随机森林算法通过这种方式使得模型整体的泛化能力及准确度明显优于其他Bagging算法。

转载注明来源:https://www.xzbu.com/1/view-15425109.htm