基于改进LSTM的电力设备状态融合预测模型

摘要：

针对电力大数据存在数据随机缺失进而降低长短期记忆模型(Long Short-term Memory,LSTM)预测准确率的问题,文中提出了一种基于改进LSTM的电力设备状态融合预测模型.该模型先对状态数据进行缺值检测和平稳分析,根据历史数据利用差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model,ARIMA)对缺失的数值进行预测,并将预测的数值补充至相应的缺失位置;将新的完整数据输入到ARIAM模型和改进LSTM模型中以获取两种预测值;根据改进LSTM模型的学习准确率和ARIAM模型的拟合度对预测值进行权重分配,并在此基础上进行状态趋势融合预测.为了验证文中模型的普适性和预估准确性,选择电力负荷数据开展实验,结果表明:基于改进LSTM的电力设备状态融合预测模型在数据完整情况下的预测准确率比ARIAM和LSTM分别提高了 52％和25％,在数据缺失情况下的预测准确率分别提高了 44％和57％.

关键词：数据随机缺失、改进LSTM模型、状态趋势融合预测

所属期刊栏目：60

分类号：TM71(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金;上海市地方院校能力建设项目

在线出版日期：2023-02-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：10-15