基于数据序列分辨率压缩尺度优化的月度电量预测方法

摘要

准确的月度电量预测是指导电力部门安排运行计划和保障售电公司盈利能力的关键基础.针对基于人工智能算法电量预测模型在训练过程中存在样本分辨率选择不当导致预测精度降低的问题,提出了一种历史数据序列分辨率压缩尺度优化方法.首先将数据分辨率压缩尺度选择建模成一个优化问题.然后通过数据驱动方式进行求解.最后再利用长短期记忆(Long Short-term Memory,LSTM)神经网络实现月度电量预测,从而较好地实现了数据分辨率和电量预测步长之间的合理平衡以提升电量预测精度.利用美国PJM电力市场的历史电量数据对所提方法进行验证.仿真结果表明,较不进行分辨率压缩尺度选择所提方法具有更高的预测精度,同时LSTM网络在结合该方法时表现出了最佳的预测性能.