Modell zur Prognose elektrischer Lasten mit hybriden LSTM-Neuronalen Netzwerken mit Online-Korrektur

Eine genaue Prognose elektrischer Lasten ist von großer Bedeutung für den effizienten Betrieb und die Steuerung moderner Energiesysteme. In dieser Arbeit wird ein hybrides, auf Long Short-Term Memory (LSTM) basierendes Modell mit Online-Korrektur zur Prognose elektrischer Lasten für den folgenden Tag entwickelt. Zunächst werden vier Arten von Merkmalen aus dem ursprünglichen Datensatz elektrischer Lasten extrahiert, darunter historische Zeitreihen, zeitliche Indexmerkmale, historische statistische Merkmale und Ähnlichkeitsmerkmale. Anschließend wird ein hybrides LSTM-basiertes Prognosemodell für elektrische Lasten entworfen, in dem ein LSTM-Neuronales Netzwerk und ein vollverbundenes neuronales Netzwerk integriert sind, die sowohl temporale Merkmale (historische Zeitreihen) als auch nicht-temporale Merkmale (die übrigen Merkmale) modellieren können. Ein auf Gradientenregularisierung basierender Offline-Trainingsalgorithmus und eine Online-Modellkorrektur-Methode zur Feinabstimmung der Ausgabeschichtparameter werden entwickelt, um die Fähigkeiten des Modells zur Abwehr von Störungen zu verbessern und sich an die neuesten Lastdatenverteilungen anzupassen, wodurch die Prognosegenauigkeit erhöht wird. Schließlich werden umfangreiche Experimente durchgeführt, um die Wirksamkeit der vorgeschlagenen Prognosestrategie für elektrische Lasten mit überlegener Genauigkeit im Vergleich zu häufig verwendeten Prognosemodellen zu validieren.