基于多尺度时间特征LSTM的短期负荷预测

为了提高样本数据单一情况下的负荷预测精度，提出了基于多尺度时间特征的长短时记忆网络LSTM模型。首先，采用小波分解将历史数据分解为稳定分量、趋势负荷、以及峰-谷周期和持续时间等周期序列，突出不同时间尺度特征；其次，利用LSTM网络实现时间序列特性的进一步提取和数据拟合；最后，模型直接输出多个时刻的预测值。实验表明，相比较于自组织映射、高斯过程回归、标准LSTM模型，所提基于多尺度时间特征的长短时记忆网络模型具有更高的预测精度，同时具有一定的抗噪性能。