基于改进长短期记忆神经网络的钢铁企业电力负荷预测方法

钢铁企业的用电负荷受企业生产工况影响较大,区别于传统区域电网的电力负荷预测,其用电负荷不受季节气候的影响,具有用电负荷高、用电波动大、工序变化瞬时冲击性强、扰动强等特点。针对上述特点,将基于长短期记忆神经网络(long short-term memory, LSTM)的序列对序列(sequence to sequence, Seq2Seq)模型应用到电力负荷预测中,提出了LSTM-Seq2Seq负荷预测模型,以解决模型训练时LSTM模型产生的较为严重的过拟合现象。为了避免参数更新时的大幅震荡和更新速度过慢的问题,优化方法采用Adadelta方法。利用某钢铁企业实际负荷数据进行测试,LSTM-Seq2Seq模型准确率能达到97.94%。实验结果表明,本文提出的方法能够提高电力负荷预测精度,提高钢铁企业运行的安全性,降低生产运行成本。