| 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 |
| |
| 引用本文： | 何心毅,郎劲,张颜颜,赵赓楠,赵祥.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[J].冶金自动化,2022(3):48-56. |
| |
| 作者姓名： | 何心毅 郎劲 张颜颜 赵赓楠 赵祥 |
| |
| 作者单位： | 1. 上海宝信软件股份有限公司能环事业部;2. 智能工业数据解析与优化教育部重点实验室(东北大学);3. 工业智能与系统优化国家级前沿科学中心;4. 辽宁省制造系统与物流优化重点实验室;5. 辽宁省智能工业数据解析与优化工程实验室 |
| |
| 基金项目： | 国家自然科学基金重大项目(71790614);国家自然科学基金国际(地区)合作研究项目(71520107004)；;高等学校学科创新引智计划(111计划)(B16009)； |
| |
| 摘 要： | 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。
|
| 关 键 词： | 电力负荷 预测 深度学习 长短期记忆神经网络 序列对序列 钢铁企业 |
|
