基于改進LSTM網絡的電力物資需求預測方法設計

摘要：由于傳統的預測方法?；诰€性模型或簡單的時間序列分析，難以處理復雜的非線性關系和時序依賴性，導致電力物資需求預測的準確性較差。提出基于改進長短期記憶網絡（Long Short-Term Memory Network，LSTM）的電力物資需求預測方法。提取電力物資需求的主要影響因素后，對影響因素數據進行一系列預處理，生成高質量的樣本數據集；構建一個LSTM網絡模型，并采用遺傳算法優化模型參數，形成改進LSTM網絡模型，輸入樣本數據后，輸出物資需求預測結果。實驗結果表明，設計方法下電力物資需求預測結果的平均絕對百分比誤差僅為0.64%，證明該方法具有較高的預測精度。

關鍵詞：改進LSTM網絡 電力物資 物資需求 需求預測

中圖分類號：F252.21文獻標識碼：A

Design of Electric Power Material Demand Forecasting Method Based on Improved LSTM Network

LIU Lijun ZHANG Libo

Taiyuan Power Supply Company of State Grid Shanxi Electric Power Company， Taiyuan， Shanxi Province， 030001 China

Abstract： Due to the fact that traditional forecasting methods are often based on linear models or simple time series analysis， which is difficult to handle complex nonlinear relationships and temporal dependencies， resulting in poor accuracy of electricity material demand forecasting. This article proposes a power material demand forecasting method based on improved Long Short-Term Memory Network （LSTM）. After extracting the main influencing factors of electricity material demand， a series of preprocessing is carried out on the influencing factor data to generate a high-quality sample dataset; Build an LSTM network model and optimize the model parameters using genetic algorithm to form an improved LSTM network model. After inputting sample data， output the material demand forecasting results. The experimental results show that the average absolute percentage error of the power material demand forecasting results under the design method is only 02eda3c9b4d047c7f9a921cf1b9bd61d6faa18b57999ad5b4bdc4514eb33ef3f6.64%， proving that this method has high forecasting accuracy.

Key Words： Improved LSTM network; Power supplies; Material demand; Demand forecasting

電力需求隨經濟和人口增長而持續增長，因此，確保電力系統穩定運行至關重要。宋鑫磊等人[1]將周期性自回歸差分移動平均模型（Seasonal Autoregressive Integrated Moving Average，SARIMA）和自適應網絡模糊推理系統（Adaptive Network-based Fuzzy Inference System，ANFIS）這兩種預測方法進行結合，構建了一個組合預測模型，進行電力物資需求的預測；馬龍等人[2]構建了一個新陳代謝灰色馬爾科夫預測模型，對物資需求進行預測，預測結果和實際需求量的擬合度較高；蘇振宇等人[3]引入了協整理論和誤差修正模型，解決了傳統電力需求預測模型中偽回歸的問題，實現了月度電力需求的精準預測。但隨著我國電網技術的不斷發展，對電力物資需求越嚴格，傳統預測方法在面對非線性、時序性等因素對預測結果的影響時無法給出令人滿意的結果。所以，本文提出一種基于改進長短期記憶網絡（Long Short-Term Memory Network，LSTM）網絡的電力物資需求預測方法，為電力企業的決策提供科學的依據。

1 提取電力物資需求影響因素

在研究電力物資需求預測方法時，本文需要提取電力物資需求的影響因素[4]。采用歷史數據的相關性指標分析方法，系統地收集近幾年的電力物資需求數據，通過計算各項影響因素與物資需求量之間的相關性，確定影響因素，其公式如下。

2 預處理影響因素數據

本章對提取的電力物資需求影響因素數據進行相應的預處理操作[6]。針對原始影響因素數據中因漏填造成的缺失值，采用插值法進行填充處理，插值法能夠利用數據中的信息，通過數學公式計算缺失值，使得數據更加平滑。假設給定的原始影響因素數據個數據點，那么，具體的插值公式如下式所示：

式中，表示原始影響因素數據的拉格朗日插值公式。如式（2）所示，拉格朗日插值法就是根據已知的離散數據點來構建多項式，再通過該多項式來逼近數據點之間未知的缺失值，以此完成原始電力物資需求影響因素數據缺失值的填充處理。采取中位數法進行修正處理，對數據進行歸一化處理，具體處理公式如下。

式中：表示歸一化后的電力物資需求影響因素數據；、分別表示原始電力物資需求影響因素數據中的最小值和最大值。如式（3）所示，用最大-最小歸一化將原始電力物資需求影響因素數據轉換為一個標準化的范圍，消除不同特征之間的量綱差異。

3 構建改進LSTM網絡模型預測物資需求

傳統的LSTM網絡在實際應用中存在參數優化困難、易陷入局部最優等問題，所以，本文提出一種基于遺傳算法優化的改進LSTM網絡。

首先，構建一個基礎LSTM網絡模型，用于捕獲物資需求數據中的時序依賴關系，在該模型中主要設置了輸入、遺忘和輸出這3個關鍵門結構，其中，輸入門主要由激活函數組成，表達式如下所示：

式中：、分別表示LSTM輸入門在時刻的輸入和輸出；表示Logistic激活函數；、分別表示LSTM輸入門和遺忘門的權值；表示在時刻LSTM模型遺忘門外部狀態；表示輸入門的偏置。

然后是遺忘門，由激活函數決定，公式如下：

式中：表示LSTM遺忘門的權值；表示遺忘門的偏置。

最后是輸出門，可以將輸出結果傳遞給外部狀態，所以，其表達式如下式所示：

式中：表示LSTM輸出門的輸出；、分別表示LSTM輸出門的權值和偏置；表示在時刻LSTM模型的細胞狀態。盡管LSTM在預測物資需求上有優勢，但其參數配置優化困難，限制預測精度。

4 仿真實驗

4.1 實驗準備

選擇基于LSTM網絡的電力物資需求預測方法和基于反向傳播（Back Propagation，BP）神經網絡的電力物資需求預測方法作為設計方法的對照組，展開電力物資需求預測的仿真對比實驗。首先，在MATLAB軟件搭建本次仿真實驗的環境，配置參數如表2所示。

其次，收集某歷史臺風事件中多種電力物資的需求量作為實驗數據集，具體情況如表3所示。

實驗中，選擇上表的6種不同電力物資的需求情況作為實驗對象，分別采用基于改進LSTM網絡的預測方法、基于LSTM網絡的預測方法和基于BP神經網絡的預測方法進行這6種電力物資需求預測，根據預測結果，判斷本文設計方法的有效性。

4.2 實驗結果

實驗中，首先，分別建立改進LSTM網絡預測模型、LSTM網絡預測模型和BP神經網絡預測模型；其次，使用3種模型對樣本數據進行訓練；最后，采用訓練好的模型對電力物資需求進行預測。所得最終預測結果如圖1所示。

圖1 電力物資需求預測結果對比

從圖1可以看出，與標準LSTM網絡預測模型和BP神經網絡預測模型相比，本文設計的改進LSTM網絡預測模型在電力物資需求預測精度方面表現最好。因此，在實際應用中，改進LSTM可以為電力物資需求預測提供可靠的方法，為電力企業提供更加科學和可靠的決策依據，提高電力系統的運行效率和穩定性。

5 結語

綜上所述，本文設計了一種基于改進LSTM網絡的電力物資需求預測方法。本文構建了改進LSTM網絡模型，該模型以電力物資需求影響因素數據為輸入向量，經過訓練學習后，得到電力物資需求量的輸出結果，并通過實驗驗證了該方法的有效性和準確性。改進LSTM網絡在處理復雜非線性關系和時序依賴性方面表現出色，能夠提高電力物資需求預測的精度和穩定性。未來，需進一步優化模型結構，以提高電力物資管理的效率和準確性。

參考文獻

[1] 宋鑫磊，黎莫林，詹勤輝，等.基于SARIMA與ANFIS組合方法的電力物資需求預測[J].機械設計，2022，39（6）：66-72.

[2] 馬龍，秦寶東，盧娜，等.基于新陳代謝灰色馬爾科夫的應急物資需求量預測方法[J].系統仿真學報，2023，35（2）：229-240.

[3] 蘇振宇，林軍.考慮氣象因素的月度電力需求預測方法[J].數理統計與管理，2023，42（2）：315-325.

[4] 王林，王燕麗，安澤遠.改進粒子群算法優化回聲狀態網絡的電力需求預測研究[J].計算機工程與科學，2022，44（8）：1457-1466.

[5] 陸建忠，姚穎蓓，薛季良，等.國際經貿規則重構及碳達峰背景下的華東地區電力需求分析及預測[J].地域研究與開發，2023，42（1）：13-19.

[6] 魏巍，賀雷永，李垂輝.基于遺傳算法和灰色神經網絡的電力機車產品需求預測方法[J].包裝工程，2022，43（12）：37-44.