一种基于数据驱动的LSTM 电量预测研究方法

0 引言

电量测量作为企业能源管理的核心监测手段，既是评估生产能效的关键指标，也是优化运营决策的重要依据。传统方案主要采用周期性人工抄表的计量表，存在数据滞后的固有缺陷；而当前兴起的数据驱动建模方法，虽能实现连续监测，却对数据质量具有严苛要求——不仅需要完备的历史数据支撑，更易受现场复杂工况下的噪声干扰影响。因此，构建兼具实时响应能力和强数据适应性的智能电量监测体系，对于实现生产过程的动态优化调控、挖掘潜在节能空间具有迫切现实意义。

在智能制造与能源数字化管理快速发展的背景下，数据驱动建模技术为工业过程监测提供了新的方法。文献 [1] 采用随机深林预测预测电量，文献 [2] 采用最小支持向量机预测电量，文献 [3] 采用 BP神经网络预测电量。文献 [1-3] 验证了数据驱动方法在预测电量时具有较好的效果，但是上述建模方法普遍存在对建模数据要求较高，而测量数据需要各类传感器的配合，经济效益较低。

针对现有技术瓶颈，本文提出基于长短期记忆网络（LSTM）的时序建模架构。相较于传统方法，该方案具有双重突破性：首先，LSTM 特有的门控机制可自主捕获时间序列的长期依赖关系，仅需历史电量单变量即可完成建模，规避了多传感器协同采集的经济负担；其次，网络内部的状态记忆单元能有效抑制数据噪声干扰，在保证预测精度的同时显著降低数据清洗复杂度。为工业企业实现高性价比的能源精细化管理提供了可靠技术路径。

1 LSTM 电量测量模型

1.1 LSTM 原理

LSTM(Long Short-Term Memory) 全称为长短期记忆网络 [4]，该方法通过细胞状态与三个门控单元的高效衔接，实现对时间数据的处理。其中细胞可以传递较长时间的信息、避免数据丢失，输入门决定信息进入细胞、遗忘门决定删除无用的信息、输出门决定信息输出。

1.2 LSTM 电量预测模型建立

首先，输入电量数据的历史时间序列训练数据的原始数据，并对数据利用公式（1）进行归一化处理生成归一化后的训练数据；然后设置 LSTM 模型参数、并用 LSTM 训练模型；最后输出电量预测值。

其中： X_g 为归一化后的 训练数据， x 为 训练数据的原始数据，X_max 训练数据最大值， X_min 是训练数据最小值。

2 实验仿真

为了验证 LSTM 电量测量模型的有效性。采用 2016 年电工数学建模竞赛负荷预测数据集作实验，其中训练集为 2012 年 1 月 1日到 2013 年 7 月 23 日共 570 组，测试集为 2013 年 7 月 24 日到2013 年 9 月 11 日共 50 组，采用 Wavenet 与 LSTM 时间序列与真实值对比结果如图1 所示。

采用预测均方根误差 (RMSE)、平均绝对误差 (MAE) 性能指标验证模型的预测性能，各性能指标计算如式2\~3 所示。

其中： Y_i 为真实值， 为模型预测值， N₁ 为采集样本数。

不同算法的电量测量的RMSE 与MAE 指标，结果如表1。

从表 1 可以看出，LSTM 时间序列电量预测的 RMSE 与 MAE均低于 Wavenet 时间序列电量预测模型，说明 LSTM 时间序列电量预测有较高的建模精度。

3 结论

针对传统电量计量方案中存在人工依赖度高、综合成本居高不下的痛点，本文提出基于长短期记忆网络（LSTM）的时序建模方法。该方案通过自主捕获用电负荷的时序特征关联，预测精度较高，且无需构建复杂的传感器网络，为智能电网建设提供了高性价比的解决方案。

参考文献

[1] 李伟 , 李晓舟 , 樊沛林 , 等 . 基于多头自注意力机制和长短期记忆网络方法的区域售电量预测 [J]. 电力需求侧管理 , 2025,27(1):67-73

[2] 陈涛 , 吕松 , 任廷林 , 等 . 基于最小二乘支持向量机的周用电量预测方法 [J]. 华电技术 , 2020, 42(1):6.

[3] 丁磊明 , 杨晓雷 , 黄金波 , 等 . 基于 BP 神经网络优化的改进灰色模型在电量预测中的应用 [J]. 机电信息 , 2019(36):4.

[4] Yu Y, Si X, Hu C, et al. A review of recurrent neural networks:LSTM cells and network archiectures[J]. Neural computation,2019,31(7):1235-1270.

作者简介：黄帅（1981—），男，汉，辽宁省辽阳市，中级工程师，本科，研究方向：电气运动控制