基于长短期记忆网络的短期空调冷负荷预测

提出了一种基于长期和短期记忆网络（LSTM）的短期空调冷负荷预测模型。只有历史负荷数据用于预测第二天的每小时冷负荷。通过与传统BP神经网络模型的比较，验证了该模型的准确性。为了进一步提高模型的预测精度，对网络结构（包括输入层、输出层和隐层的神经元数量）和预测策略进行了优化，得到了最优的预测模型。结果表明，基于LSTM的预测模型能够实现准确的负荷预测，预测精度高于BP神经网络模型，均方根误差和均方根误差的变异系数分别降低了116%和5.42%。LSTM模型优化结果表明，利用历史7-d负荷数据预测未来1天的小时空调负荷是最佳的投入产出组合选择。当隐层神经元数为60时，模型精度高且相对稳定。逐步输出的预测策略可以减少峰值负荷时的预测误差，提高负荷预测的准确性。