基于改进LSTM网络的电力物资需求预测方法设计

摘要：由于传统的预测方法常基于线性模型或简单的时间序列分析，难以处理复杂的非线性关系和时序依赖性，导致电力物资需求预测的准确性较差。提出基于改进长短期记忆网络（Long Short-Term Memory Network，LSTM）的电力物资需求预测方法。提取电力物资需求的主要影响因素后，对影响因素数据进行一系列预处理，生成高质量的样本数据集；构建一个LSTM网络模型，并采用遗传算法优化模型参数，形成改进LSTM网络模型，输入样本数据后，输出物资需求预测结果。实验结果表明，设计方法下电力物资需求预测结果的平均绝对百分比误差仅为0.64%，证明该方法具有较高的预测精度。

关键词：改进LSTM网络 电力物资 物资需求 需求预测

中图分类号：F252.21文献标识码：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

电力需求随经济和人口增长而持续增长，因此，确保电力系统稳定运行至关重要。宋鑫磊等人[1]将周期性自回归差分移动平均模型（Seasonal Autoregressive Integrated Moving Average，SARIMA）和自适应网络模糊推理系统（Adaptive Network-based Fuzzy Inference System，ANFIS）这两种预测方法进行结合，构建了一个组合预测模型，进行电力物资需求的预测；马龙等人[2]构建了一个新陈代谢灰色马尔科夫预测模型，对物资需求进行预测，预测结果和实际需求量的拟合度较高；苏振宇等人[3]引入了协整理论和误差修正模型，解决了传统电力需求预测模型中伪回归的问题，实现了月度电力需求的精准预测。但随着我国电网技术的不断发展，对电力物资需求越严格，传统预测方法在面对非线性、时序性等因素对预测结果的影响时无法给出令人满意的结果。所以，本文提出一种基于改进长短期记忆网络（Long Short-Term Memory Network，LSTM）网络的电力物资需求预测方法，为电力企业的决策提供科学的依据。

1 提取电力物资需求影响因素

在研究电力物资需求预测方法时，本文需要提取电力物资需求的影响因素[4]。采用历史数据的相关性指标分析方法，系统地收集近几年的电力物资需求数据，通过计算各项影响因素与物资需求量之间的相关性，确定影响因素，其公式如下。

2 预处理影响因素数据

本章对提取的电力物资需求影响因素数据进行相应的预处理操作[6]。针对原始影响因素数据中因漏填造成的缺失值，采用插值法进行填充处理，插值法能够利用数据中的信息，通过数学公式计算缺失值，使得数据更加平滑。假设给定的原始影响因素数据个数据点，那么，具体的插值公式如下式所示：

式中，表示原始影响因素数据的拉格朗日插值公式。如式（2）所示，拉格朗日插值法就是根据已知的离散数据点来构建多项式，再通过该多项式来逼近数据点之间未知的缺失值，以此完成原始电力物资需求影响因素数据缺失值的填充处理。采取中位数法进行修正处理，对数据进行归一化处理，具体处理公式如下。

式中：表示归一化后的电力物资需求影响因素数据；、分别表示原始电力物资需求影响因素数据中的最小值和最大值。如式（3）所示，用最大-最小归一化将原始电力物资需求影响因素数据转换为一个标准化的范围，消除不同特征之间的量纲差异。

3 构建改进LSTM网络模型预测物资需求

传统的LSTM网络在实际应用中存在参数优化困难、易陷入局部最优等问题，所以，本文提出一种基于遗传算法优化的改进LSTM网络。

首先，构建一个基础LSTM网络模型，用于捕获物资需求数据中的时序依赖关系，在该模型中主要设置了输入、遗忘和输出这3个关键门结构，其中，输入门主要由激活函数组成，表达式如下所示：

式中：、分别表示LSTM输入门在时刻的输入和输出；表示Logistic激活函数；、分别表示LSTM输入门和遗忘门的权值；表示在时刻LSTM模型遗忘门外部状态；表示输入门的偏置。

然后是遗忘门，由激活函数决定，公式如下：

式中：表示LSTM遗忘门的权值；表示遗忘门的偏置。

最后是输出门，可以将输出结果传递给外部状态，所以，其表达式如下式所示：

式中：表示LSTM输出门的输出；、分别表示LSTM输出门的权值和偏置；表示在时刻LSTM模型的细胞状态。尽管LSTM在预测物资需求上有优势，但其参数配置优化困难，限制预测精度。

4 仿真实验

4.1 实验准备

选择基于LSTM网络的电力物资需求预测方法和基于反向传播（Back Propagation，BP）神经网络的电力物资需求预测方法作为设计方法的对照组，展开电力物资需求预测的仿真对比实验。首先，在MATLAB软件搭建本次仿真实验的环境，配置参数如表2所示。

其次，收集某历史台风事件中多种电力物资的需求量作为实验数据集，具体情况如表3所示。

实验中，选择上表的6种不同电力物资的需求情况作为实验对象，分别采用基于改进LSTM网络的预测方法、基于LSTM网络的预测方法和基于BP神经网络的预测方法进行这6种电力物资需求预测，根据预测结果，判断本文设计方法的有效性。

4.2 实验结果

实验中，首先，分别建立改进LSTM网络预测模型、LSTM网络预测模型和BP神经网络预测模型；其次，使用3种模型对样本数据进行训练；最后，采用训练好的模型对电力物资需求进行预测。所得最终预测结果如图1所示。

图1 电力物资需求预测结果对比

从图1可以看出，与标准LSTM网络预测模型和BP神经网络预测模型相比，本文设计的改进LSTM网络预测模型在电力物资需求预测精度方面表现最好。因此，在实际应用中，改进LSTM可以为电力物资需求预测提供可靠的方法，为电力企业提供更加科学和可靠的决策依据，提高电力系统的运行效率和稳定性。

5 结语

综上所述，本文设计了一种基于改进LSTM网络的电力物资需求预测方法。本文构建了改进LSTM网络模型，该模型以电力物资需求影响因素数据为输入向量，经过训练学习后，得到电力物资需求量的输出结果，并通过实验验证了该方法的有效性和准确性。改进LSTM网络在处理复杂非线性关系和时序依赖性方面表现出色，能够提高电力物资需求预测的精度和稳定性。未来，需进一步优化模型结构，以提高电力物资管理的效率和准确性。

参考文献

[1] 宋鑫磊，黎莫林，詹勤辉，等.基于SARIMA与ANFIS组合方法的电力物资需求预测[J].机械设计，2022，39（6）：66-72.

[2] 马龙，秦宝东，卢娜，等.基于新陈代谢灰色马尔科夫的应急物资需求量预测方法[J].系统仿真学报，2023，35（2）：229-240.

[3] 苏振宇，林军.考虑气象因素的月度电力需求预测方法[J].数理统计与管理，2023，42（2）：315-325.

[4] 王林，王燕丽，安泽远.改进粒子群算法优化回声状态网络的电力需求预测研究[J].计算机工程与科学，2022，44（8）：1457-1466.

[5] 陆建忠，姚颖蓓，薛季良，等.国际经贸规则重构及碳达峰背景下的华东地区电力需求分析及预测[J].地域研究与开发，2023，42（1）：13-19.

[6] 魏巍，贺雷永，李垂辉.基于遗传算法和灰色神经网络的电力机车产品需求预测方法[J].包装工程，2022，43（12）：37-44.