基于RA-LSTM模型的山西省中长期电力负荷预测
周绍妮
吴优
窦雨菡
郑奕扬
北京交通大学经济管理学院,北京 100044
摘要：准确的中长期电力负荷预测对电力系统的规划和运行至关重要.由于传统方法在非线性特性处理和时序依赖建模方面存在局限,难以全面捕捉负荷数据的复杂特征,因而提出了一种基于残差网络和注意力机制的RA-LSTM 模型.模型通过引入残差连接,缓解梯度消失问题,增强了模型对长时序依赖特征的捕捉能力;同时融合注意力机制,增强了对关键时间点和特征的敏感性.以山西省为案例,构建了融合时间特征和气象要素的数据集,对 RA-LSTM 模型进行了全面评估.实验结果表明,RA-LSTM 模型在均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)及决定系数(R2)等指标上均显著优于基准 BP 模型和传统 LSTM 模型.RA-LSTM 模型的 MAPE、MAE较 BP 模型的分别降低了 41.8%、40.9%,显著提升了模型的预测精度和稳定性.显著性检验结果进一步验证了 RA-LSTM 模型预测结果的科学性,为中长期电力负荷预测提供了一种高效且稳健的解决方案,并为未来探索多特征融合和模型优化提供了理论和实践基础.
关键词：中长期电力负荷预测RA-LSTM模型残差网络注意力机制深度学习
分类号：TM715(输配电工程、电力网及电力系统)
资助基金：国家自然科学基金(72372007)大学生创新创业训练计划项目(202510004169)
论文发表日期：2025-01-30
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：10( 78-87 )
英文信息