第一作者简介:于铭多，女，硕士生，研究方向:燃气负荷预测。收稿日期:2021－10－11;修回日期:2022－06－12基于Dropout－LSTM模型的城市燃气日负荷预测于铭多，郝学军(北京建筑大学环境与能源应用工程学院，北京100044)摘要:提出采用Dropout技术的长短期记忆神经网络模型(Dropout－LSTM模型)，对城市燃气日负荷进行预测。由于不同时期的燃气日负荷具有不同特点，将全年分为供暖期、过渡期及非供暖期，分别对3个时期的日负荷和影响因素进行相关性分析，确定3个模型的输入特征，建立3个时期的日负荷预测Dropout－LSTM模型，采用平均绝对百分比误差对模型预测效果进行评价。Dropout－LSTM模型可以很好地预测城市燃气日负荷，比BP模型、LSTM模型以及SVM模型有更好的预测效果。与基于全年数据的全年预测模型相比，分时期预测模型预测精度更高。供暖期的燃气日负荷规律性强，对供暖期的日负荷预测精度最高，非供暖期次之，由于过渡期日负荷波动大，预测效果是3个时期中最差的。关键词:燃气日负荷;负荷预测;Dropout－LSTM模型;相关性分析;预测精度中图分类号:TU996．3文献标志码:A文章编号:1000－4416(2023)02－0B10－071概述城市燃气负荷预测指分析燃气负荷特性、预测未来一段时间内用气规律和特征［1］，其中日负荷预测可为燃气短时间内的使用情况提供一定理论依据，便于对燃气合理规划、调配。从燃气负荷预测的研究进程来看，国内外燃气负荷预测研究方法主要分为2种:一是传统的数理方法，如回归分析法、时间序列法等;二是人工智能类方法，主要以机器学习和新兴的信号分析方法等理论为基础，包括支持向量机、人工神经网络等［2］。Gorucu［3］利用多元统计回归法对安卡拉的天然气用量进行了预测;Beyzanur等人［4］提出了一种结合遗传算法(GA)和自回归移动平均(AＲIMA)方法的预测方法，对伊斯坦布尔的天然气消耗量进行预测;郭微等人［5］应用支持向量机方法预测了天然气负荷;Kizilaslan等人［6］通过对几种不同神经网络算法的比较，建立了适合伊斯坦布尔的天然气日负荷预测模型;何恒根等人［7］采用BP神经网络模型进行燃气负荷预测，得到了较高的预测精度。目前神经网络在燃气预测领域应用最为广泛，其中BP等传统神经网络无法识别出数据之间的关联性，因此提出了一种循环神经网络(ＲNN)，主要用于处理和预测序列数据。由于简单的ＲNN具有长期记忆能力不足等问题，有学者研发了一种新型循环神经网络———长短期记忆神经网络(LongShort－TermMemory，LSTM)...
