用电量预测是发电厂、供电网络制定合理的发电、输电计划，避免电力资源浪费的重要措施，而智能电网的发展及大数据技术，使得用电量预测结果更为准确[1]。本研究探索LSTM神经网络，分析在这一模型上预测用电量的准确性，以供参考。
一、LSTM神经网络概述
LSTM神经网络的全称为Long Short-Term Memory，为长短时记忆网络，是为解决信息内部存在的依赖关系在时间上有较大跨度，导致梯度爆炸、消失等问题，进而改进循环神经网络隐藏层，从而促使这一网络能够对长时间的依赖关系信息进行处理的研究方法。LSTM神经网络包含三层，第一层为输入层，第二层为隐藏层，第三层为输出层，在第二层中，研究人员将门控机制引入其中，进而对循环神经网络中梯度消失这一现象予以规避[2]，隐藏层结构见图1。
图1：LSTM神经网络中隐藏层的内部结构图
隐藏层内部存在的门控结构共有三种，分别是：（1）遗忘门：以特定概率选择，是否遗忘之前细胞状态；（2）输入门：选择性向细胞状态中存放时刻t输入的信息；（3）输出门：对时刻t需要输出的信息予以确定。
基于上述结构构建，LSTM神经网络能够对历史记忆单元内信息分配予以妥善协调，相较于循环神经网络，LSTM神经网络对记忆的协调性能更为突出。同时，LSTM神经网络在时间序列学习、信息选择上，均占有明显优势[3]。
二、基于LSTM神经网络的用电量预测
在自然界中，因果关系普遍存在，属于基本关系之一，这一关系对于科学研究而言，同样能够发挥重要作用。基于LSTM神经网络的用电量预测，是基于因果关系展开的分析[4]，首先需要分析可能影响用电量的诸多因素，可以说，天气是对用电量影响最为突出的因素[5]，为保证分析的严谨性，本研究假设只有天气这一种因素会对用电量造成影响。通过交叉映射算法，对用电量和天气这一因素之间的关系展开分析，之后构建模型，预测未来的用电量。
1.因果关系分析
本次研究采集相对湿度、温度、降水、风速等天气相关因素的数据，和日用电量数据，从动力学角度分析因果关系，通过交叉收敛算法（CCM）进行核算。CCM思想：一个确定性系统就算混沌，在一定程度上，短期内仍可对其进行预测，故而可用来进行因果分析。
假如存在2个时间序列，分别是：
和
按照Takens嵌入定理，通过时间延迟坐标的方法，对相空间重新构建，获取拓扑等价重构流形，
与
在本次研究中，若X为Y的“因”，X所有信息，均可在Y重构流形内含括，且通过对Y重构流形，对X情况进行判断。在重构相空间中，L大小的 
和 
，分别是X、Y的影子流形。CCM需分析
内 
的位置信息，能否对对应 
进行评估。若L不断变大，那么
中所含点不断变动，这时提供的信息数量也会逐渐增多，若Y为“X”的因，则的数值会更为精确。如果上面的估计中，收敛性及准确度能够同时达到要求，则可以说，Y为“X”的因；反之，可以同样展开分析。
2.验证
为验证CCM因果分析结果的准确性，本研究对A市2010年1月1日，到2017年1月1日的用电量数据进行收集，并且将日用电量和同期的降水情况、风速、温度、相对湿度等各项指标的日均数据展开对比，通过CCM实施动力学因果分析，结果发现，从动力学因果角度上，对于用电量而言，温度是其“因”，其他的因素并非是用电量的“因”，而且用电量并非降水情况、风速、温度、相对湿度等各项指标的“因”。
3.基于LSTM神经网络的用电量预测
LSTM神经网络是一种特殊循环神经网络，和循环神经网络比，LSTM的时间记忆能力更好，在长期时间序列分析中，能够发挥重要价值。在LSTM前向传播中，其过程如下：
输入门、遗忘门、神经元及输出门的公式为（1）、（2）、（3）、（4）：
（1）
（2）
（3）
（4）
仍然采用A市2010年1月1日到2017年1月1日的用电量数据进行分析。首先以日用电量数据为基础，构建LSTM神经网络的模型，通过模型对其未来用电量进行预测。
3.1模型构建
以60天窗口重构原始的用电量数据，获得数据库，重构之后，序列为length（数据库）-60+1的子序列集。对重构序列均值、方差特点进行计算，将重构序列中的方差及均值，输入到LSTM神经网络中，输入的维数是62。输出层的维数是1，损失函数是L2的误差函数。激活函数是ReLU，借助批量梯度下降的方法进行学习，ReLUctant（x）=max（0，x）。
3.2用电量预测
通过模型来对用电量进行预测，分别预测2018年1月1日至2018年12月31日、2019年1月1日至2019年12月31日、2020年1月1日至2020年12月31日共三个时间段。在第一个时间段内，这一模型对2018年以前的用电量日数据（全部数据）进行深度学习；第二个时间段，则学习2019年以前的用电量日数据；第三个时间段，学习2020年以前的用电量日数据。预测结果中的相对误差，为（预测用电量-实际用电量）/实际用电量。
2018年到2020年A市的预测结果见表1。从表中可以看出，借助LSTM神经网络系统对A市的用电量进行预测，相对误差较小，为0.02、0.01，可见预测结果的准确性较高。
表1：2018年到2020年A市用电量预测结果（单位：万千瓦时）
3.3模型改进
因为温度为用电量的“因”，因此在使用中，可对对LSTM神经网络模型进一步改进，改进为：
Data=[data energy,data temperature]
根据这一模型重新预测，结果为表2。可见相对误差进一步缩小，效果明显。
表2：改进模型后2018年到2020年A市用电量预测结果（单位：万千瓦时）
三、结束语
在基于LSTM神经网络预测用电量时，首先需要根据因果分析，确定天气中哪些因素可对用电量造成影响，之后构建分析模型，综合过往用电量数据，并且结合因果分析结果对模型进行改进，能够提升预测用电量的准确性，这在城市用电量预测中，能够发挥巨大价值。
参考文献：
[1]章熙, 郭翔, 万会江,等. 一种基于BP神经网络的地区用电量预测方法研究[J]. 无线互联科技, 2019(17):120-122.
[2]毛锦伟, 梁甲, 张修文. 基于SOM-RBF神经网络的用电量预测模型研究[J]. 安徽电气工程职业技术学院学报, 2020(001):35-41.
[3]]吴紫微. 基于改进神经网络的用电量预测模型的研究[J]. 福建质量管理, 2019(001):289,87.
[4]李燕斌, 万亚宁, 肖俊明,等. 基于PSO优化BP神经网络的光伏发电量预测[J]. 中原工学院学报, 2019(004):75-79.
[5]刘如慧, 姜军, 王剑峰,等. 基于BP神经网络的双模型光伏发电量预测[J]. 天津理工大学学报, 2020(01):28-33.
