基于CNN-BiLSTM-Attention的钢铁企业电力能耗预测

摘要

为有效预测钢铁企业的电力能耗，提高资源利用的可持续性，提出一种基于CNN-BiLSTM-Attention模型的电力能耗预测模型。通过互信息法(MI)提取电力能耗特征，以优化模型的输入变量，提高模型的泛化性和鲁棒性。引入卷积神经网络(CNN)进一步获取多特征输入的空间关联特性，并采用双向长短期记忆网络(BiLSTM)提取序列时序变化特征，最后通过注意力机制(Attention)强化对关键信息的提取。结合某钢铁企业实际电力能耗数据进行对比实验，结果表明，该模型在数据集上的平均绝对误差(MAE)和均方根误差(RMSE)分别为3.984 0、7.690 7，在预测精度上优于其他对比模型。研究结果对钢铁企业的能源管理和节能减排工作具有一定的指导意义。

关键词

电力能耗预测 / 卷积神经网络(CNN) / 双向长短期记忆网络(BiLSTM) / 注意力机制

基金资助

国家重点研发计划资助项目(2022YFE0114200); 工信部高质量发展专项资助项目(2023ZY01089)