基于RNN的时间序列方法土耳其电力负荷预测
本文介绍回归神经网络（RNN），长短期记忆（LSTM），基于门控循环单位（GRU）的时间序列预测 -土耳其电力负荷预测的实验。造成％0.71 MAPE成功的我们的实验产生更好的结果比现有的基于ARIMA和人工神经网络的研究土耳其电力负荷预测的网络有％2.6和％1.8的成功率分别。
表I：使用的属性
小时
每周的一周
工作Sma /假日
24小时前消费
同一小时消费前一周
过去24小时的平均消耗量
A.数据集
该研究中使用的数据截至2013年1月1日它是在12月31日到2014，每小时一次。数据小时电力和市场交换
价格（PTF）电力市场（EPIAS）[14]取自源头。
12组测试数据集
实验中使用的方法
研究中使用了三种模型：递归神经网络，长短记忆，GRU。
ADAM优化算法的学习率为0.001，
＆lt;作为损失函数的均方误差（使用均方误差）。训练迭代次数成千上万。训练期间提早停止
使用（早停）方法，250当没有观察到迭代的增量增加时该过程终止。所有实验中的秘密记忆大小96，时间步长参数T 24，
培训期间使用的批量大小指定为168.设计Tensorflow [18]图书馆 - 1.4版本。
表III：关于不同架构师测试集群数据MAPE错误修补程序
实验MAPE
RNN-1 1.79
RNN-2 1.67
RNN-3 1.78
RNN-4 1.82
LSTM-1 1.48
LSTM-2 1.28
LSTM-3 1.02
LSTM-4 0.92
GRU-1 1.2
GRU-2 0.85
GRU-3 0.71
GRU-4 0.72
ARIMA 2.6
ANN 1.8