12、Türkiye Elektrik Tüketimi Tahmini ˙ Için RNN Tabanlı Zaman Serisi Yakla¸ sımı A RNN Based Time Se

亮点：分12个不同时段，求得平均MAPE，RNN,LSTM，GRU不同层数的架构

未来打算：双向RNN,S2S

土耳其用电量预测
˙RNN for基于时间序列近似基于RNN的时间序列方法预测土耳其电力负荷

本文介绍了递归神经网络（RNN）、长时记忆（LSTM）基于门控递归单元（GRU）的时间序列预测
土耳其电力负荷预测的TIN试验结果我们实验的成功率达到0.71。基于ARIMA和人工神经的现有研究
土耳其电力负荷预测网络2.6%成功率分别为1.8。

这项工作基于RNN / LSTM / GRU深度关于国家用电量估算的问题离开stırılmı¸小时。

前人工作：

Bozkurt和其他人[1]
Levenberg-Marquardt优化方法
采用前馈人工神经网络方法，1.8％MAPE
并写下得到秒。 Topalli等人[9] 2002年电力
消费数据的24小时短期估计
在他们的系统中使用ARMA和Elman神经网络方法，
和人工神经网络，1.6％MAPE，ARMA
型号的交货期为2.33％。
Zengh等[10]关于功耗数据
在他们所做的工作中，季节性的ARIMA mo-
结果是比钻头更好的结果。
Cheng等人[11]使用了LSTM模型 - 
rinin决策支持机器和梯度加强格子
报告的结果比他们的方法更好。
张等人[12]发现GRU模型所做的工作
LSTM模型和两个
模型获得了比RNN模型更好的性能
ölçümlemi¸s为。比安奇等人[13]
优于GRU模型的LSTM模型

 

每小时和每日标准化消费数据

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

 

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12月14日之间，每小时一次。数据小时电力和市场交换
价格（PTF）电力市场（EPIAS）

 

十二种不同的培训，测试和测试每个实验由12个数据集组成平均结果是通过工作获得的。在这种情况下，
以及他们在工作中使用的培训和测试

参数：ADAM优化算法的学习率为0.001

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，
搅拌搅拌器。培训期间使用的批量大小
指定为168.

获得的最终MAPE值是12种不同的训练/测试
作为从中获得的MAPE值的平均值

（下面表示层数）

未来进展：

举办的研讨会将举行两次双向RNN变化，编码器 - 解码器