利用CNN和LSTM联合进行预测和校正，以解决电量缺失数据问题。

简介：
电网调度控制系统得以稳健运行，离不开关键数据的支持。然而，由于硬件故障或其他潜在问题导致数据采集过程中出现数据缺失，势必会损害系统数据的完整性，进而对电网调度的智能化水平和运营效率造成相应的负面影响。因此，对于缺失数据的精准预测在构建智能电网调度系统的过程中显得尤为重要。本文致力于解决电网领域电能量采集系统中的缺失数据预测难题，并对现有基于CNN和LSTM联合预测的方法进行了改进与优化。在此基础上，我们引入了修正模型，旨在针对不同缺失数据段落，利用CNN卷积神经网络及其它电力数据中特有的对侧数据建模技术进行处理。实验结果表明，该方法能够显著降低平均绝对误差值至0.142，从而有效地提升了现有预测模型的准确性水平，并最终为电网调度系统的智能化和高效运行提供了可靠的数据完整性和准确性保障。