ICEEMDAN-ISSA-LSTM短期电力负荷预测

作者：高超; 孙谊媊; 赵洪峰; 曹培芳

来源：中国测试, 2023, 49(09): 99-107.

• 短期电力负荷预测
• ICEEMDAN
• 麻雀搜索算法
• 长短期记忆网络
• 超参数寻优

针对传统短期负荷预测方法误差大的问题，提出一种基于改进型自适应白噪声的完全集合经验模态分解(ICEEMDAN)和改进的麻雀搜索算法(ISSA)优化长短期记忆网络(LSTM)的短期负荷预测方法。首先，针对负荷序列波动性大，导致直接使用负荷数据进行预测难以获取内在特征的问题，运用ICEEMDAN方法将原始负荷序列进行分解，得到时间尺度各异的IMF分量；其次，针对LSTM模型参数较难选取的问题，采用ISSA对LSTM的超参数寻优，利用Fuch混沌映射、反向学习策略和自适应t变异改进麻雀算法，减小SSA陷入局部最优的风险，提高麻雀算法的寻优能力和收敛速度；最后，依据分解得到的各组数据特征，建立ISSA-LSTM模型并进行预测，再将各组分量的预测值进行叠加，得到最终的电力负荷预测结果。仿真结果表明：与其他预测模型相比，ICEEMDAN-ISSALSTM模型具有更高的短期电力负荷预测精度，其预测平均绝对误差为9.39 kW，均方根误差为11.47 kW，平均绝对百分比误差为0.19%。

• 单位
  国网新疆电力公司; 新疆大学