基于PSO-LSTM的电力负荷预测模型

作者：王晓辉; 邓威威; 齐旺

来源：上海节能, 2022, (02): 164-169.

DOI：10.13770/j.cnki.issn2095-705x.2022.02.007

• 长短期记忆神经网络
• 粒子群算法
• 负荷预测
• 超参数

为了提高电力负荷的预测精度,提出使用粒子群算法(PSO)优化长短期记忆(LSTM)神经网络超参数的电力负荷预测模型(PSO-LSTM)。针对LSTM超参数较难选取的问题,利用PSO算法能有效寻找全局最优解的特点进行LSTM模型超参数寻优,不断训练找到合适的超参数并进行验证。通过实际案例数据进行仿真分析,并与传统的LSTM神经网络预测模型以及反向传播(back propagation, BP)神经网络预测模型进行对比,其平均绝对百分比误差(MAPE)分别降低了0.64%和1.67%,验证了本方法的预测效果更佳。实验表明,本电力负荷预测模型具有较好的精度和稳定性。

• 单位
  北京建筑大学