ISSA优化Attention双向LSTM的短期电力负荷预测

作者：王金玉; 金宏哲; 王海生; 张忠伟^*

来源：电力系统及其自动化学报, 2022, 34(05): 111-117.

DOI：10.19635/j.cnki.csu-epsa.000953

• 电力负荷
• 预测
• 长短期记忆
• 注意力机制
• 改进麻雀搜索算法优化

针对短期电力负荷数据的复杂性和多样性，提出一种含Attention的双向LSTM预测方法，简称Bi-LSTM-AT。该方法将电力负荷历史数据作为输入且考虑温度、湿度和日期类型因素的影响。通过建模学习构建网络模型，挖掘网络特征内部变化规律，通过映射加权和学习参数矩阵赋予Bi-LSTM-AT网络隐含状态相应的权重。同时，针对该模型超参数选择困难的问题，提出利用改进麻雀算法实现该模型超参数的优化选择，使得全年最后两天预测值的MAPE为0.42%、RMSE为0.29%和MAE为0.21%，验证了模型线性回归拟合能力的准确性和稳定性。

• 单位
  东北石油大学