基于改进LSTM的电力负荷预测与成本感知优化策略研究

作者：张泽龙; 韦冬妮; 唐梦媛; 纪强; 杨燕

来源：电子设计工程, 2023, 31(21): 132-136.

DOI：10.14022/j.issn1674-6236.2023.21.027

• 长短期记忆网络
• 负荷预测
• 粒子群算法
• 成本感知

针对企业用电负荷预测计算复杂且准确度较低的问题，提出了一种基于改进粒子群算法（IPSO）与随差遗忘长短期记忆时间网络（EFFG-LSTM）的电力负荷预测与成本感知优化方法。该模型针对传统LSTM模型超参数随机选取的缺陷，利用IPSO算法实现了超参数的自适应寻优。对于LSTM单元缺乏误差跟随能力、易出现梯度消失的问题，采用一种随差遗忘门结构使其能够跟踪上一时刻的预测误差，同时动态调整遗忘门参数，并使用ReLU作为LSTM单元的激活函数。通过仿真算例表明，所提IPSO-EFFG-LSTM相比于EFFG-LSTM及LSTM模型在电力负荷预测上具有更高的准确度，且平均误差仅为5.2%。