基于超参数优化的短期电力负荷预测模型

作者：王晓辉; 邓威威; 齐旺

来源：国外电子测量技术, 2022, 41(06): 152-158.

DOI：10.19652/j.cnki.femt.2103537

• 长短期记忆神经网络
• 粒子群算法
• 负荷预测
• 超参数

准确预测短期电力负荷在精细化电网规划、减少发电成本和提高用电质量等方面具有重要作用。为了大幅度的提高短期电力负荷预测的准确性，采用改进粒子群算法(IPSO)优化长短期记忆网络(LSTM),构建了一种新的电力负荷预测模型(IPSO-LSTM)。该模型采用能有效寻找全局最优解的IPSO,解决了LSTM预测电力负荷时超参数难以选取的问题。考虑到粒子群算法(PSO)中惯性权重和学习因子是固定不变的，这容易导致粒子群在前期掉入局部最优而错过全局最优，模型将惯性权重和学习因子由固定值改为非线性变化，以平衡其全局搜索能力和局部寻优能力。通过实际案例数据进行仿真分析，并与粒子群优化的长短期记忆网络(PSO-LSTM)、LSTM以及反向传播(back propagation, BP)神经网络算法的预测结果进行对比，验证了方法的预测效果更佳。实验表明，所提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