基于鲸鱼算法优化长短期记忆网络的短期负荷预测
2021-03-19长江大学电子信息学院刘昊东邹必昌
电子世界 2021年3期
长江大学电子信息学院 刘昊东 邹必昌
为了解决短期负荷预测精度低、准确性差等问题,采用一种使用鲸鱼优化算法(WOA)优化长短期记忆网络(LSTM)的短期负荷预测模型。针对模型的参数较难选择的问题,利用WOA对LSTM模型参数寻优。通过实例验证了预测模型的有效性,结果表明WOA-LSTM比LSTM模型具有更好的效果。
众所周之,在电力系统中发电、输电、用电是同时进行的。由于目前的技术手段无法实现电能的大量储存,发电前的负荷预测就显得十分重要。同时,负荷预测可以提高电网的经济效益,避免电能的大量浪费,保证电网的安全运行。电力负荷预测一般可以在时间上分为长期、中期、短期负荷预测,其中短期负荷预测是指未来24h到168h每个时刻点的的负荷预测。精确的负荷预测可以提高电网运行的可靠性、安全性、经济性。
近几年国内外学者提出很多预测方法,大致可分为传统统计法和现代预测算法。传统统计法主要包括:多元线性回归、趋势外推法、时间序列法等。随着智能电网的发展,负荷数据越来越复杂,传统统计法难以满足更高的精度需求。现代预测算法主要包括:支持向量机、BP神经网络、随机森林等为代表的人工智能算法。深度学习作为一种新起的研究领域,也广泛地运用于短期负荷预测。文献(王永志,刘博,李钰.一种基于LSTM神经网络的电力负荷预测方法)提出了一种基于LSTM神经网络的的电力负荷预测方法。LSTM的模型参数往往需要人为设定,这将直接影响模型的拟合能力,训练速度,实际效果。……
登录APP查看全文
