摘 要： 在短期电力负荷预测算法中，对LSTM网络加以改进和优化，基于已有的LSTM神经网络，利用强化学习理念，借助简单化的Inception网络结构，搭建起隐藏状态矩阵，从而达到LSTM网络的优化与改进，对应搭建起短期电力负荷预测模型，经过数据对比得出，经过优化的LSTM网络模型能更高效地获取依赖信息，可以确保短期负荷预测的精准。

关键词：短期电力负荷;预测算法;LSTM网络;改进;优化

0 前言

电力负荷预测应开发高质量的负荷预测数据模型，借助此模型能充分地辅助各种网络系统，随着现代信息科技的发展，负荷预测已经从传统的单一预测法转向灰色预测、人工神经网络以及LSTM模糊预测方向发展，此研究则以组合预测法为参照，以强化学习的方式来优化、改进LSTM算法，深入剖析了LSTM改进方式以及成效。

1 LSTM网络内涵与特征

LSTM为建立在RNN基础上的优化模型，凭借引进门与单元的理念来化解远距离传输的问题，此网络有着超强的环境适应能力，可以妥善地适应各种条件、各种环境，其单元结构图如下图1所示。

各个神经单元内部都包括：遗忘门、输入门、输出门几个门控结构，用来控制数据的出入，不同的门控结构发挥不同的功能，遗忘门主要肩负着丢弃、保留前一刻的有效数据于CtCt内，输入门则负责把目前每一刻的有效數据存储于Ct中，输出门决定了神经单元输出中Ct的信息。

不同于传统的神经网络算法，LSTM网络实际运用中体现出超强的自适应学习能力，针对于一些复杂的样本数据，此网络也体现出超强的拟合效果。……