基于最小窥视孔长短期记忆神经网络的电力系统短期负荷预测模型

• 作者: 蔡鑫祥 撖奥洋 周生奇 魏振 张智晟
• 来源期刊: 广东电力
• 关键词: 短期负荷预测 最小窥视孔长短期记忆神经网络 粒子群优化算法 电力系统 循环神经网络
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 电网运行与控制|Power Grid Operation & Control
• 页码范围: 92-97
• 页数: 6页
• 分类号: TM715.1|TP183
• 语种: 中文
• DOI: 10.3969/j.issn.1007-290X.2021.003.011

摘要

长短期记忆(long short-term memory,LSTM)模型可以克服循环神经网络(recurrent neural networks,RNN)在短期负荷预测中存在的梯度消失和梯度爆炸等问题,但LSTM模型的门控单元结构复杂,参数较多,模型训练较为困难.为此,提出一种采用改进粒子群优化(particle swarm optimization,PSO)算法优化的最小窥视孔长短期记忆(min peephole long short-term memory,MP-LSTM)模型.与经典LSTM模型相比,MP-LSTM模型舍弃了输入门和输出门,只保留遗忘门,模型包括1个sigmoid网络层和1个tanh网络层,减少了模型参数,优化了模型结构.对RNN模型、经典LSTM模型、MP-LSTM模型进行对比仿真分析,结果表明MP-LSTM模型可有效提高负荷预测精度,缩短收敛时间.