基于特征相关分析修正的GPSO-LSTM短期负荷预测

• 作者: 郭傅傲 刘大明 张振中 唐飞
• 来源期刊: 电测与仪表
• 关键词: 探索性数据分析 长短期记忆循环神经网络 模型构建 全局粒子群优化 短期负荷预测
• 年，卷（期）: 2021,（6）
• 所属期刊栏目: 理论与实验研究|Theory & Experimental Research
• 页码范围: 39-48
• 页数: 10页
• 分类号: TM715
• 语种: 中文
• DOI: 10.19753/j.issn1001-1390.2021.06.006

摘要

针对多因素互影响造成负荷预测精度低的问题,提出一种基于特征相关分析修正与全局粒子群优化(GPSO)的长短期记忆循环神经网络(LSTM)短期负荷预测新方法.该方法首先对负荷相关序列进行探索性数据分析(EDA)及预处理,找寻特征内在机理与相关联系并加以修正,保证输入特征的强相关性和完整性.针对传统前馈神经网络无法处理序列关联信息和普通循环神经网络无法记忆久远关键信息的缺陷,构建基于LSTM负荷预测模型进行深度学习.由于LSTM网络权值的随机初始化,使得目标函数在训练过程中易陷入局部最优,利用改进粒子群算法优化预测模型的网络权值,提升模型整体预测能力.与反向传播神经网络(BPNN)和递归神经网络(El-man)的基准模型相比,所提模型方法的预测精度提高显著.