基于IPSO-LSTM神经网络的短期负荷预测

• 作者: 宋思远 朱武 王光东 邓安全
• 来源期刊: 计算机仿真
• 关键词: 负荷预测 非惯性权值 改进粒子群算法 神经网络
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 能源领域仿真
• 页码范围: 92-96
• 页数: 5页
• 分类号: TP183
• 语种: 中文
• DOI: 10.3969/j.issn.1006-9348.2021.08.017

摘要

在电网负荷预测方面,LSTM模型有较好的预测精度.但模型参数需要手动设置,网络训练时间长.提出一种改进粒子群算法(IPSO)与长短期记忆网络(LSTM)相结合的预测模型(IPSO-LSTM).利用IPSO对LSTM网络的神经元数,学习率等参数进行优化,自动寻找合适参数,提高预测精度和收敛速度.以某地电力公司的历史负荷数据作为输入数据,迭代训练网络.对比IPSO-LSTM模型和由经验公式所得的LSTM模型的预测结果,发现新模型的MAPE比LSTM网络降低了0.8％,最大相对误差比LSTM网络降低了 4％,收敛速度更快.实验表明所提新模型拥有更高的预测精度和收敛速度.