基于SSA-Bi-LSTM神经网络的母线负荷预测方法

• 作者: 胡如乐 陈逸枞 张大海 张沛 王舒杨 喻芸
• 来源期刊: 广东电力
• 学科: 工学
• 关键词: 母线负荷 双向长短期记忆神经网络 负荷预测 麻雀搜索算法 长短期记忆神经网络
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 电力人工智能|Electric Artifical Intelligence
• 页码范围: 19-26
• 页数: 8页
• 分类号: TM715.1
• 语种: 中文
• DOI: 10.3969/j.issn.1007-290X.2022.002.003

摘要

为了提高母线负荷预测精度,针对长短期记忆(long short term memory,LSTM)神经网络在母线负荷预测时存在对负荷规律提取不足导致精度下降、超参数设置依赖经验等问题,首先构建LSTM神经网络的变体网络——双向长短期记忆(Bi-directional LSTM,Bi-LSTM)神经网络,捕获时间序列未来可用的信息.然后采用麻雀搜索算法(sparrow search algorithm,SSA)搜索最优超参数,得到最优学习率、隐层神经元数目和迭代次数等.以实际10 kV母线数据对SSA-Bi-LSTM神经网络模型进行验证,并与Bi-LSTM神经网络和BP神经网络进行对比,结果表明SSA-Bi-LSTM神经网络模型的预测效果更佳.