基于猎人猎物优化算法优化BiLSTM的电力负荷短期预测

• Published in: 山东电力技术 Vol. 51; no. 4; pp. 64 - 71
• Main Authors: 陈晓华, 吴杰康, 蔡锦健, 唐文浩, 龙泳丞, 王志平
• Format: Journal Article
• Language: Chinese
• Published: 广东电网有限责任公司湛江供电局,广东 湛江 524005 2024; 广东工业大学自动化学院,广东 广州 510006; 东莞理工学院电子工程与智能化学院,广东 东莞 523808%广东工业大学自动化学院,广东 广州 510006%东莞理工学院电子工程与智能化学院,广东 东莞 523808
• Subjects: 短期预测; 电力负荷; hunter-prey optimization algorithm; empirical mode decomposition; load; bidirectional long short-term memory; 猎人猎物优化算法; 经验模态分解; 双向长短期记忆神经网络; short-term forecast
• ISSN: 1007-9904
• DOI: 10.20097/j.cnki.issn1007-9904.2024.04.007

TM714; 针对电力负荷由于随机性和非线性等原因导致预测精度不高等问题,基于经验模态分解(empirical mode decomposition,EMD)与猎人猎物优化(hunter-prey optimization,HPO)算法,提出一种优化双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)的电力负荷短期预测模型.首先,利用经验模态分解将电力负荷时间序列分解成多个固有模态函数分量和一个残差分量.然后,利用猎人猎物优化算法优化双向长短期记忆神经网络构建HPO-BiLSTM预测模型,并将各个固有模态函数分量和残差分量归一化后输入HPO-BiLSTM预测模型中进行预测,把各分量的预测值反归一化后直接相加得到最终的预测结果.最后,选取某地区在2018年3月1日—11日的电力负荷数据进行分析,仿真结果表明,与BiLSTM、HPO-BiLSTM、EMD-BiLSTM、EMD-GA-BiLSTM和EMD-PSO-BiLSTM预测模型相比,EMD-HPO-BiLSTM预测模型的预测精度更高,拟合效果更好.