针对城市电网电压受负荷影响较大、中长期尖峰负荷难以预测等问题,提出一种基于蚁群优化双向长短期记忆神经网络的中长期电网尖峰负荷预测方法。解决了传统双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络处理时间...针对城市电网电压受负荷影响较大、中长期尖峰负荷难以预测等问题,提出一种基于蚁群优化双向长短期记忆神经网络的中长期电网尖峰负荷预测方法。解决了传统双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络处理时间序列数据时的局限性,并利用蚁群算法(ant colony optimization,ACO)在优化神经网络参数上的潜力来提高预测的准确性和可靠性;通过融合ACO和BiLSTM模型,实现自动调整网络参数,寻求最优解决方案,不仅提升了学习效率,还增强了对电网尖峰负荷特性的捕捉能力。通过对某地区电网数据进行测试,所提方法的预测时间和预测精度均超过传统BiLSTM。分析了蚁群优化策略对预测性能的影响,并探讨了预测不同时间尖峰负荷的表现。研究结果表明:利用ACO能有效辅助BiLSTM模型捕捉复杂时间序列特征,在中长期尖峰负荷预测中,显著提升了性能,模型的R2达到0.99,且平均绝对误差降低了7.8%。展开更多
