-
题名基于优化VMD和BiLSTM的短期负荷预测
- 1
-
-
作者
谢国民
陆子俊
-
机构
辽宁工程技术大学电气与控制工程学院
-
出处
《电力系统及其自动化学报》
北大核心
2025年第4期30-39,共10页
-
基金
国家自然科学基金资助项目(51974151)
辽宁省教育厅重点实验室基金资助项目(LJZS003)。
-
文摘
针对电力负荷数据周期性强、波动性高,预测效果不佳的问题,建立一种基于优化变分模态分解、改进沙猫群优化(improved sand cat swarm optimization,ISCSO)算法和双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络的集成预测模型。首先,对原始电力负荷数据进行变分模态分解,降低数据复杂度,在变分模态分解中,引入白鲸算法对分解层数和惩罚因子寻优,优化分解效果。其次,采用Logistic混沌映射、螺旋搜索和麻雀思想引入的多策略改进方法,增加原始沙猫群优化算法的种群多样性,提升收敛精度和全局搜索能力,并用改进后的算法对BiLSTM中的超参数进行优化。然后,结合AdaBoost集成学习算法构建ISCSO-Bi LSTM-AdaBoost预测模型,将分解后的各分量输入模型预测。最后将各预测值叠加,得到最终预测结果。实验结果表明,本文建立的组合模型预测精度高,稳定性强。
-
关键词
电力负荷预测
变分模态分解
双向长短期记忆网络
改进沙猫群优化算法
集成学习算法
-
Keywords
power load prediction
variational mode decomposition(VMD)
bidirectional long short-term memory(BiLSTM)network
improved sand cat swarm optimization(ISCSO)algorithm
ensemble learning algorithm
-
分类号
TM715
[电气工程—电力系统及自动化]
-
