基于EMD-IPSO-LSTM模型的短期电力负荷预测
准确地预测短期负荷为发电厂电力调度提供依据,提高电力系统的经济性.由于负荷数据的非线性非平稳性,提出一种经验模态分解-改进粒子群算法-长短期记忆(EMD-IPSO-LSTM)的预测模型.首先,利用EMD处理非线性的负荷序列,将序列分解为多个本征模态函数(IMF)以及残差(Res),引入非线性递减分配方法和正弦函数分别改进粒子群算法(PSO)的惯性权重和学习因子,可以更有效地寻找LSTM参数的最优解.其次,利用IPSO优化LSTM的第1层神经元个数、损失率、以及批量大小等参数,将所有IMF和Res分为高、中,低频三组分量,并代入优化后的LSTM网络进行预测,叠加获取最终的预测结果.最后,以GEFCom2014预测竞赛电力负荷数据集进行仿真实验,并且对LSTM、IPSO-LSTM、EMD-PSO-LSTM这3种模型作比较,结果表明所提的预测模型具有较高的预测精度.
短期负荷预测、经验模态分解、改进的粒子群算法、长短时神经网络
42
TN2(光电子技术、激光技术)
2023-06-15(万方平台首次上网日期,不代表论文的发表时间)
共6页
132-137