10.19352/j.cnki.issn1671-4679.2024.01.003
麻雀搜索算法优化的RF-BILSTM短期电力负荷预测
电力负荷的准确预测是电网安全运行以及社会正常生产的重要保障,但负荷数据因 自身的非线性以及众多影响因素的不确定性大大降低预测精度的准确性,因此,为了提高短期电力负荷的预测精度,提出一种基于麻雀搜索算法(SSA)优化随机森林(RF)-双向长短期记忆神经网络(BILSTM)的预测模型.首先,针对电力负荷数据特征构造等问题,对数据进行量化以及标准化预处理操作,便于后续模型的输入.其次,利用RF算法对电力负荷的众多影响因素进行重要性排序,保留重要因素并将其与历史负荷数据进一步结合,从而构成神经网络的最终输入.最后,采用SSA算法对BILSTM模型的部分超参数进行优化选取,解决人工选取困难的问题.通过与其他模型对比,验证了该模型具有较高的预测精度.
随机森林、重要性排序、负荷预测、麻雀算法、长短期记忆神经网络
38
TP183;TM714(自动化基础理论)
国家重点研发计划;辽宁省自然科学基金
2024-02-27(万方平台首次上网日期,不代表论文的发表时间)
共6页
15-20