10.3969/j.issn.1006-9348.2023.01.024
基于高斯变异粒子群优化的短期负荷预测
针对现有短时预测方法精度不高及电网负荷数据不确定性变化的问题,提出一种基于高斯变异粒子群优化(GPSO)的长短时记忆神经网络(LSTM)负荷预测模型,实现对短时负荷数据的高精度预测.方案首先对负荷序列数据进行预处理,提升数据之间的相关性.进一步引人非线性惯性权重加速粒子收敛速度,同时结合自适应高斯变异操作减小粒子陷入局部最优的风险,从而提升了 PSO算法的寻优能力.实验结果证明,改进的粒子群优化算法能够提升LSTM模型的预测性能,验证了提出方法的有效性.与已有的预测模型相比,GPSO-LSTM模型有着更优的预测能力.
短期负荷预测、粒子群优化、长短期记忆神经网络、自适应高斯变异
40
TM715(输配电工程、电力网及电力系统)
国家自然科学基金;上海市自然科学基金
2023-03-01(万方平台首次上网日期,不代表论文的发表时间)
共6页
125-130