基于TLBGA?GRU神经网络的短期负荷预测

摘要：

短期负荷预测在电网调度安排和电力市场交易中发挥着重要作用,预测精度高,有利于提高发电设备的利用率和经济调度的有效性.为充分挖掘负荷数据中时序性特征的联系,解决神经网络中由超参数的随机选取导致的预测精度下降问题,提出一种基于教与学的遗传算法(TLBGA)和门控循环单元(GRU)神经网络的短期负荷预测方法.利用灰色关联分析法对原始数据进行相关度分析,剔除冗余特征,使输入与输出保持较好的映射关系,在遗传算法中加入一种基于教与学优化的新型变异算子,用于防止其出现早熟收敛问题,从而提高解的质量.在此基础上,运用改进后的TLBGA算法对GRU神经网络模型进行超参数寻优,更新GRU的模型超参数并使其性能达到最佳状态,以提高负荷预测的精度.对欧洲某地区的电力负荷数据集和美国PJM电力市场公开负荷数据集进行预测,结果表明,该方法的预测精度分别达到了97.1％和97.2％,相比反向传播神经网络、循环神经网络及GRU神经网络模型,具有更高的预测精度.

关键词：负荷预测、变异算子、遗传算法、门控循环神经网络、超参数寻优

所属期刊栏目：48

分类号：TP393(计算技术、计算机技术)

资助基金：国家自然科学基金51677058

在线出版日期：2022-11-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：69-76