基于机器学习的短期电力负荷预测方法比较及改进研究

摘要：

针对电力系统对短期电力负荷预测精确性的需求,以长短期记忆算法为基础,采用差分自适应进化算法对其进一步改进,从而提出一种基于机器学习的混合算法(SaDE-LSTM)对电力负荷进行短期预测.基于我国2004-2018年间月度社会用电负荷数据,对改进后的混合算法进行性能测试,首先利用差分进化算法的自适应变异和交叉因子来优化长短期记忆算法的初始参数,在此基础上,运用寻优得到的参数训练长短期记忆算法从而得到优化后的预测结果.为证明其优越性,对同组数据采用支持向量机(SVM)、反向传播神经网络、自回归积分滑动平均等算法分别预测.各方法预测结果和真实结果对比分析证明,SaDE-LSTM算法对时间序列数据量要求较低,同时相比其他传统算法有更高的预测精度.该改进算法能够为参与电力系统调度的虚拟电厂、负荷聚合商等对小样本和高精度预测有需求的主体提供参考.

关键词：SaDE-LSTM算法、时间序列分析、电力负荷预测、长短期记忆循环神经网络、差分进化算法

所属期刊栏目：43

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：国家社会科学基金19ZDA081

在线出版日期：2023-03-15（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：163-170