Levy-CPSO-GA算法在空调冷负荷预测模型LSTM中的应用

针对单一算法优化空调冷负荷模型参数存在的局限性及对预测精度的需求,本文提出了基于遗传算法(genetic algorithm,GA)进化、莱维飞行(Levy)及粒子群(particle swarm optimization,PSO)优化算法的协同并行混合算法Levy-CPSO-GA。将初始种群初始化为2个同规模种群,分别按照合作机制和竞争机制并行更新,种群1采用Levy飞行产生随机新巢方式自适应初始化PSO,同时引入迭代极值,记录粒子群的信息交换;种群2按照GA更新,种群间通过适应度交流,以最优适应度更新群体,将混合算法应用于优化长短期预测模型(long short-term memory,LSTM),并将结果与各预测算法进行比较。研究结果表明,优化后的预测模型,预测精度大幅提高,与ELM相比,RMSE降低了81.1%;与LSTM模型相比,误差显著降低,RMSE降低了26.4%,在第105个预测点处,该预测模型的绝对误差为-0.6829,相比于ELM的绝对误差值-7.3135,其精度提高了90.66%,预测性能优于其他算法。该研究对准确预测冷负荷具有重要意义。