针对长短期记忆(long short term memory,LSTM)神经网络存在短期负荷预测精度低和稳定性差的问题,提出一种基于多策略改进金豺(improved golden jackal optimization,IGJO)算法优化LSTM的短期电力负荷预测模型。首先融合凸透镜成像反向...针对长短期记忆(long short term memory,LSTM)神经网络存在短期负荷预测精度低和稳定性差的问题,提出一种基于多策略改进金豺(improved golden jackal optimization,IGJO)算法优化LSTM的短期电力负荷预测模型。首先融合凸透镜成像反向学习策略,探索更好的初始解位置;引入Sigmoid函数改变逃逸能量,平衡探索和开发阶段;融合鲸鱼优化算法的螺旋包围机制,增强探索能力,提高收敛精度。然后,引入LSTM神经网络,利用IGJO算法优化LSTM的超参数,并建立IGJO-LSTM短期电力负荷预测模型。最后,使用河南某地区的实际电力负荷数据验证IGJO-LSTM短期负荷预测模型。实验结果表明,所提预测模型在工作日和周末不同时刻的电力系统短期负荷预测结果与实际负荷较接近。相比于传统预测方法,所提预测模型具有更高的精确度和稳定性,并具有一定的实际应用潜力。展开更多
文摘针对长短期记忆(long short term memory,LSTM)神经网络存在短期负荷预测精度低和稳定性差的问题,提出一种基于多策略改进金豺(improved golden jackal optimization,IGJO)算法优化LSTM的短期电力负荷预测模型。首先融合凸透镜成像反向学习策略,探索更好的初始解位置;引入Sigmoid函数改变逃逸能量,平衡探索和开发阶段;融合鲸鱼优化算法的螺旋包围机制,增强探索能力,提高收敛精度。然后,引入LSTM神经网络,利用IGJO算法优化LSTM的超参数,并建立IGJO-LSTM短期电力负荷预测模型。最后,使用河南某地区的实际电力负荷数据验证IGJO-LSTM短期负荷预测模型。实验结果表明,所提预测模型在工作日和周末不同时刻的电力系统短期负荷预测结果与实际负荷较接近。相比于传统预测方法,所提预测模型具有更高的精确度和稳定性,并具有一定的实际应用潜力。