基于VMD-ICOA-BiLSTM混合模型的日前电价预测

为了进一步提高购售电市场中日前电价的预测准确度,本文将变分模态分解(VMD)、改进郊狼算法(ICOA)和双向长短期记忆神经网络(BiLSTM)相结合,提供一种新型日前电价预估方案。首先,利用VMD把原始电价数据划分成几个子序列,解决电量序列的非平稳性问题;其次,针对郊狼算法收敛速度慢、优化性能不足的缺陷,将Sobol序列引入郊狼初始化,再将全局最优和局部最优郊狼引入算法的组文化趋势;然后,采用ICOA优化BiLSTM的参数,并构建ICOA-BiLSTM混合预测模型,进行子序列预测;最后,对各子序列的预测结果进行求和,得到最终的预测电价。以丹麦电力市场的数据进行检验,结果表明所提方法具有良好的预测准确度和泛化性能。

改进的黑猩猩算法优化LSTM的短期电力负荷预测

针对电力负荷随机性强、预测精度不高的问题,提出一种基于改进型黑猩猩优化算法(ICOA)优化长短时记忆网络(LSTM)的短期负荷预测模型。为了避免标准的黑猩猩算法求解LSTM参数优化问题时易陷入局部最优和收敛速度慢等缺陷,首先通过Sin混沌映射初始化黑猩猩种群,增强种群多样性,提高初始解的质量;其次,提出一种非线性收敛因子,均衡算法的全局与局部搜索能力,提高收敛速度;然后,引入反向学习策略和柯西高斯变异对最优黑猩猩进行扰动变异,提高算法局部和全局的开发能力,进而提高算法的寻优能力;最后,利用ICOA对LSTM网络的隐含层神经元数、学习率等参数进行优化,自动寻找最优参数,建立ICOA⁃LSTM负荷预测模型。结合某地区的实际数据进行预测分析,结果表明,与Elman、LSTM、PSO⁃LSTM、WOA⁃LSTM、COA⁃LSTM预测方法相比,文中所提方法的收敛速度和预测精度均有大幅提升。