基于HDBO-LSTM的短期电力负荷预测方法

摘要

为提高电力系统短期电力负荷预测的准确性，提出一种基于混合蜣螂优化(hybrid dung beetle optimization, HDBO)算法优化长短期记忆(long short-term memory, LSTM)网络的预测模型(HDBO-LSTM)。首先，为克服原始蜣螂优化(dung beetle optimization, DBO)算法全局搜索能力较弱且易陷入局部最优的问题，在原始DBO算法的基础上引入随机对立学习策略、哈里斯鹰优化算法、逐维高斯变异策略和动态处理机制，以此形成HDBO算法，增强算法的搜索能力和收敛速度，并通过10个基准函数的对比实验验证HDBO算法的搜索性能；其次，采用HDBO算法优化LSTM网络的超参数，以减小随机超参数对负荷预测精度的影响。使用电工数学建模竞赛的电力负荷数据集对模型进行评估，结果显示，在数据集内随机选取的七天预测任务中，HDBO-LSTM模型的均方根误差(RMSE)、平均绝对百分比误差(MAPE)、平均绝对误差(MAE)和变异系数(COV)较原始LSTM模型分别降低了22.38%、16.33%、19.16%和22.52%,该模型能够有效提升短期电力负荷预测的准确性。

关键词

电力负荷预测 / 蜣螂优化算法 / 长短期记忆网络