基于VMD-MSFOA-LSTM短期电力负荷预测

摘要

为提高电力系统中电力负荷预测的精度，本文提出一种基于多策略改进的海星优化算法(multi strategy improved starfish optimization algorithm, MSFOA),优化变分模态分解(VMD)与长短期记忆(LSTM)网络相结合的电力负荷预测模型(VMD-MSFOA-LSTM)。首先，MSFOA算法结合了佳点集初始化策略、动态对立学习机制、线性递减系数和精英增强解质量策略；其次，基于MSFOA算法优化LSTM网络的超参数，搭建VMD-MSFOA-LSTM负荷预测模型；最后，选取澳大利亚电力负荷数据集对模型进行评估。实验结果表明，VMD-MSFOA-LSTM模型较原始LSTM模型均方根误差、平均绝对误差和平均绝对百分比误差分别降低了86.53%、86.71%和87.59%,决定系数提高了16.94%,验证了本文所提模型在电力负荷预测中的优越性能。

关键词

电力负荷预测 / 海星优化算法 / 变分模态分解 / 长短期记忆网络