基于核密度估计的短期电力负荷区间预测

摘要

针对单点预测模型难以较全面地描述负荷变化趋势，以及优化算法存在局部易收敛和全局性搜索能力差的问题，提出一种基于改进烟花算法（IFWA）优化长短期记忆神经网络（LSTM）模型参数的IFWA-LSTM负荷预测模型。通过引入自适应调节因子和精英策略来提高烟花算法（FWA）的全局搜索能力和灵活性，以提高求解效率和精度。同时，采用核密度估计（KDE）对IFWA-LSTM模型得到的预测结果进行概率预测，针对KDE模型非线性映射能力较弱的问题，采用支持向量回归（SVR）对其进行优化拟合，再对预测值的概率密度函数进行求解，得到不同置信度下的功率预测区间。基于某台区的实测负荷数据对本模型进行实验验证，结果表明，相比于传统神经网络算法模型，本模型的预测精度更高，误差更小，整体预测性能更优。

关键词

负荷预测 / 支持向量回归 / 核密度估计 / 神经网络 / 智能电网