基于NRBO-LSTM的短期电力负荷预测

摘要

【目的】为了实现电力资源的合理分配，提高电力负荷预测的精度，针对现有负荷预测算法参数设置随机性强、预测精度不足的问题，该文提出一种基于牛顿-拉夫逊优化算法（NRBO）和长短期记忆网络（LSTM）的混合预测模型.【方法】首先，分析现有负荷预测算法的局限性.然后，利用NRBO算法的全局寻优能力，自动搜索LSTM网络的最优超参数，以替代传统的人工调参方式，减少人为设置的随机性；最后，构建NRBO-LSTM模型用于电力负荷预测.【结果】该文采用澳大利亚某地区2009年1月1日至2010年12月31日的实际电力负荷数据进行验证，并与Autoformer、基于蜣螂算法优化的长短期记忆网络（DBO-LSTM）、Transformer、基于遗传算法优化反向传播（GA-BP）神经网络以及标准LSTM模型进行对比.实验结果表明，NRBO-LSTM模型在各项评价指标上均表现最优：其均方根误差（RMSE）分别降低了21.51%、42.01%、47.43%、56.03%、66.44%;平均绝对百分比误差（MAPE）分别降低了31.16%、45.18%、53.19%、65.87%、72.09%;平均绝对误差（MAE）分别降低了34.97%、49.97%、58.27%、69.31%、75.85%;决定系数（R²）分别提高了0.523%、2.728%、3.399%、8.085%、15.933%.【结论】该文提出的NRBO-LSTM模型能够有效提高电力负荷预测的精度和拟合效果，为电力系统的负荷预测提供了一种新的有效方法，具有重要的理论和应用价值.

关键词

牛顿-拉夫逊优化算法 / 长短期记忆网络 / 电力负荷预测 / 电力系统

基金资助

云南省自然科学基金(202301AV070003,202101BE070001-008); 云南省重大科技专项(202302AG050009,202202AD080013)