基于WNR-CLSSA-LSTM的短期电力负荷预测

摘要

准确的短期电力负荷预测(STPLF)在智能电网的日常运行中起着重要作用。为了更有效地预测短期负荷,本文提出了一种基于小波去噪、改进樽海鞘群优化算法(SSA)和长短期记忆网络(LSTM)的预测方法。首先,通过小波去噪降噪;其次,种群的初始位置采用混沌初始化Cubic策略,并将莱维飞行策略引入樽海鞘群领导者和跟随者的位置更新中,接着将跟随者的更新公式引入每个维度的最优适应度位置维度,加快收敛速度;然后,利用改进的SSA算法优化LSTM模型的参数,得到STPLF结果。通过实验比较改进的CLSSA-LSTM与GA-LSTM、PSO-LSTM、SSA-LSTM和单一的LSTM,结果表明,改进的CLSSA-LSTM预测效果优于其他算法优化的LSTM。同时,将CLSSA-LSTM模型与不同的预测模型PSO-SVR、GA-BP对比,均有不错的表现。因此本文提出的预测模型是一种有效的STPLF工具。