文档名：基于改进粒子群算法优化LSTM的短期电力负荷预测
摘要：电力负荷数据具备时序性和非线性特征,长短时记忆神经网络(LSTM,longshort-termmemory)可以有效处理上述数据特性.然而LSTM算法性能对预置参数具有极大的依赖性,依靠经验设定的参数会使模型具有较低的泛化性能,降低了预测效果.为解决上述问题,提出非线性动态调整惯性权重粒子群算法(NIWPSO,nonlineardynam-icinertiaweightstrategyparticleswarmoptimization)与LSTM相结合的预测模型NIWPSO-LSTM.利用非线性动态调整惯性权重的方法来提升PSO的全局寻优能力,再通过NIWPSO对LSTM的参数进行优化.实验结果表明,NIWP-SO-LSTM预测精度要远高于其他模型,验证了所提方案的可行性.
Abstract：Powerloaddatahastime-sequenceandnon-linearcharacteristics,andlongshort-termmemory(LSTM)neuralnetworkcanhandletheabovedatacharacteristics.However,theperformanceoftheLSTMalgorithmhasagreatdependenceonthepresetparameters,andtheparameterssetbyexperiencewillmakethemodelhavelowgeneralizationperformanceandreducethepredictioneffect.Inordertosolvetheaboveproblems,thispaperproposesapredictionmodelNIWPSO-LSTMcombiningthenonlineardynamicinertiaweightparticleswarmoptimization(NIWPSO)andlong-short-timememory(LSTM)neuralnetwork.ThenonlineardynamicinertialweightsareusedtoimprovetheglobaloptimizationabilityofPSO,andthen,thekeyparametersofLSTMareoptimizedthroughNIWPSO.Theexperimentalresultsshowthatthepredictionac-curacyofNIWPSO-LSTMismuchhigherthanothermodels,whichverifiesthefeasibilityoftheproposedscheme.
作者：崔星 李晋国 张照贝 李麟容 Author：CUIXing LIJinguo ZHANGZhaobei LILinrong
作者单位：上海电力大学计算机科学与技术学院,上海201300梅州市职业技术学校信息与电气工程学院,广东梅州514017
刊名：电测与仪表
Journal：ElectricalMeasurement&Instrumentation
年，卷(期)：2024, 61(1)
分类号：TM715
关键词：短期电力负荷预测 机器学习 非线性动态调整惯性权重粒子群算法 LSTM
Keywords：short-termpowerloadforecasting machinelearning NIWPSO LSTMneuralnetwork
机标分类号：TM715TP391TP183
在线出版日期：2024年2月3日
基金项目：国家自然科学基金，国家自然科学基金基于改进粒子群算法优化LSTM的短期电力负荷预测[
期刊论文] 电测与仪表--2024, 61(1)崔星 李晋国 张照贝 李麟容电力负荷数据具备时序性和非线性特征,长短时记忆神经网络(LSTM,longshort-termmemory)可以有效处理上述数据特性.然而LSTM算法性能对预置参数具有极大的依赖性,依靠经验设定的参数会使模型具有较低的泛化性能,降低了...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于改进粒子群算法优化LSTM的短期电力负荷预测 The short-term power load forecasting based on NIWPSO-LSTM neural network
基于改进粒子群算法优化LSTM的短期电力负荷预测.pdf
- 文件大小:
- 3.53 MB
- 下载次数:
- 60
-
高速下载
|
|
