基于改进PSO优化LSTM网络的典型用电负荷模式识别

文档名：基于改进PSO优化LSTM网络的典型用电负荷模式识别
摘要：新能源发电的推广和使用加剧了用电高峰期电网供需矛盾,对电力用户的负荷模式进行识别可以为负荷参与调峰决策提供支持.为提高用电负荷模式辨识准确率,提出一种基于改进粒子群(IPSO)算法优化长短期记忆(LSTM)神经网络的用电负荷模式识别模型.通过引入多样化初始参数、动态非线性权重和淘汰机制等措施,改善了粒子群算法的寻优能力,实现对LSTM的关键参数寻优,确定LSTM神经网络的最优参数组合.实验结果表明,该方法可以有效提高模型的准确率,同时节省模型的训练时间.

Abstract：Promotionanduseofnewenergypowergenerationhasaggravatedthecontradictionbetweensupplyanddemandofpowergridduringpeakhours.Identificationofloadpatternsofpoweruserscanprovidesupportforloadparticipationinpeakregulationdecisions.Inordertoimprovetheaccuracyofpowerloadpatternrecognition,apowerloadpatternrecognitionmodelbasedonimprovedparticleswarmoptimization(IPSO)algorithmtooptimizelongshort-termmemory(LSTM)neuralnetworkisproposed.Byintroducingdiversifiedinitialpa-rameters,dynamicnonlinearweightsandeliminationmechanism,theoptimizationabilityofPSOalgorithmisimproved,thekeyparame-tersofLSTMareoptimized,andoptimalparametercombinationofLSTMneuralnetworkisdetermined.Experimentalresultsshowthatthismethodcaneffectivelyimprovetheaccuracyofthemodelandsavethetrainingtimeofthemodel.

作者：贾磊   龚正   吴海伟   耿文逸   王琚玮 Author：JIALei   GONGZheng   WUHaiwei   GENGWenyi   WANGJuwei
作者单位：国网江苏省电力有限公司扬州市江都区供电分公司,江苏扬州225200国网江苏省电力有限公司,南京210000
刊名：电力需求侧管理
Journal：PowerDemandSideManagement
年，卷(期)：2024, 26(1)
分类号：TK018F407
关键词：负荷模式  改进粒子群算法  长短期记忆神经网络  参数寻优  
Keywords：loadmode  improvedparticleswarmoptimization  longshort-termmemoryneuralnetwork  parameteroptimization  
机标分类号：TP391TP183U491.1
在线出版日期：2024年2月1日
基金项目：国网江苏省电力有限公司科技项目基于改进PSO优化LSTM网络的典型用电负荷模式识别[
期刊论文]  电力需求侧管理--2024, 26(1)贾磊  龚正  吴海伟  耿文逸  王琚玮新能源发电的推广和使用加剧了用电高峰期电网供需矛盾,对电力用户的负荷模式进行识别可以为负荷参与调峰决策提供支持.为提高用电负荷模式辨识准确率,提出一种基于改进粒子群(IPSO)算法优化长短期记忆(LSTM)神经网络的...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PSO优化LSTM网络的典型用电负荷模式识别  Typical power load mode recognition based on IPSO optimization and LSTM network

基于改进PSO优化LSTM网络的典型用电负荷模式识别.pdf

2024-12-14 11:50 上传 基于改进PSO优化LSTM网络的典型用电负荷模式识别.pdf

文件大小:

1.89 MB

下载次数:

60

高速下载