基于DBO-VMD和IWOA-BILSTM神经网络组合模型的短期电力负荷预测

作     者：刘杰 从兰美 夏远洋 潘广源 赵汉超 韩子月 LIU Jie;CONG Lanmei;XIA Yuanyang;PAN Guangyuan;ZHAO Hanchao;HAN Ziyue

作者机构：临沂大学自动化与电气工程学院山东临沂276002 雅砻江流域水电开发有限公司四川成都610000 

出 版 物：《电力系统保护与控制》 (Power System Protection and Control)

年 卷 期：2024年第52卷第8期

页      面：123-133页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080802[工学-电力系统及其自动化] 0808[工学-电气工程] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目资助(62103177) 

主　　题：蜣螂优化算法 VMD 改进鲸鱼算法 短期电力负荷预测 双向长短期记忆神经网络 组合算法 

摘      要：新能源在现代电力系统中占比不断提高,其负荷不规律性、波动性远大于传统电力系统,这就导致负荷预测精度不高。针对这个问题,提出了蜣螂优化(dung beetle optimizer,DBO)算法优化变分模态分解(variational mode decomposition,VMD)与改进鲸鱼优化算法优化双向长短期记忆(improved whale optimization algorithm-bidirectional long short-term memory,IWOA-BILSTM)神经网络相结合的短期负荷预测模型。首先利用DBO优化VMD,分解时间序列数据,并根据最小包络熵对各种特征数据进行分类,增强了分解效果。通过对原始数据进行有效分解,降低了数据的波动性。然后使用非线性收敛因子、自适应权重策略与随机差分法变异策略增强鲸鱼优化算法的局部及全局搜索能力得到改进鲸鱼优化算法(improved whale optimization algorithm,IWOA),并用于优化双向长短期记忆(bidirectional long short-term memory,BILSTM)神经网络,增加了模型预测的精确度。最后将所提方法应用于某地真实的负荷数据,得到最终相对均方根误差、平均绝对误差和平均绝对百分比误差分别为0.0084、48.09、0.66%,证明了提出的模型对于短期负荷预测的有效性。