基于改进Q学习算法和组合模型的超短期电力负荷预测

作     者：张丽 李世情 艾恒涛 张涛 张宏伟 ZHANG Li;LI Shiqing;AI Hengtao;ZHANG Tao;ZHANG Hongwei

作者机构：河南理工大学电气工程与自动化学院河南焦作454003 河南省煤矿装备智能检测与控制重点实验室河南焦作454003 国网山西省电力公司临汾供电公司山西临汾041000 

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9期

页      面：143-153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] 08[工学] 081104[工学-模式识别与智能系统] 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(52177039) 河南省高等学校重点科研项目资助(24A470006) 河南省科技攻关项目(242102241027) 

主　　题：Q学习算法 负荷预测 双向长短期记忆 深度极限学习机 灰狼算法 

摘      要：单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差,针对此问题,提出一种基于深度学习算法的组合预测模型｡首先,采用变分模态分解对原始负荷序列进行分解,得到一系列的子序列。其次,分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后,利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合,得到每个子序列的预测结果。最后,将各个子序列的预测结果进行求和,得到最终的负荷预测结果。以某地真实负荷数据进行预测实验,结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳,预测精度达到98%以上。