基于IHHO-GRU-SA的短期电力负荷预测研究

作     者：汤明辉 

作者单位：南昌大学 

学位级别：硕士

导师姓名：汪庆年;黄天诚

授予年度：2024年

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

主      题：短期电力负荷预测 相关性分析 门控循环单元 自注意力机制 哈里斯鹰算法 

摘      要：随着信息化技术的发展,智能电网将成为未来电力行业的发展目标。短期负荷预测作为电力系统运行管理的重要环节,为电力调度提供有力支持,保证电网的稳定运行,在智能电网中发挥着关键作用。由于不确定性及众多因素影响,传统预测方法又是基于历史数据的统计规律进行预测,难以应对复杂多变的现实情况,导致预测精度往往无法满足实际需求。考虑到以上背景,本文从基于机器学习的组合模型方面进行了研究。 首先,采用自相关系数法和皮尔逊系数法分析了影响负荷变化的因素,介绍门控循环单元(GRU)具有参数少、结构简单和易收敛的特点。然后结合华东某地电力负荷数据,对比分析了随机森林法(RF)、多层感知机(MLP)、循环神经网络(RNN)、长短期记忆网络(LSTM)和GRU五种短期负荷模型预测效果。结果表明GRU的是五种模型中预测表现最好的,可以作为负荷预测更有效模型,为后面提出的组合模型奠定基础。 其次,GRU会因输入数据较长和特征较多,从而导致信息遗漏,特征表现受到限制,预测精度下降。为避免上述问题的发生,引入了自注意力机制(SA),组合成GRU-SA模型,并与LSTM、GRU及LSTM-SA三种模进行预测实验误差对比。结果证明GRU-SA组合模型的有效性和单一模型加入自注意力机制能够提升预测精度。 最后,为防止GRU-SA模型参数人为主观设置不当,从而造成模型预测精度下降,引入哈里斯鹰算法(HHO)。考虑到HHO种群设置中多样性不足和易陷入局部最优的问题,采用佳点集法和limit阈值法去进行解决,提出了改进的哈里斯鹰算法(IHHO),并用测试函数去验证了IHHO的有效性。并且将IHHO和GRU-SA模型组合成IHHO-GRU-SA预测模型,与遗传算法优化的GA-GRU-SA、粒子群算法优化的PSO-GRU-SA和哈里斯鹰算法优化HHO-GRU-SA进行仿真实验对比,结果表明IHHO-GRU-SA模型预测效果更好,证明该模型的实效性。