改进的黑猩猩算法优化LSTM的短期电力负荷预测

作者：高超; 孙谊媊; 赵洪峰; 邓林鲜; 魏鹏飞

来源：现代电子技术, 2022, 45(21): 122-126.

DOI：10.16652/j.issn.1004-373x.2022.21.021

• 短期负荷预测
• 长短时记忆网络
• 改进型黑猩猩优化算法
• Sin混沌映射
• 收敛因子
• 反向学习

针对电力负荷随机性强、预测精度不高的问题，提出一种基于改进型黑猩猩优化算法（ICOA）优化长短时记忆网络（LSTM）的短期负荷预测模型。为了避免标准的黑猩猩算法求解LSTM参数优化问题时易陷入局部最优和收敛速度慢等缺陷，首先通过Sin混沌映射初始化黑猩猩种群，增强种群多样性，提高初始解的质量；其次，提出一种非线性收敛因子，均衡算法的全局与局部搜索能力，提高收敛速度；然后，引入反向学习策略和柯西高斯变异对最优黑猩猩进行扰动变异，提高算法局部和全局的开发能力，进而提高算法的寻优能力；最后，利用ICOA对LSTM网络的隐含层神经元数、学习率等参数进行优化，自动寻找最优参数，建立ICOA-LSTM负荷预测模型。结合某地区的实际数据进行预测分析，结果表明，与Elman、LSTM、PSO-LSTM、WOA-LSTM、COA-LSTM预测方法相比，文中所提方法的收敛速度和预测精度均有大幅提升。

• 出版日期2022
• 单位新疆大学