基于鹈鹕优化CNN-BiLSTM的电力负荷预测

吴小涛; 袁晓辉; 毛玉鑫; 王祥; 郭乐; 舒卫民

doi:10.20040/j.cnki.1000-7709.2024.20240086

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

基于鹈鹕优化CNN-BiLSTM的电力负荷预测

更新时间：2026-02-25

- 基于鹈鹕优化CNN-BiLSTM的电力负荷预测
- Issue 8, Pages: 209-212+172(2024)
- 作者机构：
  
  1. 黄冈师范学院数学与统计学院
  2. 华中科技大学土木与水利工程学院
  3. 华中科技大学数字流域科学与技术湖北省重点实验室
  4. 中国长江电力股份有限公司
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2024.20240086
  CLC： TM715;TP18
- Published：2024
- 稿件说明：
移动端阅览
吴小涛, 袁晓辉, 毛玉鑫, et al. 基于鹈鹕优化CNN-BiLSTM的电力负荷预测[J]. 2024, (8): 209-212+172.
DOI：

吴小涛, 袁晓辉, 毛玉鑫, et al. 基于鹈鹕优化CNN-BiLSTM的电力负荷预测[J]. 2024, (8): 209-212+172. DOI： 10.20040/j.cnki.1000-7709.2024.20240086.

摘要

为了提高电力负荷的预测精度，基于卷积神经网络(CNN)的空间特征提取能力、双向长短时记忆(BiLSTM)网络的时序预测性能以及鹈鹕优化算法(POA)的寻优能力，提出了一种新的基于CNN、BiLSTM、POA的组合电力负荷预测模型(POA-CNN-BiLSTM)。首先利用CNN提取电力负荷时间序列的特征向量，然后输入到BiLSTM网络进行双向循环训练，构建CNN-BiLSTM预测模型，并采用POA优化BiLSTM网络的隐藏层单元数、学习率和正则化系数等参数，最后输出电力负荷预测结果。将提出的模型应用于某区域电力负荷预测，结果表明，BiLSTM、LSTM模型预测精度优于最小二乘支持向量机(LSSVM)模型；BiLSTM模型预测精度优于LSTM模型；POA的寻优精度优于粒子群优化算法(PSO);CNN-LSTM、CNN-BiLSTM组合预测模型预测精度优于LSTM、BiLSTM模型；POA-CNN-BiLSTM模型预测精度优于POA-LSSVM、PSO-LSTM、POA-LSTM、POA-BiLSTM和POA-CNN-LSTM模型，能更好地追踪电力负荷的变化趋势。

Abstract

关键词

Keywords

references

任建吉,位慧慧,邹卓霖,侯庭庭,原永亮,沈记全,王小敏.基于CNN-BiLSTM-Attention的超短期电力负荷预测[J].电力系统保护与控制,2022(08).

王欢,李鹏,曹敏,孙煜皓.基于CNN＿BiLSTM的长短期电力负荷预测方法[J].计算机仿真,2022(03).

张震,李孟洲,李浩方,马军强.基于VMD-LSTM-MLR的短期电力负荷预测[J].水电能源科学,2021(10).

程江洲,潘飞,鲍刚,何艳,陈奕睿.基于MAC-WD-CNN-MCNN模型的超短期负荷预测[J].水电能源科学,2021(09).

杨龙,吴红斌,丁明,毕锐.新能源电网中考虑特征选择的Bi-LSTM网络短期负荷预测[J].电力系统自动化,2021(03).

Trojovský Pavel,Dehghani Mohammad.Pelican Optimization Algorithm: A Novel Nature-Inspired Algorithm for Engineering Applications[J].Sensors,2022.

Junhong Kim,Jihoon Moon,Eenjun Hwang,Pilsung Kang.Recurrent inception convolution neural network for multi short-term load forecasting[J].Energy & Buildings,2019.

Y. LeCun,B. Boser,J. S. Denker,D. Henderson,R. E. Howard,W. Hubbard,L. D. Jackel.Backpropagation Applied to Handwritten Zip Code Recognition[J].Neural Computation,1989(4).

Views

503

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于ARIMA-IPOA-CNN-LSTM的太湖水体溶解氧浓度预测模型

耦合物理机制和数据驱动的城市洪涝潮淹没快速模拟

基于PSO-PCA-CNN的水电机组故障诊断

基于CWT-CNN模型的泵站机组故障诊断研究

深度学习算法在山南市雅桑站流量模拟中的应用研究

Related Author

杨焕峥

崔业梅

徐玲

薛洪惠

刘永志

张文婷

刘立军

唐雯雯

Related Institution

南京大学近代声学教育部重点实验室

常州大学微电子与控制工程学院

无锡商业职业技术学院

江苏省无线传感系统应用工程技术研究开发中心

南京水利科学研究院

AI问答

⁰