基于超参数优化的电力负荷预测模型研究.pdf

1、本文档共6页，可阅读全部内容。
2、有哪些信誉好的足球投注网站（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

第32卷第4期电子设计工程2024年2月

Vol.32No.4ElectronicDesignEngineeringFeb.2024

基于超参数优化的电力负荷预测模型研究

11，2

张宜祥，张玲华

（1.南京邮电大学通信与信息工程学院，江苏南京210003；

2.南京邮电大学江苏省通信与网络技术工程研究中心，江苏南京210003）

摘要：电力负荷数据的多样性与复杂性，会导致负荷预测过程中出现超参数难以确定、拟合效果较

差和预测精度不高等问题。针对以上问题，提出一种基于樽海鞘群算法的融入注意力机制的双向

长短期记忆神经网络模型——SSA-AM-BiLSTM模型。该模型使用BiLSTM学习特征的内部变化

规律，引入注意力机制为特征进行权重分配，并且利用樽海鞘群算法优化网络超参数。基于具体

数据集进行的负荷预测仿真实验表明，相较于GRU、LSTM、AM-BiLSTM和PSO-AM-BiLSTM模型，

所提出的SSA-AM-BiLSTM模型的MAPE分别减少了2.15%、1.93%、1.42%和0.45%，并且优化了拟

合效果，显著提高了预测精度。

关键词：负荷预测；超参数；双向长短期记忆网络；注意力机制；樽海鞘群算法

中图分类号：TN919.5文献标识码：A文章编号：1674-6236（2024）04-0037-06

DOI：10.14022/j.issn1674-6236.2024.04.008

Researchonpowerloadforecastingmodelbasedonoptimizationofhyper⁃parameter

11，2

ZHANGYixiang，ZHANGLinghua

（1.CollegeofCommunicationandInformationEngineering，NanjingUniversityofPostsand

Telecommunications，Nanjing210003，China；2.JiangsuEngineeringResearchCenterofCommunication

andNetworkTechnology，NanjingUniversityofPostsandTelecommunications，Nanjing210003，China）

Abstract:Duetothediversityandcomplexityofpowerloaddata，therewillbeproblemsintheprocess

ofloadforecasting，suchasdifficultyindetermininghyper⁃parameters，poorfittingeffectandlow

forecastingaccuracy.Tosolvetheaboveproblems，aBi⁃directionalLongShort⁃TermMemorymodel

incorporatingattentionmechanismbasedonSalpSwarmAlgorithm(SSA⁃AM⁃BiLSTMmodel)isproposed.

ThemodelusesBiLSTMtolearntheinternalchangeruleoffeatures，introducestheattentionmechanism

todistributetheweightoffeatures，andusesSalpSwarmAlgorithmtooptimizeth

该用户很懒，什么也没介绍

咨询Ta 进入空间

更多 >