基于启发式优化CNN-BILSTM模型的电力负荷超短时预测研究.pdfVIP

摘要

随着电力市场的发展和新能源的不断融入，电力问题备受瞩目，该问题不仅仅是

能源问题，更是经济社会问题乃至国家发展的问题，电力负荷预测直接影响电力系统

的可靠性和经济性，特别是超短时的电力负荷预测，对于即时调整电力系统供电规

划，发现电路电网问题具有重要的意义。在电力负荷超短时预测的诸多方法中，深度

学习的方法随着计算机算力的增强和各种硬件设施的提升而逐渐走近研究者的视野。

本文以普通的CNN-LSTM模型为基础，利用比利时电力负荷数据作为实验数据，

逐步优化集成，提出了佳点集优化的POA-CNN-BILSTM-Attention模型。具体工作

如下：从CNN-LSTM模型出发，首先改进为CNN-BILSTM模型，接着利用启发式

优化算法，建立了SSA-CNN-BILSTM模型和POA-CNN-BILSTM模型，优化模型参

数的同时，发现随机初始化种群方法会导致部分个体“粘连”在一起，浪费计算机算

力资源，故结合佳点集算法随机初始化种群方法，提出了改进的SSA-CNN-BILSTM

模型和POA-CNN-BILSTM模型，随后对两个改进模型进行对比分析，选择最优的模

型集成了SE注意力机制，使卷积网络能够执行动态通道特征重新校准来提高网络的

表示能力，建立了佳点集优化改进的POA-CNN-BILSTM-Attention模型，且继续使

用比利时电网的数据，但对每日的96条数据求和取平均作为当日电力负荷值，作中

短时电力负荷预测，测试模型对中短时电力负荷预测的能力，本文的创新点如下：

（1）佳点集算法优化可以提高初始种群多样性，让初始种群“随机且均匀”，有

利于摆脱局部最值的吸引，改进了两种启发式优化算法对模型参数的选取，可以节省

计算时间，提高电力负荷预测精度。

（2）集成了注意力机制的改进POA-CNN-BILSTM-Attention模型通过调整SE

模块的通道数将有限的注意力集中在重点区域，引入较少参数的情况下，比起传统的

CNN-LSTM模型展示出了更为精准的预测结果。

经过模型之间的横纵对比，改进的POA-CNN-BILSTM-Attention模型可以较为

精准的预测每隔15min的超短时电力负荷值，全面的学习到超短时电力负荷数据的

趋势变化，有效提高电力负荷预测的准确度，以期此模型可以为超短时电力负荷预测

乃至中短时电力负荷预测提供实际帮助。

关键词：超短时电力负荷预测；POA算法；佳点集；注意力机制

ABSTRACT

Withthedevelopmentofthepowermarketandthecontinuousintegrationofnew

energy,thepowerproblemhasattractedmuchattention,whichisnotonlyanenergy

problem,butalsoaneconomicandsocialproblemandevenanationaldevelopmentproblem.

Accuratepredictionofpowerload,particularlyinultra-shortintervals,significantly

influencesthereliabilityandcost-effectivenessofthepowergrid.Itisofgreatsignificance

tofindtheproblemofcircuitnetwork.Withtheenhancementofcomputercomputingpower

andtheimprovementofvarioushardwarefacilities,thedeeplearningmethodisgradually

approachingthefieldofviewofresearchers.

BasedonthecommonCNN-LSTMmodelandtheBelgiumloaddataasexperimental

data,