基于经验模态分解和优化 BiLSTM 的短期负荷预测

来源：机械与电子杂志2024年第09期北京时间：

作者：骆东松;魏義民;张杰锋

单位：兰州理工大学电气工程与信息工程学院,甘肃 兰州 730050

摘要：针对电力负荷数据的非线性和不稳定性问题,提出了一种基于经验模态分解 改进麻雀搜索算法-双向长短期记忆神经网络相结合的 EMD-ISSA-BiLSTM 预测模型。首先采用 EMD 处理非线性负荷数据,将原始负荷数据分解为多个不同尺度的本征模态函数( IMF ),引入反向学习策略和 Levy 飞行策略分别改进麻雀搜索算法( SSA )的收敛速度慢和容易陷入局部最优问题,利用改进麻雀搜索算法( ISSA )对 BiLSTM 神经网络进行参数寻优。然后再利用优化后的 BiLSTM 模型对每个分量进行预测,并将各预测结果叠加组合,得到整个负荷序列的预测结果。最后通过实际算例分析,证明该方法相对于传统的预测方法具有更好的预测精度和稳定性,可作为一种有效的短期负荷预测方法。

关键词：电力系统;负荷预测;经验模态分解;麻雀搜索算法;双向长短时记忆神经网络