基于布谷鸟优化LSTM的短时电力负荷预测

0 引言

       短期电力负荷预测是电力系统安全调度、经济运行的重要依据 , 随着电力系统的市场化 , 负荷预测的精度直接影响到电力系统运行的可靠性、经济性和供电质量。LSTM 为短期电力负荷预测提供了一个新的研究方向。本文将LSTM用于短期电力负荷预测 , 提出基于LSTM 的短期电力负荷预测模型 , 同时建立布谷鸟算法模型对 LSTM进行参数优化以提高预测精度 , 并以浙江某地区的历史负荷数据和气象数据为例进行验证 , 实例验证表明 , CS-LSTM 模型的预测效果明显提高。
       布谷鸟搜索（Cuckoo Search，缩写 CS），也叫杜鹃搜索，是由剑桥大学杨新社（音译自：Xin-She Yang）教授和S.戴布（S.Deb）于2009年提出的一种新兴启发算法。

        直接上结果。程序均在python3 tensorflow1.x（tf2的也有，见评论区）下运行

1 基于LSTM的负荷预测

        本文选择的是浙江某地区的电力负荷值，每天的数据包括平均温度、最高温度、最低温度、相对湿度、星期类型、与24个时刻的负荷，共29个特征。基于LSTM，本文选择以第n-1天的29个值与第n天的平均温度、最高温度、最低温度、相对湿度、星期类型作为输入，以第n天的24个时刻的负荷作为输出，构建34输入24输出的LSTM短期电力负荷预测模型。

​

数据集一共96个样本，选择95个样本作为训练集，剩下1个样本作为测试集，得到的结果如图所示。

 ​

          各项评价指标为mape: 0.0403040110479  rmse: 3.25487293712  mae: 2.98230797516  R2: 0.938566707878

 2  基于CS优化LSTM的负荷预测

          为提高lstm精度，采用布谷鸟算法对LSTM的迭代次数，学习率，隐含层的节点数等进行寻优。本文采用最小化网络输出的实际值与期望值的均方差为适应度函数，目的是通过布谷鸟算法找到一组最优超参数组合使得网络的误差最小。所以适应度曲线是一条下降的曲线，如下图所示。

​ ​                                                   

部分其他出图如图所示，以学习率优化曲线为例，这个图的意思就是随着布谷鸟的优化，最终学习率稳定在0.002+的，此时这个学习率为最优学习率。

                                                    

​                                                       

3 对比试验

        采用LSTM、CS-LSTM、BP进行对比，结果如图

​

 显然是CS-LSTM最好。