基于改进粒子群IPSO与LSTM的短期电力负荷预测
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LSSVM 的短期电力负荷预测模型 , 同时建立改进粒子群模型对 LSTM进行参数优化 , 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 , 改进 PSO-LSTM 模型的预测效果明显提高。
1,改进的PSO算法，提出对PSO的惯性权重进行改进，改进后对5维sphere函数的极值寻优结果如图所示:
如图所示为PSO与IPSO对5维sphere函数极值寻优，从图上可以清晰看出，PSO算法大约在60次迭代时就早早的陷入了局部最优解，最终值约为1；IPSO极大的增强了寻优能力，在1000次迭代时依然具有寻找更优解的能力，极值大约为10^-7次方，这与PSO的结果相差6个数量级，明显可以IPSO拥有更强的寻优能力。
2, 基于LSTM的短期电力负荷预测。
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89个样本作为训练集，剩下7个样本作为测试集，得到的结果如图所示。
最后的测试集平均相对误差为2.9622%，可见lstm的泛化能力较好。此外，由于LSTM参数众多，本文拟采用上述改进PSO算法对LSTM的超参数进行寻优，寻优参数包括迭代次数、学习率、隐含层神经元节点数。
3，基于IPSO-LSTM的短期电力负荷预测
基于IPSO的LSTM短期电力负荷预测，以最小化0.5*(测试集mape+训练集mape）作为适应度函数。
对比结果如下，
ipso-lstm测试集mape：2.911%
pso-lstm测试集mape：2.966%
lstm测试集mape：2.972%，
上述结果说明，ipso-lstm确实能在一定程度减小误差；第二，lstm本身泛化能力也不错，即使不用优化也能达到一个不错的结果，经过分析，这与很多因素有关，比如我们的数据较为简单。https://github.com/fish-kong/PSO-IPSO-LSTM-regression