基于布谷鸟优化LSTM的短时电力负荷预测

       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下运行

        1.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  mad: 2.98230797516  R2: 0.938566707878  tic: 0.0218314601567

           2  ,基于CS-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，两个隐含层的节点数进行寻优。

​ ​                                                   

                                                        

                                                    

​                                                       

 

3，对比试验

采用LSTM GRU CS-LSTM CS-GRU BP进行对比，结果如图

​

​

显然是CS-LSTM最好。