改进的黑猩猩算法优化LSTM的短期电力负荷预测

针对电力负荷随机性强、预测精度不高的问题,提出一种基于改进型黑猩猩优化算法(ICOA)优化长短时记忆网络(LSTM)的短期负荷预测模型.为了避免标准的黑猩猩算法求解LSTM参数优化问题时易陷入局部最优和收敛速度慢等缺陷,首先通过Sin混沌映射初始化黑猩猩种群,增强种群多样性,提高初始解的质量;其次,提出一种非线性收敛因子,均衡算法的全局与局部搜索能力,提高收敛速度;然后,引入反向学习策略和柯西高斯变异对最优黑猩猩进行扰动变异,提高算法局部和全局的开发能力,进而提高算法的寻优能力;最后,利用ICOA对LSTM网络的隐含层神经元数、学习率等参数进行优化,自动寻找最优参数,建立ICOA?LSTM负荷预测模型.结合某地区的实际数据进行预测分析,结果表明,与Elman、LSTM、PSO?LSTM、WOA?LSTM、COA?LSTM预测方法相比,文中所提方法的收敛速度和预测精度均有大幅提升.