来源：期刊VIP网 时间：
作者：谢国民;陆子俊;
单位：辽宁工程技术大学电气与控制工程学院;
摘要：针对电力负荷数据周期性强、波动性高，预测效果不佳的问题，建立一种基于优化变分模态分解、改进沙猫群优化（improved sand cat swarm optimization,ISCSO）算法和双向长短时记忆（bidirectional long short-term memory,BiLSTM）网络的集成预测模型。首先，对原始电力负荷数据进行变分模态分解，降低数据复杂度，在变分模态分解中，引入白鲸算法对分解层数和惩罚因子寻优，优化分解效果。其次，采用Logistic混沌映射、螺旋搜索和麻雀思想引入的多策略改进方法，增加原始沙猫群优化算法的种群多样性，提升收敛精度和全局搜索能力，并用改进后的算法对BiLSTM中的超参数进行优化。然后，结合AdaBoost集成学习算法构建ISCSO-Bi LSTM-AdaBoost预测模型，将分解后的各分量输入模型预测。最后将各预测值叠加，得到最终预测结果。实验结果表明，本文建立的组合模型预测精度高，稳定性强。
关键词：电力负荷预测;变分模态分解;双向长短期记忆网络;改进沙猫群优化算法;集成学习算法
基金资助：国家自然科学基金资助项目（51974151）; 辽宁省教育厅重点实验室基金资助项目（LJZS003）
