来源：期刊VIP网 时间：
作者：梅通达;司占军;张滢雪;
单位：天津科技大学人工智能学院;
摘要：负荷预测对于新型电力系统发展的意义重大。随着智能电网的发展，分布式可再生能源和电力电子器件的整合分配使得电力负荷数据变得愈发的复杂且波动，这给电力负荷的预测和分析提出了更高的要求。为了提高短期电力负荷的预测精度，本研究提出一种基于混合策略改进的鲸鱼优化算法（Improved Whale Optimization Algorithm,IWOA）的CNN-BiLSTM-TPA短期电力预测模型。首先，该模型将卷积神经网络（Convolutional Neural Network,CNN）和双向长、短期记忆网络（Bidirectional Long Short-Term Memory,BiLSTM）相结合充分提取负荷数据本身的时空特征。然后，在CNN-BiLSTM中引入时间注意力（Temporal Pattern Attention Mechanism,TPA）机制，自动为BiLSTM隐藏层状态分配相应的权重，以区分不同时间负荷序列的重要性。同时，为了解决时序模型的参数较难选择以及鲸鱼算法全局搜索能力差、易陷入局部最优等问题，本研究采用Tent混沌映射和Levy飞行策略来混合优化鲸鱼算法，以便于更好地对模型参数进行寻优。最后，本研究以浙江某地区真实负荷数据为例进行分析，并与BP、WOA-CNN-BiLSTM、SSA-CNNBiLSTM、CNN-BiGRU-Attention等预测模型进行对比。实验结果表明，本研究所提模型的预测精度（R2）达到了98.83%，其具有更高的预测精度。
关键词：鲸鱼优化算法;;卷积神经网络;;长短期记忆网络;;注意力机制;;电力负荷预测
