计算机工程

作者：吴铁洲, 邹智, 姜奔, 张晓星

单位：1. 湖北工业大学 电气与电子工程学院, 武汉 430063;2. 湖北工业大学 太阳能高效利用及储能运行控制湖北省重点实验室, 武汉 430063

关键词：负荷预测,变异算子,遗传算法,门控循环神经网络,超参数寻优

基金：国家自然科学基金（51677058）。

短期负荷预测在电网调度安排和电力市场交易中发挥着重要作用，预测精度高，有利于提高发电设备的利用率和经济调度的有效性。为充分挖掘负荷数据中时序性特征的联系，解决神经网络中由超参数的随机选取导致的预测精度下降问题，提出一种基于教与学的遗传算法（TLBGA）和门控循环单元（GRU）神经网络的短期负荷预测方法。利用灰色关联分析法对原始数据进行相关度分析，剔除冗余特征，使输入与输出保持较好的映射关系，在遗传算法中加入一种基于教与学优化的新型变异算子，用于防止其出现早熟收敛问题，从而提高解的质量。在此基础上，运用改进后的TLBGA算法对GRU神经网络模型进行超参数寻优，更新GRU的模型超参数并使其性能达到最佳状态，以提高负荷预测的精度。对欧洲某地区的电力负荷数据集和美国PJM电力市场公开负荷数据集进行预测，结果表明，该方法的预测精度分别达到了97.1%和97.2%，相比反向传播神经网络、循环神经网络及GRU神经网络模型，具有更高的预测精度。

来源：2022年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第11期