Prévision de la charge électrique à court terme basée sur une décomposition des données améliorée et des modèles hybrides d'apprentissage profond

La prévision de la charge électrique à court terme joue un rôle clé dans la planification quotidienne et assure le fonctionnement stable du système électrique. Le problème de la volatilité de la séquence de charge électrique et de la faible précision des prévisions est abordé. Dans cette étude, un modèle d'apprentissage intégrant des algorithmes d'optimisation intelligente est proposé, combinant un modèle d'apprentissage par ensemble basé sur la mémoire à long et court terme (LSTM), la décomposition modale variationnelle (VMD) et l'algorithme d'optimisation multi-stratégies du bousier (MODBO). L'objectif est de remédier aux lacunes de l'algorithme d'optimisation du bousier (DBO) dans la prévision de la charge électrique, telles que sa nature chronophage, sa faible précision et son inclination à tomber dans un optimum local. Dans cet article, premièrement, l'algorithme du bousier est initialisé à l'aide d'une stratégie d'apprentissage inverse par imagerie de lentille pour éviter la convergence prématurée de l'algorithme. Ensuite, une stratégie de recherche en spirale est utilisée pour mettre à jour les positions dynamiques des bousiers reproducteurs afin d'équilibrer les capacités de recherche locales et globales. Puis, les positions des bousiers foragers sont mises à jour en utilisant une stratégie de bootstrapping de valeur optimale pour éviter de tomber dans un optimum local. Enfin, les coefficients de pondération dynamiques sont utilisés pour mettre à jour la position du bousier voleur afin d'améliorer la capacité de recherche globale et la convergence de l'algorithme. Le nouvel algorithme proposé est nommé MVMO-LSTM. Par rapport aux algorithmes intelligents traditionnels, les moyennes quadrimestrielles des RMSE, MAE et R2 de MVMO-LSTM sont améliorées de 0,1147 à 0,7989 KW, de 0,09799 à 0,6937 KW, et de 1,00 à 13,05 %, respectivement. Les résultats expérimentaux montrent que le MVMO-LSTM proposé dans cet article résout non seulement les lacunes du DBO mais améliore également la stabilité, la capacité d'optimisation globale et l'utilisation de l'information du modèle.