高效电网管理：基于PSO-LSTM的短期负荷智能预测

摘要：最近结合机器学习模型和超参数优化算法的负荷预测技术在短期负荷预测（STLF）任务中取得了成功，但通常需要复杂的编程、更高的计算成本和更大的参数调优。在本文中，我们提出了一种改进的STLF模型，该模型结合了长短期记忆（LSTM）神经网络与粒子群优化（PSO），以增强性能。在所提出的方法中，不同LSTM层中的隐藏神经元数量、学习率和训练迭代次数使用PSO算法进行优化。为了验证该方法的有效性，使用实际电网的气象数据和历史负荷数据作为输入。实验结果显示，PSO显著增强了LSTM神经网络的超参数调优，从而改善了预测建模。PSO-LSTM模型在平均绝对误差（MAE）方面比LSTM模型的性能提高了超过20%，并且对超参数的敏感性较低。与文献中其他方法的比较分析进一步验证了PSO-LSTM在STLF中的有效性。此外，该模型在1到4天的预测时段内实现了稳定的多步预测能力，MAE的平均误差为3.6445，RMSE为4.6509，MAPE为4.6519。本研究强调了PSO-LSTM在电力负荷预测中的增强鲁棒性和准确性，同时通过自我优化解决了超参数调优的挑战。