基于ICEEMDAN-IGJO-BiLSTM組合模型的短期電力負(fù)荷預(yù)測

中圖分類號：TM715 文獻(xiàn)標(biāo)志碼：A

Short-Term Power Load Forecasting Based on ICEEMDAN-IGJO-BiLSTM Combined Model

MENG Ling-ling ， YANG Chun-lan ， WANG Qiang School of Electronics and Electrical Engineering，Bengbu College， Bengbu 23303O，Anhui，China）

Abstract：Aiming at the problems that the load data in the power system has certain nonlinearity and non-stationary characteristics，and the single Bidirectional Long Short-Term Memory neural network （BiLSTM） prediction model has low accuracy， the ICEEMDAN-IGJO-BiLSTM combined prediction model is proposed. Firstly，perform ICEEMDAN decomposition on the original load data to improve the stability of the data. Then，Logistic chaotic mapping，adaptive weights and lens imaging reverse learning strategies were used to improve the Golden Jackal optimization algorithm，forming the Improved Golden Jackal Optimization Algorithm （IGJO），which can enhance the optimization ability and convergence speed of the algorithm， further optimize the BiLSTM neural network，and increase the prediction accuracy of the combined model. Finally， the proposed method is applied to the actual load data of a certain area. The validity of the proposed model is verified through the mean absolute error，root mean square error and mean absolute percentage error of the indicators.

Key words： short-term power load forecasting；improved Golden Jackal optimization algorithm；bidirectional long and short-term memory neural network

0 引言

不斷增加，合理安排發(fā)電計劃，保證電網(wǎng)供需平衡至關(guān)重要.但隨著太陽能等新型能源系統(tǒng)的建立，電力系統(tǒng)的負(fù)荷結(jié)構(gòu)變得多樣化，負(fù)荷特性也較目前，隨著經(jīng)濟(jì)的高速發(fā)展，我國對電能需求為復(fù)雜，增加了電力負(fù)荷預(yù)測的難度.傳統(tǒng)的預(yù)測方法，如時間序列法、支持向量回歸等單一模型已無法滿足負(fù)荷預(yù)測的需求，因此需要探索一些新方法來提高電力系統(tǒng)負(fù)荷預(yù)測的準(zhǔn)確性[1].

近年來，隨著深度學(xué)習(xí)算法的不斷發(fā)展，卷積神經(jīng)網(wǎng) 絡(luò)（Convolutional Neural Network，CNN）、長短期記憶網(wǎng)絡(luò)神經(jīng)（LongShort-TermMemory，LSTM）等深度學(xué)習(xí)模型廣泛出現(xiàn)在負(fù)荷預(yù)測中，且取得了一定的效果.CNN在捕獲負(fù)荷時間序列的局部特征以及空間關(guān)系等方面具有很高的靈活性.文獻(xiàn)[2]中將CNN和門控循環(huán)單元（GatedRecurrentUnit，GRU）結(jié)合來對負(fù)荷進(jìn)行預(yù)測.崔楊[3采用CNN、自注意力編碼解碼網(wǎng)絡(luò)和殘差優(yōu)化的短期電力負(fù)荷預(yù)測方法，有效地挖掘數(shù)據(jù)間的相關(guān)信息，確定了該算法在負(fù)荷預(yù)測方面的優(yōu)勢.此外，由于LSTM網(wǎng)絡(luò)捕捉非線性能力較強(qiáng)，將該算法用于負(fù)荷預(yù)測中，采用合適的優(yōu)化算法對LSTM網(wǎng)絡(luò)中的參數(shù)進(jìn)行尋優(yōu)，通過具體的負(fù)荷數(shù)據(jù)驗證了模型的有效性[4-6].

考慮到LSTM網(wǎng)絡(luò)是根據(jù)已有的時間序列從前到后進(jìn)行傳播和訓(xùn)練的，為深度挖掘和提取負(fù)荷序列特征的深層次關(guān)系，研究者開發(fā)出雙向長短期記憶（Bidirectional Long Short-TermMemory，BiLSTM）神經(jīng)網(wǎng)絡(luò).根據(jù)負(fù)荷的特點，利用BiLSTM建立預(yù)測模型，通過具體負(fù)荷案例驗證了預(yù)測模型的有效性[7-8].針對預(yù)測模型中參數(shù)的取值問題，有學(xué)者對參數(shù)尋優(yōu)的算法進(jìn)行了改進(jìn)，如采用蜣螂優(yōu)化算法來優(yōu)化變分模態(tài)分解進(jìn)行數(shù)據(jù)處理，采用改進(jìn)鯨魚優(yōu)化算法優(yōu)化預(yù)測模型參數(shù)，最終通過實例驗證了模型的準(zhǔn)確度[9].也有學(xué)者采用麻雀搜索算法或算術(shù)優(yōu)化算法對預(yù)測模型的參數(shù)進(jìn)行尋優(yōu)[10-11].對于電力負(fù)荷數(shù)據(jù)的非線性以及波動性的特點，相關(guān)文獻(xiàn)采用集成經(jīng)驗?zāi)B(tài)分解（EnsembleEmpiricalModeDe-composition，EEMD）或變分模態(tài)分解（Variation-alModeDecomposition，VMD）等算法進(jìn)行負(fù)荷數(shù)據(jù)的處理，有效地降低數(shù)據(jù)的非平穩(wěn)性[12-13].

基于上述研究，考慮到BiLSTM網(wǎng)絡(luò)在數(shù)據(jù)預(yù)測方面具有一定的優(yōu)勢，本文首先用改進(jìn)的自適應(yīng)噪聲完備集合經(jīng)驗?zāi)B(tài)分解（Improved

Complete Ensemble Empirical Mode Decomposi-tion with Adaptive Noise，ICEEMDAN）算法對負(fù)荷數(shù)據(jù)進(jìn)行平穩(wěn)化的處理，然后通過改進(jìn)的金豺優(yōu)化算法建立BiLSTM網(wǎng)絡(luò)預(yù)測模型，通過對算法的優(yōu)化改進(jìn)，提高該算法的全局和局部的尋優(yōu)能力，最后通過具體的負(fù)荷數(shù)據(jù)驗證模型的有效性.

ICEEMDAN算法

首先，對原始負(fù)荷數(shù)據(jù)進(jìn)行平穩(wěn)化處理.傳統(tǒng)的經(jīng)驗?zāi)B(tài)分解（EmpiricalModeDecomposi-tion，EMD）將非線性數(shù)據(jù)分解為若干個固有模態(tài)分量（IMF）和一個殘差分量，但不同頻率成分的信號可能會混合在一起，出現(xiàn)模態(tài)混疊的現(xiàn)象.基于此，ICEEMDAN算法[14-15]在分解的迭代過程中加入高斯白噪聲來解決這個問題，算法的具體步驟如下所示.

（1）在原始的負(fù)荷時間序列中加人高斯白噪聲，得到第 i 次待分解的信號 x_i（t）

x_i（t）=x（t）+ε₀E₁（ω_i（t））（i=1，2，…，n），

式中： x_i（t） 為第 i 個信號； x（t） 為原始信號； ε_?0 為第1次分解時信號的噪聲標(biāo)準(zhǔn)差； ω_i（t） 為第 i 個具有零均值以及單位方差的高斯白噪聲； E₁（?） 為分解得到的第1個 IMF

（2）通過EMD分解計算 x_i（t） 的局部平均值，得到第一個殘差分量和第一個 IMF₁ 分量，具體的表達(dá)式為

IMF₁=x-r₁（t），

式中， M（?） 為局部均值.

（3）對第一個殘余分量加上高斯白噪聲，進(jìn)行第二次局部均值計算： ε₁E（ω_i（t））） ，得到第2個模態(tài)分量 IMF₂ ·

IMF₂=r₁（t）-r₂（t）=

（4）依次類推，計算得到第 k 個模態(tài)分量.

IMF_k=r_k-1（t）-r_k（t）.

式中，

（5）重復(fù)步驟（4），直到殘余分量再無法進(jìn)行分解時，原始分量最終可以分解為 n 個固有模態(tài)分量和一個剩余分量 r（t） ，其表達(dá)式為

2 BiLSTM網(wǎng)絡(luò)

傳統(tǒng)的LSTM網(wǎng)絡(luò)通過門控機(jī)制來控制信息的流動，實現(xiàn)對長期依賴信息的捕捉.LSTM網(wǎng)絡(luò)單元結(jié)構(gòu)包括遺忘門、輸入門和輸出門.其基本單元結(jié)構(gòu)如圖1所示.

工作原理如下.

遺忘門：用于控制記憶單元中信息的舍棄或保留，表達(dá)式為

其中： f_t 為遺忘門參數(shù)，范圍為[0，1]，主要對 c_t-1 信息保留的控制； σ 表示Sigmoid函數(shù)； W_f 為遺忘門權(quán)重； h_t-1 表示為 t-1 時刻隱藏層的輸出信號； x_t 表示輸入信號； 為遺忘門的偏置矩陣. f_t =0 ，表示信息完全舍棄； f_t=1 ，表示信息完全保留.

輸人門：決定要更新的信息.具體表達(dá)式為

i_t=σ（W_i[h_t-1，x_t]+b_i），

其中： i_t，W_i，b_i 分別表示輸入門參數(shù)、輸入門權(quán)重、輸入門的偏置矩陣； 為記憶單元的輸入狀

態(tài)；tanh為雙曲正切激活函數(shù)； W_c，b_c 分別表示 細(xì)胞狀態(tài)權(quán)重、記憶單元的偏置矩陣； C_t-1 和 C_t 分別為 t-1 時刻單元狀態(tài)和更新的單元狀態(tài).

輸出門：通過最后的輸出層得到最終預(yù)測值，具體的表達(dá)式為

O_t=σ（W_o[h_t-1，x_t]+b_o），

h_ι=O_ι?tanh（C_ι），

其中： O_ι 為輸出單元狀態(tài)； W_o 為單元狀態(tài)權(quán)重；b_o 為輸出門的偏置矩陣； h_t 為 Ψ_t 時刻隱藏層的輸出信號.

雙向長短期記憶網(wǎng)絡(luò)在LSTM的基礎(chǔ)上，通過結(jié)合前向以及后向兩個LSTM網(wǎng)絡(luò)的輸出，來捕捉時間序列中的雙向依賴關(guān)系，在一定程度上可以提高模型預(yù)測的準(zhǔn)確性.BiLSTM算法結(jié)構(gòu)如圖2所示.

BiLSTM算法具體的表達(dá)式：

其中： 為前向LSTM隱藏層在 Ψ_t 時刻的狀態(tài)； 為后向LSTM隱藏層在 Ψ_t 時刻的狀態(tài)； W_y 表示權(quán)重； b_y 表示為偏置項； x_t 表示 Ψ_t 時刻的輸人數(shù)據(jù)；y_t 表示 t 時刻的輸出數(shù)據(jù).

3 改進(jìn)金豺優(yōu)化算法

3.1 金豺優(yōu)化算法

金豺優(yōu)化算法（GoldenJackal Optimization，GJO）是通過模擬金豺的協(xié)作狩獵行為而建立的一種優(yōu)化算法，主要是由雄雌豺狼帶領(lǐng)各個豺狼對獵物進(jìn)行搜索、包圍和圍捕[16].在該算法中雄性金豺處于最優(yōu)的探索位置，雌性金豺處于次優(yōu)位置.主要步驟如下.

3.1.1 初始化種群

金豺種群搜尋獵物，初始化種群的位置，數(shù)學(xué)模型表達(dá)式為

Y=l_b+rand×（u_b-l_b），

其中： Y₀ 表示初始金豺種群的位置； rand 是（0，1）內(nèi)均勻分布的隨機(jī)數(shù)； u_b 和 l_b 分別為求解問題的上邊界和下邊界.

3.1.2 搜索獵物（全局搜索）

當(dāng)豺狼發(fā)現(xiàn)獵物后，雄雌豺狼處于領(lǐng)導(dǎo)位置，雌性豺狼跟隨雄性豺狼，相互配合追蹤.獵物在不斷逃脫過程中，定義逃逸能量為 E ，它會隨著時間不斷減小，當(dāng) E 越小，就越容易被金豺狼捕捉到.其數(shù)學(xué)表達(dá)式為

E=E₁*E₀=

式中： C₁ 為常值1.5，指的是能量 E₁ 從1.5衰減到 0;T 為最大迭代次數(shù)； k 為當(dāng)前迭代次數(shù)； r₁ 為（0，1）內(nèi)均勻分布的一個隨機(jī)數(shù).在捕捉過程中，雄性和雌性金豺位置更新公式分別為

其中： Y_M（k） 和 Y_FM（k） 分別為雄性和雌性金豺 k 次迭代的位置； Y₁（k） 表示第 k 次迭代后與獵物相應(yīng)的雄性金豺位置； Y₂（k） 表示第 k 次迭代后與獵物相應(yīng)的雌性金豺位置； L 是基于Levy分布的隨機(jī)數(shù)， L=0，05*LF（y），LF（y） 是Lévy飛行函數(shù). L?p_rey （·）表示獵物逃跑的方式.∣Y_M（k）-L?_rey（k）∣ 表示在追逐獵物階段雄性雌性豺狼與獵物的相對距離.最后金豺的位置更新表達(dá)式為

3.1.3 包圍和圍捕獵物（局部搜索）

金豺通過搜索得到到獵物并進(jìn)行圍捕，隨著

獵物逃脫能量的不斷減少，雄性和雌性金豺進(jìn)行圍獵抓捕，具體的位置更新如下：

Y₃（k）=

Y_M（k）-E?∣L?Y_M（k）-?_rey（k）∣，

Y₄（k）=

Y_FM（k）-E?|L?Y_FM（k）-?_rey（k）|，

式中， Y₃（k） 和 Y₄（k） 分別為雄性金豺和雌性金豺第 k 次迭代后更新的位置.在這個階段中，采用Levy運動來模擬金豺抓捕獵物的過程行為.在算法中從全局搜索轉(zhuǎn)向局部搜索主要通過獵物逃脫能量 E 的絕對值大小來改變.當(dāng) |E|?1 ，金豺繼續(xù)進(jìn)行探索追蹤獵物；當(dāng) ∣E∣lt;1 ，金豺開始包圍和抓捕獵物，

3.2 改進(jìn)的金豺算法

3.2.1Logistic混沌映射

金豺算法初始化種群是以隨機(jī)數(shù)的方式產(chǎn)生的，缺乏多樣性，且會限制算法的全局搜索能力，進(jìn)而影響算法的尋優(yōu)能力.混沌映射可以有效地改善這個問題，最常采用的就是Logistic映射，其混沌映射原理簡單，具有較強(qiáng)的隨機(jī)性和遍歷性，數(shù)學(xué)表達(dá)式為

x_i+1=ax_i（1-x_i），0

其中， a 為控制參數(shù)，值越大混沌性越高，可以根據(jù)初始化的要求靈活地進(jìn)行調(diào)節(jié).

3.2.2 自適應(yīng)權(quán)重

GJO算法中重要的是金豺位置的更新，通過引入自適應(yīng)權(quán)重來替代原來的均值權(quán)重，由于在迭代過程中雄性金豺?qū)ΛC物的位置影響較大，因此在設(shè)置的時候雄性金豺更新的位置權(quán)重高于雌性金豺位置更新權(quán)重，有利于提高算法的收斂速度，具體的表達(dá)式為

其中： w₁ 和 w₂ 為位置更新的權(quán)重； f（Y_i） 代表個體位置對應(yīng)的目標(biāo)函數(shù)值； Y（k+1） 表示迭代更新的位置.

3.2.3 透鏡成像反向?qū)W習(xí)策略

由于GJO算法中位置更新依賴于最優(yōu)個體，容易使算法陷入局部最優(yōu)解，因此需要一定的策略進(jìn)行相應(yīng)的改進(jìn).凸透鏡成像是一種有效的策略，它是指將物體置于焦點以外，在凸透鏡的另一側(cè)形成倒置的實像.采用凸透鏡成像反向?qū)W習(xí)策略，可以通過調(diào)節(jié)相關(guān)參數(shù)的大小，獲得動態(tài)變化的反向解，在其算法迭代的后期能夠有效地跳出局部最優(yōu)解，可以提高收斂速度以及收斂精度.

最佳個體在 x 軸上的搜索范圍為 [u_b，l_b] ，選[u_b，l_b] 的中點作為基點位置 O ，基點位置處 y 軸上放置一個凸透鏡，在第二象限放置一個高度為h 的個體 P ，在 x 軸上的投影坐標(biāo)為 X ，通過凸透鏡形成一個倒實像 P^*，P^* 在 x 軸上的投影坐標(biāo)為 X^? ，根據(jù)凸透鏡的成像原理得到 P 的反向點為 P^* ，最優(yōu)個體 X 的反向個體為 X^? ，成像過程如圖3所示.

根據(jù)凸透鏡的成像原理得

設(shè) h/h^?=m 為比例因子，則得到 X^? 的表達(dá)式為

比例因子 Ψ_m 是一個重要的參數(shù)，如果采用固定值處理容易使算法陷人局部最優(yōu)，因此采用公式 對 Σ_m 進(jìn)行自適應(yīng)調(diào)節(jié)，進(jìn)而獲得反向解.在算法迭代前期， m 值比較小，獲得較大范圍的反向解，金豺可以獲得較大的搜索范圍；在算法迭代后期，較大的 Ψ_m 值獲得較小的反向解范圍，可以進(jìn)行精細(xì)搜索，提高局部的尋優(yōu)能力.

具體的IGJO算法的步驟如下.

（1）設(shè)置初始化種群數(shù) N 和最大迭代次數(shù)T ：（2）采用Logistic混沌映射初始化種群.（3）計算種群各個體所對應(yīng)的函數(shù)值，并選擇最優(yōu)解和次優(yōu)解分別作為雄性金豺和雌性金豺的位置.（4）計算算法中的 E 值，采用自適應(yīng)權(quán)重不斷更新金豺迭代位置.（5）通過透鏡成像反向?qū)W習(xí)策略，迭代確定獲取獵物最優(yōu)位置.（6）判斷算法是否達(dá)到滿足條件，如果達(dá)到條件則返回最優(yōu)解，反之則繼續(xù)進(jìn)行迭代.

3.3 IGJO性能測試

為測試IGJO算法的整體性能，將IGJO算法、GJO算法、灰狼優(yōu)化算法（GreyWolfOptimi-zer，GWO）、鯨魚優(yōu)化算法（WhaleOptimizationAlgorithm，WOA）、麻雀搜索算法（SparrowSearchAlgorithm，SSA）進(jìn)行對比，測試函數(shù)[17-18]如表1所列.

設(shè)置初始種群數(shù)量為30，迭代次數(shù)為500，通過多次測試運算，得到最優(yōu)值運行數(shù)據(jù)，如表2所列，其不同算法的收斂曲線如圖4所示，

不同的算法有其適應(yīng)的應(yīng)用條件.評價算法的優(yōu)劣，綜合考慮局部最優(yōu)和全局最優(yōu).通過表2和圖4可以看出，IGJO優(yōu)化算法的性能是最好的.

4 ICEEMDAN-IGJO-BiLSTM組合預(yù)測模型

通過對算法的研究，本文建立ICEEMDAN-IGJO-BiLSTM組合預(yù)測模型，通過對原始數(shù)據(jù)進(jìn)行ICEEMDAN平穩(wěn)化處理，并對預(yù)測模型進(jìn)行參數(shù)優(yōu)化，有效提高預(yù)測模型的準(zhǔn)確性.具體的步驟如下所示.

（1）將采集到的原始電力負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處理.（2）對負(fù)荷數(shù)據(jù)進(jìn)行ICEEMDAN分解，分解成若干個IMF分量和一個殘余分量.（3）將分解出來的各個分量數(shù)據(jù)樣本，分成訓(xùn)練集和測試集，并進(jìn)行歸一化處理.歸一化的具體表達(dá)式為

式中： 為歸一化后的數(shù)據(jù); x 為原始數(shù)據(jù); x_max

和 x_min 是數(shù)據(jù)的最大值和最小值.

（4）利用IGJO算法對各分量的BiLSTM網(wǎng)絡(luò)預(yù)測模型中的學(xué)習(xí)率、隱藏層神經(jīng)元個數(shù)以及正則化參數(shù)進(jìn)行尋優(yōu)，得到最優(yōu)參數(shù).利用最優(yōu)參數(shù)得到各分量的最優(yōu)預(yù)測模型.

（5）將各分量的預(yù)測值進(jìn)行疊加，并將預(yù)測值進(jìn)行反歸一化處理，得到最終的預(yù)測結(jié)果.建立組合預(yù)測模型的流程如圖5所示.

5算例分析

本文針對某地區(qū)電力負(fù)荷數(shù)據(jù)和相關(guān)天氣因素：天氣氣溫、濕度、風(fēng)速，建立本文的ICEEM-DAN-IGJO-BiLSTM預(yù)測模型，原始數(shù)據(jù)的采樣周期為 15min，1h 采集4個點，共2880條負(fù)荷數(shù)據(jù)，如圖6所示.對原始數(shù)據(jù)進(jìn)行分解，分解的結(jié)果如圖7所示.由于負(fù)荷具有一定的周期性，將前2784數(shù)據(jù)作為模型的訓(xùn)練數(shù)據(jù)，后96條數(shù)據(jù)作為模型的測試樣本，來驗證預(yù)測模型的性能.本文在Matlab 2023b 環(huán)境下仿真，并將多種預(yù)測模型進(jìn)行對比驗證.

5.1 模型參數(shù)

為了檢驗本文所建立預(yù)測模型的性能，驗證

IGJO算法尋優(yōu)的能力，將IGJO算法與GJO和 WOA、GWO、SSA進(jìn)行比較.BiLSTM的超參數(shù) 學(xué)習(xí)率、隱藏層神經(jīng)元個數(shù)、正則化參數(shù)尋優(yōu)范圍 分別為[0.001，0.01]，[1，100]，[0.0001，0.1].

為了有效地評價各預(yù)測模型的性能，采用平均絕對誤差（MAE）、均方根誤差（RMSE）、平均絕對百分比誤差（MAPE）進(jìn)行評價，它們值越小說明系統(tǒng)的誤差越小，預(yù)測的精度越高.具體的計算公式分別為

式中： y_i^* 和 y_i 分別表示第 i 個負(fù)荷數(shù)據(jù)的預(yù)測值和真實值， N 表示樣本數(shù)量.

5.2 數(shù)據(jù)對比

為了驗證本文采用模型ICEEMDAN-IGJO-

BiLSTM的預(yù)測精度，在本次數(shù)據(jù)集上，分別采用BiLSTM，WOA-BiLSTM，GWO-BiLSTM，SSA-BiLSTM，GJO-BiLSTM，IGJO-BiLSTM，ICEEM-DAN-IGJO-BiLSTM模型進(jìn)行分析，為了充分顯示各個模型的預(yù)測效果，將相關(guān)模型的預(yù)測結(jié)果在圖8中進(jìn)行顯示對比，各預(yù)測模型的評價指標(biāo)結(jié)果如表3所列.

從表3中可以看出，單一BiLSTM預(yù)測模型的精度相對于其他模型來說效果是最差的，經(jīng)過各個算法的參數(shù)尋優(yōu)后，預(yù)測模型的精度有了一定程度的提高，尤其在采用本文的預(yù)測模型后，預(yù)測的精度有了很大的提高.對上述的3個指標(biāo)進(jìn)行分析，ICEEMDAN-IGJO-BiLSTM預(yù)測模型相比于上述其他的幾種預(yù)測模型在RMSE指標(biāo)上分別降低了18.3MW、16.05MW、12.53MW、9.57MW、5.38MW、2.98MW;在MAE指標(biāo)上分析來看，分別降低了14.84MW、12.92MW、9.84MW、7.47MW、3.75MW、1.51MW;在MAPE指標(biāo)上分析來看，分別降低了2. 12% ！

1.81%，1.48%，1.16%，0.59%，0.27% 通過采用本文的預(yù)測模型后，整體的預(yù)測穩(wěn)定性和預(yù)測性能指標(biāo)有了很大提升，取得較好的預(yù)測效果，在一定程度上證明了該預(yù)測模型的有效性.

6結(jié)論

針對負(fù)荷數(shù)據(jù)的非線性和波動性，單一的BiLSTM網(wǎng)絡(luò)預(yù)測精度不高，本文采用了基于ICEEMDAN分解，IGJO優(yōu)化BiLSTM網(wǎng)絡(luò)的短期負(fù)荷預(yù)測模型，通過分析得到如下的結(jié)論.

（1）采用ICEEMDAN分解原始電力負(fù)荷數(shù)據(jù)，ICEEMDAN是在原來EMD算法上的改進(jìn)，有效避免模態(tài)混疊的現(xiàn)象，通過分解可以有效地降低負(fù)荷數(shù)據(jù)的非線性，改善其平穩(wěn)性，有利于改善預(yù)測模型的精度.

（2）通過采用混沌映射初始種群、自適應(yīng)權(quán)重、透鏡成像反向?qū)W習(xí)策略來改進(jìn)金豺優(yōu)化算法，提高算法的全局和局部的搜索能力，提高算法的尋優(yōu)能力.

（3）在ICEEMDAN分解原始數(shù)據(jù)的基礎(chǔ)上，通過采用IGJO來優(yōu)化BiLSTM網(wǎng)絡(luò)的相關(guān)參數(shù)，提高算法的性能，對某地區(qū)的負(fù)荷數(shù)據(jù)進(jìn)行驗證，結(jié)果表明該預(yù)測模型有一定的優(yōu)越性.

參考文獻(xiàn)：

[1]魏曉賓，焦丕華，胡鈺業(yè).基于RRPNN-CEEMD-BiLSTM的短期電力負(fù)荷預(yù)測[J].計算機(jī)仿真，2024，41 （11）：137-141.

[2]程明，翟金星，馬駿，等.基于遷移學(xué)習(xí)的CNN-GRU 短期電力負(fù)荷預(yù)測方法[J].武漢大學(xué)學(xué)報（工學(xué)版）， 2024，57（6）：812-820.

[3]崔楊，朱晗，王議堅，等.基于CNN-SAEDN-Res的短 期電力負(fù)荷預(yù)測方法[J].電力自動化設(shè)備，2024，44 （4）：164-170.

[4]WUDL，LIANG SH，CHENCJ，et al.Power Load Forecasting Based on LSTM Deep Learning Algorithm[J].Tehniεkivjesnik，2024，31（6）：2156-2160.

[5] ZHANG Z Q，LI Z R，YAN L. An optimised LSTM algorithm for short-term load forecasting[J]. International Journal of Information and Communication Technol0gy，2023，22（3）：224-239.

[6]王延峰，曹育晗，孫軍偉.基于多策略改進(jìn)金豺法優(yōu)化 LSTM的短期電力負(fù)荷預(yù)測[J].電力系統(tǒng)保護(hù)與控 制，2024，52（14）：95-102.

[7] LIU F，LIANG C. Short-term power load forecast-ing based on AC-BiLSTM model [J]. Energy Reports， 2024，11：1570-1579.

[8]WENJH，WANG ZJ.Short-Term Power Load Fore

casting with Hybrid TPA-BiLSTM Prediction ModelBased on CSSA[J]. Computer Modeling in Engineer-ingamp; Sciences，2023，136（1） ：749-765.

[9]劉杰，從蘭美，夏遠(yuǎn)洋，等.基于DBO-VMD和IWOA-BiLSTM神經(jīng)網(wǎng)絡(luò)組合模型的短期電力負(fù)荷預(yù)測[J].電力系統(tǒng)保護(hù)與控制，2024，52（8）：123-133.

[10] ZHANG HR，YANG Y ，ZHANG Y，et al. A com-bined model based on SSA，neural networks，andLSSVM for short-term electric load and price fore-casting[J]. Neural Computing and Applications，2020，33（2） ：1-16.

[11］楊海柱，田馥銘，張鵬，等.基于CEEMD-FE和AOA-LSSVM的短期電力負(fù)荷預(yù)測[J].電力系統(tǒng)保護(hù)與控制，2022，50（13）：126-133.

[12]鐘吳君，李培強(qiáng)，涂春鳴.基于EEMD-CBAM-BiLSTM的牽引負(fù)荷超短期預(yù)測[J].電工技術(shù)學(xué)報，2024，39（21） ：6850-6864.

[13］王金玉，胡喜樂，閆冠宇.基于VMD的CNN-BiL-STM-Att 的短期負(fù)荷預(yù)測[J].吉林大學(xué)學(xué)報（信息科學(xué)版），2023，41（6）：1007-1014.

[14］蘆志凡，趙倩.基于 ICEEMDAN-DCN- Transformer的短期電力負(fù)荷預(yù)測[J].沈陽工業(yè)大學(xué)學(xué)報，2024，46（4） ：388-396.

[15］張斌，程珩，孟倩.基于ICEEMDAN和Hilbert包絡(luò)譜的滾動軸承故障診斷研究［J].蘭州理工大學(xué)學(xué)報，2024，50（3）：51-57.

[16］回立川，曹威，閆康，等.基于 IGJO-VMD-SVM 的電機(jī)軸承故障診斷研究[J/OL].控制工程，2024：1-10.https：//link.cnki.net/urlidl21.1476.TP.202403251116.001.

[17］劉松林，高鷹，林銳燦，等.混合策略改進(jìn)的減法平均優(yōu)化算法[J].智能計算機(jī)與應(yīng)用，2024，14（8）：70-77.

[18]高紀(jì)元，劉杰，陳昌盛，等.混合策略改進(jìn)的蜣螂優(yōu)化算法「J].計算機(jī)工程與科學(xué)，2025，47（1）：171-179.

[責(zé)任編輯：趙慧霞]