首页|期刊导航|计算机与数字工程|基于黏菌算法优化的CNN-GRU模型的短期负荷预测

基于黏菌算法优化的CNN-GRU模型的短期负荷预测OA

中文摘要

为提高短期电力负荷预测精度,引入黏菌算法和变分模态分解算法,提出一种基于黏菌算法优化的卷积神经网络和门控循环单元神经网络的组合预测模型(VMD-SMA-CNN-GRU),利用VMD对电力负荷数据进行分解,采用SMA优化CNN-GRU模型中的一些超参数,然后利用优化后的模型分别对分量进行预测,最后分量预测结果相叠加得到最终结果;以澳大利亚某地区为例,将所建模型与CNN-GRU、SMA-CNN-GRU、GRU预测模型进行横向对比分析,以及与WOA、GWO等算法优化此模型进行纵向对比分析。结果表明:SMA优化的VMD-CNN-GRU模型预测精度不仅高于上述几种模型,而且避免了人工试算确定CNN-GRU模型参数效率低的不足,为短期电力负荷预测提供了一种新方法,同时也验证了经过VMD和SMA处理的模型能够有效提升预测精度。

王树东;张建瑞

兰州理工大学电气工程与信息工程学院,兰州730050 兰州理工大学甘肃省工业控制先进控制重点实验室,兰州730050 兰州理工大学电气与控制工程国家级实验教学示范中心,兰州730050兰州理工大学电气工程与信息工程学院,兰州730050 兰州理工大学甘肃省工业控制先进控制重点实验室,兰州730050

信息技术与安全科学

变分模态分解负荷预测黏菌算法卷积神经网络门控循环单元神经网络

《计算机与数字工程》 2026 (5)

P.1501-1507,7

10.3969/j.issn.1672-9722.2026.05.044

评论