基于改进鲸鱼算法的Bi-LSTM电力负荷预测

doi:10.3969/j.issn.1006-2475.2025.07.011

计算机与现代化 ›› 2025, Vol. 0 ›› Issue (07): 77-82.doi: 10.3969/j.issn.1006-2475.2025.07.011

基于改进鲸鱼算法的Bi-LSTM电力负荷预测

（1.贵州电网兴义供电局，贵州兴义 562499； 2.贵州电网安顺供电局，贵州安顺 561099； 3.贵州电网电力调度中心，贵州
贵阳 550002； 4.南瑞继保电气有限公司，江苏南京 211102； 5.南京理工大学，江苏南京 210094）

出版日期:2025-07-22 发布日期:2025-07-22
作者简介:作者简介：饶弘宇（1997—），男，贵州兴义人，助理工程师，学士，研究方向：电力调度自动化，E-mail: 634199599@qq.com；陈馨（1999—），女，贵州安顺人，助理工程师，学士，研究方向:电网调度自动化，E-mail： cx2198732483@163.com；陈胜（1986—），男，贵州六盘水人，高级工程师，硕士，研究方向:电网调度自动化，E-mail： 568786829@qq.com；夏天（1989—），男，贵州安顺人，工程师，硕士，研究方向:电力系统调度自动化，E-mail： gzxiatian@126.com；沈力（1990—），男，江苏南京人，工程师，硕士，研究方向:电力系统自动发电控制，E-mail： shenl@nrec.com；通信作者：吕广强（1974—），男，山东济南人，副教授，博士，研究方向:电力系统优化调度，E-mail： lgqiang1008@163.com。

Power Load Forecasting of Bi-LSTM Based on Improving Whale Algorithm

（1. Guizhou Power Grid Xingyi Power Supply， Xingyi 562499， China； 2. Guizhou Power Grid Anshun Power Supply， Anshun 561099， China； 3. Guizhou Power Grid Dispatch Control Center， Guiyang 550002， China； 4. NR Electric Co.， Ltd， Nanjing 211102， China； 5. Nanjing University of Science and Technology， Nanjing 210094， China）

Online:2025-07-22 Published:2025-07-22

摘要/Abstract

摘要：
摘要：新能源并网后电力系统稳定运行的关键是电力负荷预测的准确性。为此本文提出一种基于双向长短期记忆神经网络结合注意力机制的电力负荷预测模型。针对神经网络中超参数难以选取最优的问题，采用鲸鱼算法对超参数进行优化设计。为解决鲸鱼优化算法全局搜索和局部开发分配不均的问题，提出一种用分段非线性收敛因子调节的方法；同时对其后期开发能力不足的问题，提出一种自适应权重和随机差分变异组合方法，以实现超参数的优化。通过仿真验证了本文所提方法在超参数设计上的有效性，并验证了基于改进鲸鱼算法的电力负荷预测的准确性和有效性。

关键词: 关键词：电力负荷预测, 双向长短期记忆神经网络, 超参数, 鲸鱼优化算法, 注意力机制

Abstract:
Abstract: The accuracy of the power load prediction is the key to ensure the stable operation of power system after new energy grid connection. A power load forecasting model based on Bi-LSTM neural network and attention mechanism is proposed. Aiming at the problem that it is difficult to select the optimal hyperparameters in neural network， the whale algorithm is used to optimize the hyperparameters. To solve the problem of uneven distribution of global search and local development of whale optimization algorithm， a method of adjusting the piecewise nonlinear convergence factor is proposed. To solve the insufficient late-stage development ability， a method of combining adaptive weights and random difference variation is proposed for the hyperparameters optimization. Simulation verifies the effectiveness of the proposed method in hyperparameter design， and verifies the accuracy and effectiveness of power load forecasting based on improved whale algorithm.

Key words: Key words: power load forecasting, bidirectional long-term and short-term memory neural network, hyperparameters, whale optimization algorithm, attention mechanism

中图分类号:

中图分类号：TM715

饶弘宇1, 陈馨2, 陈胜3, 夏天3, 沈力4, 吕广强5. 基于改进鲸鱼算法的Bi-LSTM电力负荷预测[J]. 计算机与现代化, 2025, 0(07): 77-82.

RAO Hongyu1, CHEN Xin2, CHEN Sheng3, XIA Tian3, SHEN Li4, LUY Guangqiang5. Power Load Forecasting of Bi-LSTM Based on Improving Whale Algorithm[J]. Computer and Modernization, 2025, 0(07): 77-82.

参考文献

［1］吉莹. 基于神经网络组合模型的多因素电力负荷预测研究［D］. 厦门:厦门大学， 2019.
［2］李晨，尹常永，李奇洁. 电力系统负荷预测研究综述［J］. 电子世界， 2021（16）:81-82.
［3］ KARTHIKA S， MARGARET V， BALARAMAN K. Hybrid short term load forecasting using ARIMA-SVM［C］// 2017 Innovations in Power and Advanced Computing Technologies（i-PACT）. IEEE， 2017. DOI: 10.1109/IPACT.2017.82
45060.
［4］ PITCHFORTH D J， ROGERS T J， TYGESEN U T， et al. Grey-box models for wave loading prediction［J］. Mechanical Systems and Signal Processing， 2021，159（7）:107741.
［5］ KHASHEI M， CHAHKOUTAHI F. A comprehensive low-risk and cost parallel hybrid method for electricity load forecasting［J］. Computers & Industrial Engineering， 2021，155（2）. DOI: 10.1016/j.eswz.2022.116924.
［6］ JAHAN I S， SNASEL V， MISAK S. Intelligent systems for power load forecasting: A study review［J］. Energies， 2020，13（22）. DOI: 10.3390/en13226105.
［7］ TUDOSE A M， PICIOROAGA I I， SIDEA D O， et al. Short-term load forecasting using convolutional neural networks in COVID-19 context: The romanian case study［J］. Energies， 2021，14（13）:40-46.
［8］ GUL M J， URFA G M， PAUL A， et al. Mid-term electricity load prediction using CNN and Bi-LSTM［J］. The Journal of Supercomputing， 2021，77（10）:10942-10958.
［9］ WANG Y Y， SUN S F， CHEN X Q， et al. Short-term load forecasting of industrial customers based on SVMD and XGBoost［J］. International Journal of Electrical Power & Energy Systems， 2021，129:106830.
［10］ DAI Y M， ZHAO P. A hybrid load forecasting model based on support vector machine with intelligent methods for feature selection and parameter optimization［J］. Applied Energy， 2020，279:115332.
［11］ SINA A， KAUR D. Short term load forecasting model based on kernel-support vector regression with social spider optimization algorithm［J］. Journal of Electrical Engineering & Technology， 2020，15:393-402.
［12］ YANG X F， YU X， LU H. Dual possibilistic regression models of support vector machines and application in power load forecasting［J］. International Journal of Distributed Sensor Networks， 2020，16. DOI: 10.1177/1550147720921636.
［13］ SHANG Z H， HE Z S， SONG Y R， et al. A novel combined model for short-term electric load forecasting based on whale optimization algorithm［J］. Neural Processing Letters， 2020，52:1207-1232.
［14］亓晓燕，刘恒杰，侯秋华，等. 融合LSTM和SVM的钢铁企业电力负荷短期预测［J］. 山东大学学报（工学版）， 2021，51（4）:91-98.
［15］陆继翔，张琪培，杨志宏，等. 基于CNN-LSTM混合神经网络模型的短期负荷预测方法［J］. 电力系统自动化， 2019，43（8）:131-137.
［16］陈纬楠，胡志坚，岳菁鹏，等. 基于长短期记忆网络和LightGBM组合模型的短期负荷预测［J］. 电力系统自动化， 2021，45（4）:91-97.
［17］陈振宇，刘金波，李晨，等. 基于LSTM与XGBoost组合模型的超短期电力负荷预测［J］. 电网技术， 2020，44（2）:614-620.
［18］李文武，张鹏宇，石强，等. 基于聚合混合模态分解和时序卷积神经网络的综合能源系统负荷修正预测［J］. 电网技术， 2022，46（9）:3345-3353.
［19］赵兵，王增平，纪维佳，等. 基于注意力机制的CNN-GRU短期电力负荷预测方法［J］. 电网技术， 2019，43（12）:4370-4376.
［20］ LI Y R， ZHANG Y L， CAI Y P. A new hyper-parameter optimization method for power load forecast based on recurrent neural networks［J］. Algorithms， 2021，14 （6）. DOI: 10.3390/a14060163.
［21］赵安军，赵啸，荆竟，等. 优化卷积神经网络超参数的非侵入式电力负荷识别算法［J］. 激光与光电子学进展， 2023，60（2）:53-60.
［22］朱汇龙，刘晓燕，刘瑶. 基于人群的神经网络超参数优化的研究［J］. 信息技术， 2018（11）:97-102.
［23］佘维，李阳，钟李红，等. 基于改进实数编码遗传算法的神经网络超参数优化［J］. 计算机应用， 2024，44（3）:671-676.
［24］曹学飞，杨帆，李济洪，等. 基于mx2正则化交叉验证的神经网络超参数调优方法［J］. 计算机技术与发展， 2024，34（4）:168-193.
［25］ MIRJALILI S， LEWIS A. The whale optimization algorithm［J］. Advances in Engineering Software， 2016，95:51-67.
［26］ ADHIRAI S， MAHAPATRA R P， SINGH P. The whale optimization algorithm and its implementation in MATLAB［J］. International Journal of Information， Control and Computers Sciences， 2018，12（10）:815-822.
［27］华厚普. 基于WOA-ELM的电力负荷预测模型研究［J］. 电工技术， 2022（21）:36-39.
［28］唐晓，陈芳，许强，等. 改进鲸鱼算法优化的多维度深度极限学习机短期负荷预测［J］. 山东电力技术， 2023，50（1）:1-7.
［29］巩世兵，沈海斌. 仿生策略优化的鲸鱼算法研究［J］. 传感器与微系统， 2017，36（12）:10-12.
［30］朱凌建，荀子涵，王裕鑫，等. 基于CNN-Bi LSTM的短期电力负荷预测［J］. 电网技术， 2021，45（11）:4532-4539.
［31］杨龙，吴红斌，丁明，等. 新能源电网中考虑特征选择的Bi-LSTM网络短期负荷预测［J］. 电力系统自动化， 2021，45（3）:166-173.

[1]	魏青松1, 王晓峻2, 魏源1, 曾尚琦1, 方园1. HGAT：基于混合图注意力网络的多变量时序异常检测[J]. 计算机与现代化, 2025, 0(07): 97-105.
[2]	李浩然1, 何文雪1, 徐嘉振1, 杨帮华2. 基于多尺度动态卷积与注意力机制的抑郁脑电信号分类方法[J]. 计算机与现代化, 2025, 0(03): 60-65.
[3]	冯心洁, 王伟. 基于孪生特征融合网络的自然场景文本图像超分辨率方法[J]. 计算机与现代化, 2025, 0(02): 86-93.
[4]	郭华. 面向下游任务优化的不平衡数据重采样[J]. 计算机与现代化, 2025, 0(02): 28-32.
[5]	李希, 潘誉. 基于改进YOLOv8的探地雷达管线目标检测方法[J]. 计算机与现代化, 2025, 0(01): 94-99.
[6]	张晓东1, 白广芝1, 李敏1, 李昊洋2. 基于经验小波变换的油气井产量预测模型 [J]. 计算机与现代化, 2024, 0(12): 53-58.
[7]	黄庭培1, 马禄彪1, 李世宝2, 刘建航1. 基于WiFi和原型网络的手势识别方法[J]. 计算机与现代化, 2024, 0(12): 34-39.
[8]	何思达, 陈平华. 基于意图的轻量级自注意力序列推荐模型[J]. 计算机与现代化, 2024, 0(12): 1-9.
[9]	祁贤, 刘大铭, 常佳鑫. 基于改进自注意力机制的多视图三维重建[J]. 计算机与现代化, 2024, 0(11): 106-112.
[10]	张泽1, 张建权2, 3, 周国鹏2, 3. 基于改进YOLOv8s的摄像头模组缺陷检测[J]. 计算机与现代化, 2024, 0(09): 107-113.
[11]	高帅鹏, 王怡凡. 基于图像的群体情绪识别综述[J]. 计算机与现代化, 2024, 0(08): 98-107.
[12]	游嘉靖1, 2, 何月顺1, 何璘琳1, 钟海龙1, 2. 基于AHP-CNN的加密流量分类方法[J]. 计算机与现代化, 2024, 0(04): 83-87.
[13]	宁召阳1, 2, 申情2, 3, 郝秀兰1, 2, 赵康1, 2. 基于改进对抗学习及融合特征的短文本分类框架[J]. 计算机与现代化, 2024, 0(04): 66-76.
[14]	张高义1, 徐杨1, 2, 曹斌1, 2, 石进1. 全局跨层交互网络学习细粒度图像特征表示[J]. 计算机与现代化, 2024, 0(03): 97-104.
[15]	李茹, 范冰冰. 基于混合策略改进的鲸鱼优化算法[J]. 计算机与现代化, 2022, 0(06): 13-20.

基于改进鲸鱼算法的Bi-LSTM电力负荷预测

Power Load Forecasting of Bi-LSTM Based on Improving Whale Algorithm

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价