Short-Term Load Forecasting Based on Improved Particle Swarm Optimisation and Long Short-Term Memory Network

Short-term power load forecasting is one of the most important issues for market participants under the context background of Chinese power market reform. However, the instability of the load series makes the forecast difficult. In order to improve the accuracy of the forecast, a hybrid model is established in this study, which combines complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN), permutation entropy (PE), improved particle swarm algorithm (IPSO), and Long Short-Term Memory neural network (LSTM) together. Firstly, the original load sequence is decomposed into several intrinsic mode functions (IMFs) and a residual using CEEMDAN to reduce the volatility of the load sequence affected by complex indicators. Then, the complexity of each IMF is analysed by PE to generate new subsequences with obvious differences in complexity. Finally, the IPSO is used to optimise the learning rate, the number of iterations, as well as the number of hidden layer neurons in LSTM. The final prediction load can be obtained by summing the prediction results of all sub-sequences. It turns out that the proposed model is superior to the other six comparison methods, with the lowest MAE, RMSE, MAPE and Theil's inequality coefficient (TIC), and the highest R2 .

Trumpalaikis galios apkrovos prognozavimas yra vienas svarbiausių klausimų rinkos dalyviams Kinijos elektros energijos rinkos reformos kontekste. Tačiau, šį prognozavimą apsunkina apkrovos kintamumas. Siekiant pagerinti prognozės tikslumą, šiame tyrime yra sudarytas hibridinis modelis, apjungiantis visą empirinio režimo skilimą su prisitaikančiu triukšmu (angl. CEEMDAN), permutacijos entropija (angl. PE), patobulintu dalelių spiečiaus optimizavimo algoritmu (angl. IPSO) kartu su ilgalaikės trumpalaikės atminties neuroniniu tinklu (angl. LSTM). Pirma, pradinė apkrovos seka yra suskaidoma į keletą vidinio režimo funkcijų (angl. IMFs) ir liekamąją funkciją, naudojant visą CEEMDAN tam, kad būtų sumažinta apkrovos sekos, kurią veikia sudėtingi rodikliai, nepastovumą. Tuomet kiekvieno IMF sudėtingumas yra analizuojamas pasitelkiant PE, siekiant sukurti naujas sekas su akivaizdžiais sudėtingumo skirtumais. Galiausiai, siekiant optimizuoti mokymosi greitį, kartojimų skaičių, taip pat paslėptų neuronų skaičių ilgalaikės trumpalaikės atminties neuroniniame tinkle naudojamas IPSO. Galutinę prognozavimo apkrovą galima gauti apibendrinant visų posekių prognozavimo rezultatus. Pasirodo, kad siūlomas modelis yra pranašesnis už kitus šešis palyginimo metodus, su mažiausiais MAE, RMSE, MAPE ir Teilo nelygybės koeficientu (angl. TIC) ir didžiausiu R2.