長期短期記憶のための多戦略強化クジラ最適化アルゴリズム - マイクログリッドの建物の短期電力負荷予測への適用

科学分野:

• 電気工学 電気工学とは
• 人工知能 (AI) とは,人工知能 (AI) のことです.
• タイムシリーズ分析 タイムシリーズ分析

背景:

• 電力システムのセキュリティとエネルギー効率のために,正確な短期電気負荷予測は極めて重要です.
• 電気負荷データには固有のランダム性,非静止性,非線形性がある.
• 既存の予測方法では,マイクログリッドの負荷パターンの複雑さで苦労することがあります.

研究 の 目的:

• マイクログリッドにおける短期の電気負荷予測を正確かつ効率的にするための新しいハイブリッドモデルを開発する.
• ロング・ショート・ターム・メモリ (LSTM) のニューラル・ネットワークの負荷予測の最適化を改善する.
• マイクログリッドの負荷予測の強度と信頼性を高めること.

主な方法:

• コンプリメンタリー・アンサンブル・エンピリカル・モード・デコンポッシオン (CEEMD) は,電気負荷のタイムシリーズを分解するために使用されました.
• 混沌とした初期化と逆学習によるマルチ戦略強化のクジラ最適化アルゴリズム (WOA) は,LSTMモデルのパラメータを最適化しました.
• 各分解されたコンポーネントに対して個々のLSTMモデルをトレーニングし,予測を集約した.

主要な成果:

• 提案されたCEEMD-WOA-LSTMハイブリッドモデルは,ケーススタディで高い予測精度を示した.
• 強化されたWOAは,ローカルオプティマを効果的に回避し,パラメータ検索機能を改善しました.
• この方法は,UCサンディエゴのデータを用いたマイクログリッドの負荷予測に信頼性が証明されました.

結論:

• ハイブリッドのCEEMD-WOA-LSTMモデルは,マイクログリッドにおける高精度短期電気負荷予測のための信頼性の高いソリューションを提供します.
• このアプローチは,マイクログリッドシステムの計画と安定した運用管理のための強力な基盤を提供します.
• 先進的な分解と最適化技術の統合は,予測のパフォーマンスを大幅に改善します.