微❤关注“电气仔推送”获得资料（专享优惠）

参考文献

基于QPSO-LSTM的短期风电负荷预测模型——谭才兴（完全复现）

程序简介

传统的LSTM神经网络超参数和拓扑结构通常是基于经验和试验确定，但这种方法容易受到人为因素的限制，可能无法找到最佳的网络参数。而优化算法能对LSTM神经网络的参数进行训练，确定网络拓扑结构及合适的超参数，以优化网络性能。本文利用PSO算法、QPSO算法对LSTM神经网络的拓扑结构、迭代次数、学习率三个方面进行寻优，确定适合风电负荷数据的最优参数，重新训练LSTM神经网络用于风电预测。由于PSO-LSTM模型和QPSO-LSTM模型仅在优化算法原理上有所不同，而在模型构建上流程几乎相同。

因此本文以QPSO-LSTM模型为例，给出模型构建具体流程如下：

运行结果

LSTM预测结果

PSO-LSTM预测结果

QPSO-LSTM预测结果

三种预测方方法对于比

结论：

基于PSO优化的LSTM模型的预测结果与真实值曲线重合度较高，预测精度和拟合度要明显高于传统的LSTM模型，更好地反映了整体负荷趋势；但其在负荷为0附近的拟合效果较差，有少量波谷负荷为负值。而基于QPSO优化的LSTM模型预测的精度和拟合度与PSO-LSTM模型基本相同，但在极点处的拟合度略高于PSO-LSTM模型。