现有电力负荷预测方法面临诸多挑战,尤其是在考虑气象因素对负荷波动的影响时,传统方法往往忽视气象特征与负荷之间复杂的非线性关系,导致预测精度不足。对此文中提出一种基于气象相似日修正(meteorological similar day correction,MS...现有电力负荷预测方法面临诸多挑战,尤其是在考虑气象因素对负荷波动的影响时,传统方法往往忽视气象特征与负荷之间复杂的非线性关系,导致预测精度不足。对此文中提出一种基于气象相似日修正(meteorological similar day correction,MSDC)和改进鹦鹉优化(improved parrot optimizer,IPO)线性分解(decomposition-based linear,DLinear)的日前电力负荷预测模型。首先运用Logistic映射、自适应变异策略、螺旋波动搜索IPO对DLinear超参数进行优化,然后由DLinear提取数据的周期性和趋势性特征,最后通过比对气象特征欧氏距离修正负荷预测值,形成基于IPO-DLinear-MSDC的日前电力负荷预测模型。采用2024年6月至10月湖南株洲地区总电力负荷数据集进行仿真分析,IPO-DLinear-MSDC模型的输出平均绝对百分比误差(mean absolute percentage error,MAPE)、决定系数R2分别为4.67%、0.833,相较于IPO-DLinear与PO-DLinear模型,MAPE分别下降了0.83个百分点、1.43个百分点,R2分别提升了0.074、0.125。展开更多
文摘现有电力负荷预测方法面临诸多挑战,尤其是在考虑气象因素对负荷波动的影响时,传统方法往往忽视气象特征与负荷之间复杂的非线性关系,导致预测精度不足。对此文中提出一种基于气象相似日修正(meteorological similar day correction,MSDC)和改进鹦鹉优化(improved parrot optimizer,IPO)线性分解(decomposition-based linear,DLinear)的日前电力负荷预测模型。首先运用Logistic映射、自适应变异策略、螺旋波动搜索IPO对DLinear超参数进行优化,然后由DLinear提取数据的周期性和趋势性特征,最后通过比对气象特征欧氏距离修正负荷预测值,形成基于IPO-DLinear-MSDC的日前电力负荷预测模型。采用2024年6月至10月湖南株洲地区总电力负荷数据集进行仿真分析,IPO-DLinear-MSDC模型的输出平均绝对百分比误差(mean absolute percentage error,MAPE)、决定系数R2分别为4.67%、0.833,相较于IPO-DLinear与PO-DLinear模型,MAPE分别下降了0.83个百分点、1.43个百分点,R2分别提升了0.074、0.125。
