一种基于QPSO-LSTM算法的高速铁路负荷预测方法技术

本发明专利技术公开了一种基于QPSO‑LSTM算法的高速铁路负荷预测方法包括，分析LSTM的主要结构，分析PSO算法，并进一步分析QPSO算法原理；根据分析结果搭建QPSO‑LSTM高速铁路负荷预测模型；分析预测模型精度评价方法，将数据分别放入LSTM网络模型及PSO‑LSTM模型进行预测并分析；将数据放入搭建好的QPSO‑LSTM模型进行预测并针对每个模型结果进行对比分析。本方法不仅能够减少预测值和真实值之间的偏差，而且能够减少预测值和真实值之间的波动，使得预测值更加稳定和可靠。

【技术实现步骤摘要】

本专利技术涉及高速铁路电力，尤其涉及一种基于qpso-lstm算法的高速铁路负荷预测方法。

技术介绍

1、高速铁路是一种现代化的交通方式，在我国得到了快速发展和广泛应用。高速铁路负荷具有非线性、非平稳、多变量等特征，造成谐波问题将直接影响着电能质量；因此高速铁路负荷预测对于提高能源效率、降低运营成本、保障供电安全等有重要意义。传统的预测方法基于统计学和机器学习，如回归分析、时间序列分析、支持向量机、人工神经网络等。这些方法虽能反映一定的变化规律，但也有局限性，难处理复杂特征、难适应负荷的突变和异常等。因此，提出一种更有效、更精确的预测方法，是当前研究的热点和难点。

技术实现思路

1、鉴于上述现有存在的问题，提出了本专利技术。

2、因此，本专利技术提供了一种基于qpso-lstm算法的高速铁路负荷预测方法，能够减少预测值和真实值之间的偏差，而且能够减少预测值和真实值之间的波动，使得预测值更加稳定和可靠。

3、为解决上述技术问题，本专利技术提供如下技术方案，一种基于qpso-lstm算法的本文档来自技高网...

【技术保护点】

1.一种基于QPSO-LSTM算法的高速铁路负荷预测方法，其特征在于：包括，

2.如权利要求1所述的一种基于QPSO-LSTM算法的高速铁路负荷预测方法，其特征在于：所述分析LSTM的主要结构是指长短期记忆LSTM网络是一种循环神经网络RNN的改进形式，LSTM网络结构当中添加了记忆单元的结构来储存历史信息，并且增加输入门、遗忘门和输出门来控制对历史信息的传递。

3.如权利要求2所述的一种基于QPSO-LSTM算法的高速铁路负荷预测方法，其特征在于：所述分析预测模型精度评价方法包括，回归模型常用的评估指标包括均方根误差RMSE、平均绝对误差MAE和平均绝对百分比误...

【技术特征摘要】

1.一种基于qpso-lstm算法的高速铁路负荷预测方法，其特征在于：包括，

2.如权利要求1所述的一种基于qpso-lstm算法的高速铁路负荷预测方法，其特征在于：所述分析lstm的主要结构是指长短期记忆lstm网络是一种循环神经网络rnn的改进形式，lstm网络结构当中添加了记忆单元的结构来储存历史信息，并且增加输入门、遗忘门和输出门来控制对历史信息的传递。

3.如权利要求2所述的一种基于qpso-lstm算法的高速铁路负荷预测方法，其特征在于：所述分析预测模型精度评价方法包括，回归模型常用的评估指标包括均方根误差rmse、平均绝对误差mae和平均绝对百分比误差mape。

4.如权利要求3所述的一种基于qpso-lstm算法的高速铁路负荷预测方法，其特征在于：所述分析预测模型精度评价方法还包括，计算公式如下：

5.如权利要求4所述的一种基于qpso-lstm算法的高速铁路负荷预测方法，其特征在于：所述分析预测模型精度评价方法还包括，当优化预测网络的超参数时，选择mape作为粒子的适应度函数，根据适应度函数、目标函数值、模型预测值与真实值...

【专利技术属性】
技术研发人员：张海刚，徐俊鹏，王子卓，殷铭，周浩强，曾松，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：