一种基于IDBO优化CNN-BiLSTM模型的RIES负荷预测方法技术

技术编号：43151937 阅读：37 留言：0更新日期：2024-10-29 17:51

本发明专利技术提供一种基于IDBO优化CNN‑BiLSTM模型的RIES负荷预测方法，首先，根据区域综合能源系统负荷特征，建立基于CNN‑BiLSTM的预测方法。其次，采用Sobol序列、曲线自适应策略、余弦自适应系数分别对DBO算法中的种群初始化、滚球蜣螂和小蜣螂的位置更新方法进行了改进，并采用CEC2022函数对IDBO优化算法进行了相关的测试实验，结果表明改进的DBO具有全局搜索能力强和收敛速度快的优点。最后，采用IDBO优化CNN‑BiLSTM模型的超参数，为验证所提方法的有效性，对比不同场景和选择不同模型进行比较实验，IDBO寻优性能优于HHO、WOA等优化算法，能搜索到最佳的CNN‑BiLSTM超参数，降低了超参数选取不当所带来的负荷预测偏差。本方案所提的IDBO优化CNN‑BiLSTM模型的RIES负荷预测方法能更有效地提高RIES多元负荷预测的精度。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术涉及区域综合能源预测，尤其涉及一种基于idbo优化cnn-bilstm模型的ries负荷预测方法。

技术介绍

1、随着区域综合能源系统ries的发展，负荷预测在ries的规划、运行优化、需求响应中越来越重要。新型能源体系对负荷预测的准确性、实时性和智能化提出了更高要求，需要进一步研究和改进预测方法，以更好地适应和应对未来的能源挑战。

2、ries负荷预测目前主要有经典预测方法和深度学习预测方法。经典预测方法具有结构简单、预测速度快的特点。但存在预测模式简单、非线性耦合关系难以挖掘、不同应用背景下泛化能力差的问题，导致ries负荷预测的可靠性和准确性较差。深度学习具有强大的学习与处理非线性问题的能力，相较于经典预测方法，能更好地挖掘出历史数据中的非线性及耦合特征。如长短时记忆网络lstm、门控循环单元gru和卷积神经网络cnn深度学习方法，已逐步应用于区域综合能源负荷预测中。

3、lstm是一种改进的循环神经网络rnn，有效地改善了传统rnn在梯度反向传播时出现的消失和爆炸问题,在负荷预测领域得到了广泛的...

【技术保护点】

1.一种基于IDBO优化CNN-BiLSTM模型的RIES负荷预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于IDBO优化CNN-BiLSTM模型的RIES负荷预测方法，其特征在于：所述CNN-BiLSTM模型包括输入层、卷积层、池化层、BiLSTM层、全连接层及输出层。

3.根据权利要求1所述的一种基于IDBO优化CNN-BiLSTM模型的RIES负荷预测方法，其特征在于：所述IDBO算法的采样方式为采用Sobol序列初始化种群个体的位置，所述Sobol序列是一种基于素数2的序列，用于产生高维空间中均匀分布的点。