基于自适应改进淘金优化器的膨胀双向门控循环单元短期电力负荷预测框架

《Symmetry》:Short-Term Power Load Forecasting Model Based on an Adaptive Multi-Strategy Gold Rush Optimizer for Optimizing an Dilated BiGRU

【字体: 大 中 小 】 时间:2026年10月02日 来源:Symmetry 2.2

编辑推荐:

   摘要

  

摘要

短期电力负荷预测在智能电网的运行调度、能源管理和安全评估中发挥着至关重要的作用,因为其准确性直接影响电力系统的经济效益和可靠性。然而,电力负荷序列具有强非线性、非平稳性和多尺度时间依赖性等特点,这使得传统预测模型难以在复杂负荷场景下同时实现高精度和强泛化能力。近年来,深度学习模型在负荷预测方面表现出了优异的性能;然而,其有效性高度依赖于超参数配置。人工超参数调优不仅耗时,而且容易过早收敛到次优解。为了克服这些挑战,本研究开发了一种基于AMS-GRO的短期电力负荷预测框架。通过对原始淘金优化器(GRO)进行改进,在提出的优化器中集成了三种自适应策略,即当前到历史最优/1变异策略、自适应精英引导搜索策略以及基于成功率的自适应策略选择机制。这些改进共同增强了优化器的全局探索能力、局部开发能力和策略适应性。随后,所提出的AMS-GRO被用于对膨胀双向门控循环单元-注意力(Dilated BiGRU-Attention)模型进行全局超参数优化,形成了AMS-GRO–膨胀BiGRU预测框架。关键超参数,包括学习率、隐藏单元数、注意力维度和正则化系数,均进行了自适应优化。在30维CEC2017测试套件以及10维和20维CEC2022测试套件上进行了广泛的数值实验,每个测试函数执行30次独立运行。根据Friedman检验结果,AMS-GRO分别获得了1.37、1.33和1.25的平均排名,在三个实验设置中均排名第一。在短期电力负荷预测实验中,AMS-GRO–膨胀BiGRU的平均绝对误差(MAE)为21.09,平均绝对百分比误差(MAPE)为0.0177,均方误差(MSE)为791.10,决定系数(R2)为0.9746。与未优化的膨胀BiGRU模型相比,MAE、MAPE和MSE分别降低了13.0%、13.7%和21.5%,R2提高了0.70个百分点。从对称性角度来看,所提出的框架通过自适应策略选择来平衡全局探索与局部开发,而膨胀BiGRU则利用双向时间对称性来捕捉多尺度负荷模式。这些结果表明,所提出的框架在受测负荷数据集上提供了具有竞争力的优化性能,并有效提高了预测准确性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号