利用灰雁优化算法增强时间序列分析的智慧城市电力负荷预测

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Smart City Electricity Load Forecasting Using Greylag Goose Optimization-Enhanced Time Series Analysis

本研究提出一种结合ARIMA模型与灰 Lag 鹅优化算法（GGO）的混合时间序列预测模型，用于智能城市电力需求预测。模型采用含天气、节假日等外部特征的小时级电力负载数据，实验表明其MSE为0.002135，R2达0.99995，显著优于传统ARIMA和其他优化模型，为城市能源管理提供高效可扩展方案。

　　

摘要

智慧城市电力预测对于实现可持续的城市发展、高效的能源分配以及基础设施的实时决策至关重要。本研究提出了一种混合时间序列预测模型，该模型将自回归积分滑动平均（ARIMA）方法与受生物启发的灰雁优化（GGO）算法相结合，以提高创新城市环境中电力需求的预测精度。所提出的GGO-ARIMA模型应用于一个包含天气、公共假期和学术日程等外生特征在内的每小时电力负荷数据集——这些因素都会影响城市能源消耗。实验评估表明，GGO-ARIMA模型的表现显著优于传统的ARIMA模型和其他优化增强模型，其均方误差（MSE）为0.002135，R2值为0.99995，表明预测误差大幅降低。这种混合方法为智慧城市能源管理系统提供了一种可扩展且易于解释的解决方案。研究结果强调了优化增强型时间序列模型在推动智能城市基础设施发展方面的潜力。