基于Logistic混沌映射与线性递减权重策略改进的麻雀搜索算法优化CNN-LSTM的配电网线损率预测模型

《International Transactions on Electrical Energy Systems》：Research on Distribution Network Line Loss Rate Prediction Based on a CNN-LSTM Model Optimized by an Improved Sparrow Search Algorithm

　　

准确的线损率短期预测对提升配电网运行效率与经济性具有重要意义。针对常规预测模型在非线性特征提取与超参数优化方面的局限，研究人员提出一种由引入Logistic混沌映射与线性递减权重策略的改进麻雀搜索算法（LCSSA）优化的CNN–LSTM预测模型。首先，采用卷积神经网络（CNN）从多维输入变量中提取局部特征，随后利用长短期记忆网络（LSTM）捕捉线损率序列的时间依赖关系。其次，引入Logistic混沌映射提升麻雀种群初始化质量，并融入线性递减权重以增强迭代优化中全局探索与局部开发的平衡。最后，在真实线损率数据集上开展对比实验。结果表明，所提模型显著优于基准CNN–LSTM模型，均方根误差（RMSE）降低55.79%，代表性峰值样本预测误差控制在3%以内。上述结果说明该模型能有效提升短期线损率预测的精度与鲁棒性。

研究背景方面，随着社会经济发展，用电量逐年攀升，电网线损问题日益突出，其中配电网低压台区线损尤为显著。线损率作为评价电网技术经济水平的关键参数，其准确短期预测对节能降耗、异常诊断与运行优化具有重要实践价值。传统方法如均方根电流法、损耗系数法依赖强假设且难以刻画非线性非平稳特性；常规神经网络在特征提取与超参数选取上存在不足，单一智能算法亦面临早熟收敛与局部最优问题。因此，研究人员开展融合局部特征提取、时序建模与智能超参数寻优的混合预测研究，论文发表于《International Transactions on Electrical Energy Systems》。

关键技术方法上，研究人员构建LCSSA–CNN–LSTM框架：以2022年5月1日至15日某配电网台区60分钟间隔线损率及11维特征（含温湿度、气压、天气类型、有功/无功功率、社会因素等）为样本，按时间顺序取前12天训练、后3天测试；数据经缺失插补、异常修正与min–max归一化至[0,1]，并用Pearson系数量化特征权重。模型端以CNN（两层卷积+池化）提取局部特征，LSTM层捕捉时序依赖；以LCSSA优化CNN–LSTM的学习率、隐藏层节点数、正则化系数等超参数，其中LCSSA在麻雀搜索算法（SSA）基础上采用Logistic混沌映射（a=4）初始化种群提升多样性，并引入线性递减权重w(t)=w_max?(w_max?w_min)t/T改进发现者更新式以抑制后期非周期振荡。

研究结果部分，各小节结论如下：

短期配电网线损预测模型基于CNN–LSTM神经网络：研究人员阐释CNN局部特征提取机制与LSTM门控结构（遗忘门、输入门、输出门）对长期依赖的缓解作用，构建CNN提取多维变量局部特征后经LSTM时序预测的组合架构，指明常规超参数经验选取易致欠拟合过拟合。

基于优化CNN–LSTM的短期配电网线损率预测：在SSA三类个体（发现者约20%、追随者约60%、警戒者约20%）位置更新规则上，嵌入Logistic混沌映射初始化与线性递减权重改进发现者公式；8个基准函数（单峰f₁~f₄、多峰f₅~f₈）测试显示LCSSA相较PSO与SSA在收敛速度及最优值上更优，尤其单峰函数表现突出。

实验预测与分析：数据预处理后，CNN–LSTM基准模型测试集RMSE=0.09753、MAE=0.13807、MSE=0.00951，峰值误差约7%；LCSSA–CNN–LSTM（麻雀种群n=8、迭代5次、优化4参数）测试集RMSE降至0.04312（较CNN–LSTM降55.79%，较SSA–CNN–LSTM降27.84%），MAE=0.03678、MSE=0.00186，峰值误差0.85%、谷值1.26%，代表性峰值样本误差<3%；与CNN–SVM、CNN–LSTM、SSA–CNN–LSTM对比，LCSSA版本在测试集拟合度最高、波动样本误差最低。

讨论与结论翻译：研究人员提出LCSSA–CNN–LSTM用于配电网短期线损率预测，通过Logistic混沌映射初始化与线性递减权重迭代改进标准SSA的全局搜索与收敛稳定性。实验表明模型MAE、RMSE、MSE分别为0.03678、0.04312、0.00186，显著低于基准CNN–LSTM，RMSE降低55.79%；代表性峰值样本最大预测误差<3%，峰谷误差0.85%与1.26%，在波动工况下具良好鲁棒性。该模型能更准确捕捉线损率与影响因素间非线性关系，为短期线损评估、异常损耗预警及配电网经济运行提供更可靠支撑。