一种基于改进的Salp群体算法的电力系统短期时空负荷预测方法

《Scientific Reports》：A short-term spatiotemporal load forecasting method for power systems based on an improved salp swarm algorithm

　　

摘要

传统的电力系统负荷预测方法在处理复杂和波动性数据时，常常存在精度和稳定性不足的问题，因为这些方法无法同时建模空间依赖关系并有效优化模型超参数。为了解决这些相互关联的挑战，本文提出了一种短期时空负荷预测框架，该框架将改进的Salp Swarm算法（ISSA）与时间图卷积网络（TGCN）相结合。其核心贡献在于ISSA中采用了一种新颖的两阶段优化策略：该策略引入了一个自适应衰减因子，以平衡全局搜索和局部利用，并设计了一种动态学习机制，以防止算法过早收敛。这种策略协同优化了TGCN的超参数，TGCN能够显著捕捉到时间动态变化以及基于电网拓扑的空间相关性。在省级电网数据集上的实验结果表明，所提出的ISSA-TGCN模型具有较高的预测精度，在仅10次迭代内就达到了0.14的归一化适应度值，对应的均方根误差（RMSE）为17.12兆瓦。该模型的预测结果与实际负荷趋势高度吻合，在平均绝对百分比误差（MAPE）、RMSE和平均绝对误差（MAE）等指标上均显著优于现有的最佳实践方法，从而验证了所提出方法创新的有效性。