基于多目标优化的ISMA-CNN-BiLSTM短期负荷预测

为提高短期负荷的稳定预测能力，提出一种基于多目标的改进黏菌算法(improved slime mould algorithm, ISMA)的卷积神经网络-双向长短期记忆(CNN-BiLSTM)短期负荷预测模型。针对现有黏菌算法(slime mould algorithm, SMA)易陷入局部最优且全局搜索能力存在一定局限的问题，首先，采用Sin混沌映射生成初始黏菌种群；其次，引入Tent混沌映射和高斯变异来提高种群的多样性，增强寻找局部最优解的概率；同时，还引入了新的自适应惯性权重和融合随机扰动、贪心策略等改进方法，以优化算法的全局搜索能力。此外，为了验证ISMA的优势，基于不同类型的测试函数进行实验，相较于其他算法，ISMA具有更高的寻优精度和更快的收敛速度。最后，对某区域的真实负荷数据进行分析，结果表明，在预测一周负荷时，所提出的模型相较于CNN-BiLSTM和SMA-CNN-BiLSTM模型，其平均绝对百分比误差分别降低了1.79%和1.04%,进一步验证了ISMA-CNN-BiLSTM模型在短期负荷预测方面具有较高的准确性。