基于ISSA-LSTM模型的可再生能源电力需求预测

闫晓霞 刘娴

摘 要：为了更精准地预测未来能源结构调整方向及成效，选用ISSA-LSTM组合预测模型对中国2023—2030年可再生能源的电力需求进行预测。首先，利用Circle混沌映射改进麻雀搜索算法（SSA）以提高搜索能力以及种群多样性；
然后引入长短期记忆神经网络（LSTM）以有效捕捉可再生能源电力需求随机波动性和时序性；
最后，通过ISSA-LSTM模型预测长期可再生能源的电力需求，验证测试集数据，并与其他传统模型进行对比。结果表明：ISSA-LSTM模型预测结果能够满足对可再生能源电力需求预测的精度要求；
在未来2023—2030年可再生能源电力需求稳定，波动幅度不大，可达到全国用电量的1/3；
利用Circle混沌映射改进策略能有效提升SSA寻优能力。与PSO算法相比，SSA算法寻找LSTM超参数最优解的能力更优，ISSA-LSTM模型预测可再生能源电力需求精度更高。

关键词：混合预测模型；
麻雀搜索算法；
长短期记忆网络；
Circle混沌映射；
电力需求预测

中图分类号：TP311

文献标志码：A

文章编号：1672-9315（2024）03-0604-11

DOI：10.13800/j.cnki.xakjdxxb.2024.0320开放科学（资源服务）标识码（OSID）：

Renewable energy electricity demand prediction

based on ISSA-LSTM model

YAN Xiaoxia，LIU Xian

（College of Management，Xian University of Science and Technology，Xian 710054，China）

Abstract：

More accurate prediction of renewable energy electricity demand is an important indicator for predicting the direction and effectiveness of future energy structure adjustments.The ISSA-LSTM combined forecasting model was used to predict the electricity demand for renewable energy in China from 2023 to 2030.Firstly，the Sparrow Search Algorithm（SSA）was improved using Circle Chaos Mapping to enhance search capability and population diversity.Then the long Short Term Memory Neural Network（LSTM）was introduced to effectively capture the random fluctuations and temporal characteristics of renewable energy electricity demand.Finally，the ISSA-LSTM model was used to predict long-term renewable energy electricity demand，to validate the test set data，and to compare it with other traditional models.The results show that the ISSA-LSTM model can meet the accuracy requirements for predicting renewable energy electricity demand；
In the future from 2023 to 2030，the demand for renewable energy electricity will remain stable and not fluctuate significantly，reaching one-third of the national electricity consumption；
The use of Circle chaotic mapping to improve the strategy can effectively enhance the optimization ability of SSA.Compared with PSO algorithm，SSA algorithm has better ability to find the optimal solution of LSTM hyperparameters，and the ISSA-LSTM model has higher accuracy in predicting renewable energy electricity demand.Key words：Mixed forecasting model；
Sparrow search algorithm；
Long short-term memory；
Circle chaotic mapping；
electricity Power demand forecasting

0 引 言电力行业碳中和是实现“双碳”目标的关键，对以火力发电为主的电力行业来说，加大发展风电、光伏等可再生能源的发电规模，减少传统火力发电的规模无疑是电力行业减排的有效途径之一。而“过度补贴”“三弃”等问题始终阻碍着可再生能源电力的发展，合理地制定生产计划对可再生能源电力系统的有序运行是十分必要的。电力行业常用于电力需求预测、电力负荷预测以及发电功率预测等方面的研究方法大致有：回归分析模型[1-2］、时间序列模型[3-4］、灰色预测模型[5-6］，和人工智能模型支持向量机[7-11]以及神经网络[12-13］等。在电力需求预测方面，有国外学者结合澳大利亚的案例，使用自适应傅立叶分解方法从原始电力需求序列中提取有用分量的方法得到MFO-LSSVM模型并验证了其有效性和可行性［11］；

NGUYEN等提出了RNN-LSTM电力需求预测模型，并通过实际数据测试将其与其他模型进行了比较，得出RNN-LSTM预测模型具有更高的精度[14]；

MORADZADEH

用变分自动编码器的双向长短期记忆（VAEBiLSTM），输入2017年和2018年的相关数据作为训练集，分别预测2019年Tabrizi这4季的用电需求，VAEBiLSTM方法具有较小的误差和较高的有效性［15］。国内学者汪克亮等考虑到电力需求具有增长性及季节波动性对电力需求预测的影响，提出非线性回归组合神经网络模型，通过仿真试验得到此模型预测电力需求具有可行性和有效性，也可用于季节型时间序列的预测建模问题[16]；
陈章潮等改进灰色GM（1，1）模型来对长期电力需求进行预测，提出分段最优GM（1，1）模型并结合传统的相关分析，得到其模型对长期电力需求预测具有可行性[17]；
张运厚等以北京市为例，选取了影响电力需求的8个指标，建立电力需求预测混合模型，利用DE和GWO算法优化SVR的参数，用历史数据做实证分析得到DE-GWO-SVR组合模型的有效性和准确性更高，并预测了2021—2015年的北京市用电需求[18]；
夏雨烁等用Tent混沌映射优化标准麻雀搜索算法SSA与用正切函数改变ESN储蓄池内部连接状态的非线性回声状态网格结合得到ISSA-NESN模型，相较于其他模型用于预测可再生能源电力需求的能力更优[19]；
田书欣等引入融合分段二次Lagrange插值函数的新型灰色关联理论，利用改进的鸽群优化算法对支持向量机的参数进行优化，使得电力需求模型泛化能力更强[20]；
王旭东等提出基于长短期记忆循环神经网络（LSTM）的单变量短期家庭电力需求模型，且经过仿真试验得到其能准确反映家庭每小时的电力需求[21]。在电力负荷预测方面，为预测短期电力负荷，有国外学者采用改进的稀疏搜索算法（ISSA）解决了SVM模型的超参数选择问题，发现ISSA-SVM模型可以有效地提高预测精度［22］。国内学者刘亚辉等为减少复杂环境因素对超短期电力负荷预测效果的影响，将数据先经CNN-LSTM混合神经网络处理，再将其输入到LSTM中进行预测，发现现有模型预测精度和运算效率更高[23]；
吕海灿等提出Wide&Deep-LSTM模型，用以短期台区负荷预测，发现该技术不依赖过多数据、综合效果较好、精度高[24]。在电力行业的其他方面，国外学者为预测短期风力发电量，使用麻雀搜索算法对变分模式分解（VMD）的参数进行优化，将其输入到LSTM预测模型中，得到的组合预测模型SSA-VMD-LSTM，可以有效提高预测精度，降低风电预测误差［25］。国内学者贾立敬等使用差分进化算法优化核函数g和惩罚因子c，得到最优的支持向量机模型，用于变压器的故障诊断［26］；
王清亮等同样使用多个算法组合得到ICEEMDAN-LSTM-BNN模型，用于预测短期光伏发电功率概率［27］；
徐恒山等对时间戳进行特征提取的CatBoost和长短期记忆神经网络LSTM算法相结合的组合预测模型CatBoost-LSTM来预测短期光伏发电功率［28］。除电力行业外，多种算法结合的组合预测模型广泛使用于各个行业［29-33］。吕靖烨等针对碳排放交易价格的特征，提出ARIMA-SVM融合模型用于预测碳排放交易价格［29］；
王媛彬等用主成分分析法（PCA）对影响因素降维处理，再通过贝叶斯算法优化XGBoost中的超参数，得到PCA-BO-XGBoost组合模型来预测矿井回采工作面瓦斯涌出量［30］。使用多种算法相结合的组合预测模型众多，且经过仿真试验，大多数组合模型较单一算法而言，寻优能力更强、运算速度更快、精准度更高，但对算法的选择则需要考虑到实际研究问题的特性。考虑到长期可再生能源电力的需求随时间变化的本质特征，即随机波动性以及时序性，选择长短期记忆神经网络（LSTM）算法作为基础，处理和预测时间序列中间隔和延迟较长的问题，利用Circle混沌映射来优化麻雀搜索算法，使种群均匀分布，减缓陷入局部最优的状态，再将优化后的麻雀搜索算法（ISSA）与长短期记忆神经网络相结合，所得的组合预测模型用来预测可再生能源电力的需求，降低了长期可再生能源电力需求的预测误差，提高了可再生能源电力需求的预测精准度以及有效性。

1 麻雀搜索算法及其改进

1.1 麻雀搜索算法薛建凯2020年提出麻雀搜索算法[34]，该算法中存在发现者和加入者2种角色，二者身份是动态变化的。

n只麻雀组成的种群可表示为

X=

x1，1x1，2…x1，d

x2，1x2，2…x2，d

xn，1xn，2…xn，d

（1）

式中 X为麻雀种群；
xn，d为麻雀个体；
d为优化问题变量的维度；
n为麻雀的数量。

Fx=

f（[x1，1x1，2…x1，d]）

f（[x2，1x2，2…x2，d]）

f（[xn，1xn，2…xn，d]）

（2）

式中 F为适应度函数，所有麻雀的适应度值用f表示。

根据公式（1）和公式（2），发现者的位置更新描述如下

xt+1i，j

=

xti，j·exp

-iα*itermax

ifR2＜ST

xti，j+Q·LifR2≥ST

（3）

式中 t为当前的迭代次数，j=1，2，3，…，d。

xti，j为第i个麻雀在第j维中的位置信息；

itermax是常数，表示最大迭代次数；

α∈（0，1］；
R2和ST分别为预警值和安全值；
Q是服从标准正态分布的随机数；
L为一个元素均为1的1*d矩阵。一旦加入者察觉发现者已经找到更好的食物，加入者位置则更新如下

xt+1i，j=

Q·exp

xtworst-xti，j

i2

i＞n/2

xt+1p+|xti，j-xt+1P|·A+·Li≤n/2

（4）xP为目前发现者所占据的最优位置；
xworst则为全局最差位置；
A为一个1*d的矩阵，其中每个元素随机赋值为1或-1，A＋＝AT（AAT）-1。麻雀的初始位置是在种群中随机产生的，其数学表达式为

xt+1i，j

=

xtbest+β·|xti，j-xtbest|fi≠fg

xtbest+k·

xti，j-xtbest

（fi-fw）+ε

fi=fg

（5）

式中 xbest为当前全局最优位置；
β为步长控制参数，服从均值为0、方差为1的正态分布的随机数；
ε是用以避免分母为0的最小常数；
k∈［-1，1］；
fi为当前个体适应度值；
fg和fw分别为全局最佳和最差的适应度值。

当fg和fw相等时，该个体处于种群中心，将不断接近中心同伴；
当fg和fw不相等时，该个体处于种群外围，需采取反捕食行为，不断变换中心位置以获得更高适应度。1.2 改进麻雀搜索算法

1.2.1 基于Circle混沌映射初始化种群麻雀搜索算法具有收敛速度快，寻优能力强的优点，但麻雀搜索算法易陷入局部最优的状态，导致算法的求解性能降低，而初始化种群对算法的收敛性和准确性具有重要影响。因此，可以引入Circle混沌映射提高麻雀搜索算法初始解的质量。Circle混沌映射作为经典的混沌映射方法之一，可以使麻雀初始种群均匀分布搜索空间。Circle混沌映射的计算见下式

Xi+1=mod

Xi+0.2-

0.52π

sin（2πXi），1

（6）

式中 Xi为第i个变量的混沌映射值；
mod为取余函数。加入Circle混沌映射后可以增强SSA种群多样性，提高SSA算法的全局求解能力。从图1可以看出，加入Circle混沌映射能够将 SSA种群均匀分布，减缓SSA陷入局部最优的可能性。

图1 Circle混沌映射分布

Fig.1 Circle chaotic map distribution

1.2.2 非线性惯性权重原始的麻雀搜索算法中在寻找位置更新时，由于缺乏对步长的有效控制，在寻找到最优解后，其余麻雀个体迅速向最优解聚集，导致算法陷入局部最优的状态，降低算法的全局搜索能力。因此，提出一种非线性惯性权重因子

ω用于改进生产者的位置更新。非线性惯性权重ω的计算见下式

ω=exp

1-tmax+t

tmax-t

（7）在麻雀算法迭代初期，非线性惯性权重ω较大，非线性变化速率快，算法的全局搜索能力增强。在麻雀算法迭代后期，非线性惯性权重ω较小，非线性变化速率慢，增强算法的局部搜索能力。

随着非线性惯性权重ω的变化，麻雀搜索算法在迭代过程中改进了全局

搜索和局部搜索的平衡。

经过改进后，麻雀搜索算法发现者的位置更新公式如下

xt+1i，j

=

xti，j×ω if

R2＜ST

xti，j+Q if R2≥ST

（8）

2 LSTM长短期记忆网络长短期神经网络（LSTM）

是建立在循环神经网络（RNN）的基础上，为解决RNN梯度消失或梯度爆炸问题而出现的改进算法。LSTM的结构分为：遗忘门、输入门、输出门，内控可看作全连接层。遗忘门、输入门、输出门、网络的权重矩阵、网络的偏置向量分别用ft，it，ot，W，b表示。内控实现LSTM对信息的储存和更新，由Sigmoid函数和点乘运算实现，不提供额外的信息。σ为Sigmoid函数，是机器学习中常用的非线性激活函数，可以将实值映射到区间0～1，表示信息通过的多少，0表示没有信息通过，1表示信息全部通过。遗忘门的功能是决定丢弃或保留哪些信息，简言之就是保留重要信息，忘记不重要的信息，是LSTM单元的关键组成部分，其值为

ft=σ（Wf·[ht-1，xt]+bf）

（9）输入门用于控制网络当前输入信息ht-1，xt流入记忆单元Ct的多少，其值为

it=σ（Wi·[ht-1，xt]+bi）

（10）

t=tanh

（WC·[ht-1，xt]+bc）

（11）

Ct=ft·Ct-1+it·t

（12）

Ct

是记忆单元，LSTM需要记忆的新的值。

ot=σ（Wo·[ht-1，xt]+bo）

（13）

ht=ot·tanh（Ct）

（14）ht就是输出结果，意味着本次需要多少为我所用的含义。

从图2可以看出，LSTM的遗忘门忘掉没用的信息，输入门和候选信息产生新的记忆信息，输出门负责更新记忆，每个功能模块组合起来就构成了完整的LSTM模型。

3 ISSA-LSTM模型预测模型如图3所示，模型结构自下而上分为输入层、全连接层1（特征融合）、LSTM层、全连接层2（输出维度变换）和输出层共5个部分。进行预测时，首先定义数据集为模型的输入数据，数据集

X的大小为Rn×d（R表示实数），含义为d维特征向量的n个时间序列。

图3中{X1，X2，…，Xn}为历史时间步数m的时间序列，在输入层中，计算并输入相同时间步数的时间序列，输入向量大小为Rm×d。

在全连接层1，首先对输入层中输入的特征向量进行计算，使LSTM网络能够更好地融合其他特征，利用激活函数输出向量S1；
然后将全连接层1的输出向量S1输入至LSTM层的单元结构中；
最后通过一个全连接层2将输出维度转换为需要提前预测的时间步数（k），并将目标预测序列m个时刻后的k个时刻的预测结果输出，输出结果为k维向量。根据以上模型结构，对于未来可再生能源的需求量的预测问题，可以结合其多关联因素和历史m个时间点的数据来预测未来k个时间点的数据。

结合改进过的麻雀搜索算法（ISSA）与长短期记忆网络（LSTM），建立组合预测模型为ISSA-LSTM。

具体的模型改进逻辑如下：首先利用Circle混沌映射对麻雀种群进行初始化；
其次引入非线性惯性权重更新麻雀搜索算法的发现者位置，提高麻雀搜索算法的种群多样性；
最后用ISSA算法对LSTM的隐藏层神经元数量、初始学习率、L2正则化系数进行优化，ISSA-LSTM算法流程如图4所示。ISSA-LSTM的具体步骤如下。

1）输入数据。预处理数据集合减少数据不同量纲的影响，将数据集划分为训练集和测试集，其中将2000—2015年的数据作为训练集，2016—2022年的数据作为测试集。

2）建立LSTM网络。设置LSTM网格结构层数及其内部的激活函数，并引入L2正则化系数防止模型过拟合。3）设置ISSA算法参数。设置ISSA算法的种群数量pop、种群最大进化次数T、算法空间维数dim、麻雀种群中发现者以及预警者数量。

4）引入Circle混沌映射初始化种群。将均方误差（MSE）作为种群适应度函数进行计算，利用非线性惯性权重ω对麻雀种群位置进行更新。

5）判断ISSA算法是否达到最大迭代次数。若达到，将ISSA算法优化的最优解作为LSTM网络的超参数，否则重复算法迭代过程。

6）输出ISSA-LSTM模型的预测结果。

4 算例分析

4.1 影响因素分析研究可再生能源电力需求所受到的影响因素之前，需要明确的是可再生能源电力需求是用可再生能源电力的实际损耗量，也就是可再生能源电力的用电量来衡量的，依据来源于各年度《全国可再生能源电力发展监测评价报告》。何伟军等利用主成分分析法对影响用电量的因素进行了分析[36]；
邢素洁使用灰色关联度模型发现年度国民GDP、能源损耗总量、可支配收入等因素对用电量的影响是从高到低的[37]。由此可见电力需求受到众多因素的影响，将影响可再生能源电力需求的因素大致分为以下几类。

1）宏观经济。经济发展必将带动能源的消费，特别是电能在终端能源消费中所占的比例持续增长，用年度GDP来代表宏观经济指标。2）人口数量。人口数量的多少直接影响能源的消耗量，人口增长是促进电力消费的重要因素，用人口总数来代表人口数量指标。3）城镇化水平。城镇化水平的提高同样意味着人们在生活中的电气化水平提升，进而导致电力需求的增加，用城镇化率来代表城镇化水平。4）直接因素。电力需求与能源消费水平是相关的，能源消费水平高，电力需求自然增加，同样，电力需求与能源价格也有关系，不同种能源的价格会影响人们对能源种类的选择。而电力行业有火力发电、水力发电、风力发电、光伏发电等多种发电方式。故研究可再生能源电力的需求应该考虑到可再生能源电力的发电量、火力发电量、能源消费总量、煤炭价格、原油价格、成品油价格和电力价格等直接因素。其中，煤炭开采与洗选业的价格指数代表煤炭价格，

石油和天然气开采业的价格指数代表原油价格，炼油炼焦加工业的价格指数代表成品油价格，电热力生产与供应业的价格指数代表电力价格［35］。为检验可再生能源电力需求所受众多因素影响的相对强弱，引入灰色关联度分析方法[36]。使用MATLAB软件，选择2003—2022年的年度GDP、人口总数、城镇化率、滞后一期的可再生能源电力的发电量、火力发电量、能源消费总量、煤炭价格、原油价格、成品油价格、电力价格等指标的数据（见表1），得到灰色关联度分析结果：年度GDP、人口总数、城镇化率、滞后一期的可再生能源电力的发电量、火力发电量、能源消费总量、煤炭价格、原油价格、成品油价格和电力价格等指标的关联度分别为0.927 9，0.831 5，0.856 1，0.959 5，0.848 7，0.825 9，0.674 6，0.552 5，0.655 0，0.617 3。

从可再生能源电力需求的影响因素相对强弱排序来看，选择关联度超过0.8的影响因素对可再生能源电力需求进行组合模型预测分析，不考虑能源价格对可再生能源电力需求的影响。其实，能源价格因素影响可再生能源电力需求的原因是化石能源价格上涨时，社会将增加对清洁能源的需求，减少化石能源的消耗，

但火力发电量这个影响因素更直接地反映了这个原因，且从关联度分析结果上也可以看出。

4.2 评价指标为检验ISSA-LSTM模型的预测精度，选取2个检验指标分别为平均绝对百分比误差MAPE和均方根误差RMSE。计算公式如下

MAPE=100%n

∑ni=1

yi-iyi

（15）

RMSE=

1n

∑ni=1（i-yi）2

（16）

4.3 结果分析

为验证ISSA对LSTM的优化效果，选用Matlab 2022计算平台进行验证，分别选取原始的SSA-LSTM与ISSA-LSTM模型进行对比，输入2003—2022年的数据，使用2003—2015年的数据作为训练集，2016—2022年的数据作为测试集，并对2023—2030年的可再生能源电力需求进行预测。所整理的数据经过反复训练可得出，SSA寻优性能最好时的具体参数设置见表2。

模型参数设置完毕后，将2016—2022年的数据作为测试集输入到SSA-LSTM和ISSA-LSTM模型中进行测试。图5是改进前SSA算法与改进后的ISSA算法优化LSTM的适应度曲线对比，其中SSA算法搜索得到的适应度值小于ISSA算法，原始SSA算法在迭代次数60次时获得最优适应度值为0.022 68，而改进的ISSA算法在40次时获得最优适应度值为0.017 45，且SSA算法的寻优能力不及ISSA算法的适应度曲线，这是由于ISSA算法在种群初始化阶段引入Circle混沌映射，使种群均匀分布在搜索空间中，减缓算法陷入局部最优的情况，此外还采用非线性惯性权重策略，在一定程度上平衡算法的全局和局部搜索能力，加快算法的收敛速度，进而提高算法的寻优能力和准确性。

各模型运行所得的2016—2022年预测值与真实值的结果如图6所示。

ISSA-LSTM组合预测模型所得的2023—2030年可再生能源电力需求的预测值结果如图7所示。

为进一步体现ISSA-LSTM预测模型的精度，将BP、SVR、SSA-SVR、LSTM、CNN-LSTM、PSO-LSTM以及SSA-LSTM等7个模型的预测结果与ISSA-LSTM模型的预测结果进行对比。经过实际运行，模型的预测结果见表3。

通过对比分析这7个模型得出：LSTM预测精度高于BP和SVR，这表明深度神经网络更适合处理此类影响可再生能源电力需求的数据，例如发电量、年度GDP、人口总数、城镇化率和能源消费总量等；
PSO-LSTM预测的误差小于CNN-LSTM，调整神经网络的超参数对预测性能影响更大，分别使用SSA与PSO算法优化LSTM的超参数，结果表明SSA算法在寻找LSTM超参数最寻优解的能力优于PSO算法；
ISSA-LSTM和SSA-LSTM进行对比得到平均绝对百分比误差和均方根误差降低，结果表明ISSA-LSTM能够作为有效的预测模型，适用于可再生能源电力的需求预测。

5 结 论

1）引入Circle混沌映射使麻雀初始种群均匀分布搜索空间，提高麻雀搜索算法初始解的质量，能有效提升SSA寻优能力，与LSTM相结合所组成的ISSA-LSTM模型可用于类似可再生能源电力需求预测的研究。2）可再生能源电力需求从2023年的2.65万亿千瓦时升高到2024年的2.67万亿千瓦时，又在2030年降低为2.27万亿千瓦时，整体波动幅度不大。在未来8年，可再生能源电力需求趋于稳定，约占1/3的全社会用电量。

研究结果只是在各因素的影响下，使用改进后的组合预测方法客观地预测出未来可再生能源电力的需求，但“双碳”目标实现的根本在于减少煤炭使用量，增加可再生能源电力的使用量，这就需要持续加大可再生能源电力的规模和消纳才能达到。到目前为止，“双碳”目标的实现还有一定的提升空间，持续加大可再生能源电力的发展规模，提高可再生能源电力的消纳和储存能力是提升可再生能源电力需求的关键，也是实现“双碳”目标的重中之重。

参考文献（References）：

[1] MOKILANE P，GALPIN J，YADAVALLI V S S，et al.Density forecasting for long-term electricity demand in South Africa using quantile regression[J].South African Journal of Economic and Management Sciences，2018，21（1）：1142-1153.

[2]PAPAGEORGIOU G，EFSTATHIADES A，POULLOU M，et al.Managing household electricity consumption：a correlational，regression analysis[J].International Journal of Sustainable Energy，2020，39（5）：486-496.

[3]VELASQUEZ C E，ZOCATELLI M，ESTANISLAU F B G L，et al.Analysis of time series models for Brazilian electricity demand forecasting[J].Energy，2022，247：123483.

[4]LI Y，LIU T，XU J.Analyzing the economic，social，and technological determinants of renewable and nonrenewable electricity production in China：Findings from time series models[J].Energy，2023，282：128888.

[5]DENG J L.Control problems of grey system[J].Sysystems Control Letters，1982，1（5）：288-294.

[6]TANG T，JIANG W，ZHANG H，et al.GM（1，1）based improved seasonal index model for monthly electricity consumption forecasting[J].Energy，2022，252：124041.

[7]LI R，CHEN X，BALEZENTIS T，et al.Multi-step least squares support vector machine modeling approach for forecasting short-term electricity demand with application[J].Neural Computing and Applications，2021，33（1）：301-320.

[8]JIANG P，LI R，LIU N，et al.A novel composite electricity demand forecasting framework by data processing and optimized support vector machine[J].Applied Energy，2020，260：114243.

［9］TAN X，YU F，ZHAO X.Support vector machine algorithm for artificial intelligence optimization[J].Cluster Computing，2019，22：15015-15021.

[10]FUADI A Z，HAQ I N，LEKSONO E.Support vector machine to predict electricity consumption in the energy management laboratory[J].Jurnal RESTI（Rekayasa Sistem dan Teknologi Informasi），2021，5（3）：466-473.

[11]JIANG P，LI R，LU H，et al.Modeling of electricity demand forecast for power system[J].Neural Computing and Applications，2020，32：6857-6875.

[12]AI X，LI S，XU H.Short-term wind speed forecasting based on two-stage preprocessing method，sparrow search algorithm and long short-term memory neural network[J].Energy Reports，2022，8：14997-15010.

[13]SURABHI C，PRERNA G.Radial basis function neural network technique for efficient maximum power point tracking in solar photo-voltatic system[J].Procedia Computer Science，2020，167：2354-2363.

[14]NGUYEN V H，BUI V，KIM J，et al.Power demand forecasting using long short-term memory neural network based Smart Grid[C]//2020 International Conference on Artificial Intelligence in Information and Communication（ICAIIC），Fukuoka，Japan，2020：388-391，doi：10.1109/ICAIIC48513.2020.9065270.

[15]MORADZADEH A，MOAYYED H，ZARE K，et al.Short-term electricity demand forecasting via variational autoencoders and batch training-based bidirectional long short-term memory[J].Sustainable Energy Technologies and Assessments，2022，52：102209.

[16]汪克亮，杨力.电力需求的非线性回归组合神经网络预测研究[J].计算机工程与应用，2010，46（28）：225-227.

WANG Keliang，YANG Li.Study on power forecasting based on non-linear regression combined neural network[J].Computer Engineering and Application，2010，46（28）：225-227.

［17］陈章潮，熊岗.应用改进的灰色GM（1，1）模型进行长期电力需求预测[J].电力系统自动化，1993（7）：20-24.CHEN Zhangchao，XIONG Gang.Applying the improved grey GM（1，1）model to forecast long-term power demand[J].Power System Automation，1993（7）：20-24.

[18]张运厚，李婉莹，董福贵.基于DE-GWO-SVR的中长期电力需求预测[J].中国电力，2021，54（9）：83-88.ZHANG Yunhou，LI Wanying，DONG Fugui.Medium and long-term power demand forecasting based on DE-GWO-SVR[J].China Electric Power，2021，54（9）：83-88.

[19]夏雨烁，张新生，王明虎.基于ISSA-NESN的可再生能源电力需求预测研究[J].电网与清洁能源，2023，39（6）：136-143.XIA Yushuo，ZHANG Xinsheng，WANG Minghu.A study on renewable energy power demand forecasti based on ISSA-NESN[J].Power Grid and Clean Energy，2023，39（6）：136-143.

[20]田书欣，周全，程浩忠，等.基于鸽群优化算法的支持向量机在电力需求总量预测中的应用[J].电力自动化设备，2020，40（5）：173-181.TIAN Shuxin，ZHOU Quan，CHENG Haozhong，et al.Application of support vector machine based on pigeon colony optimization algorithm in total power demand forecasting[J].Electric Power Automation Equipment，2020，40（5）：173-181.

[21]王旭东，严珂，陆慧娟，等.LSTM的单变量短期家庭电力需求预测[J].中国计量大学学报，2018，29（2）：142-148.WANG Xudong，YAN Ke，LU Huijuan et al.Short-term household electricity demand forecast on LSTM single variable[J].Journal of China Jiliang University，2018，29（2）：142-148.

［22］LI J，LEI Y，YANG S.Mid-long term load forecasting model based on support vector machine optimized by improved sparrow search algorithm[J].Energy Reports，2022（8）：491-497.

[23]刘亚珲，赵倩.基于聚类经验模态分解的CNN-LSTM超短期电力负荷预测[J].电网技术，2021，45（11）：4444-4451.

LIU Yahui，ZHAO Qian.Ultra-short-term load forecasting based on cluster empirical mode decomposition of CNN-LSTM[J].Power System Technology，2021，45（11）：4444-4451.

[24]吕海灿，王伟峰，赵兵，等.基于Wide & Deep-LSTM模型的短期台区负荷预测[J].电网技术，2020，44（2）：428-436.LYU Haican，WANG Weifeng，ZHAO Bing，et al.Short-term regional load forecasting based on Wide-Deep-LSTM model[J].Power Grid Technology，2020，44（2）：428-436.

［25］GAO X，GUO W，MEI C，et al.Short-term wind power forecasting based on SSA-VMD-LSTM[J].Energy Reports，2023（9）：335-344.

[26]贾立敬，张建文，王传林，等.基于DGA的差分进化支持向量机电力变压器故障诊断[J].高压电器，2015，51（4）：13-18.

JIA Lijing，ZHANG Jianwen，WANG Chuanlin，et al.Fault diagnosis of power transformer based on DGA of algorithm for SVM[J].High voltage apparatus，2015，51（4）：13-18.

[27]王清亮，代一凡，王旭东，等.基于ICEEMDAN-LSTM-BNN的短期光伏发电功率概率预测[J].西安科技大学学报，2023，43（3）：593-602.

WANG Qingliang，DAI Yifan，WANG Xudong，et al.Probabilistic prediction of short-term photovoltaic based on ICEEMDAN-LSTM-BNN[J].Journal of Xian University of Science and Technology，2023，43（3）：593-602.

[28]徐恒山，莫汝乔，薛飞，等.基于时间戳特征提取和CatBoost-LSTM模型的光伏短期发电功率预测[J/OL].太阳能学报，1-10

[2024-04-29].http：//doi.org/10.19912/j.0254-0096.tynxb.2023-0007.XU Hengshan，MO Ruqiao，XUE Fei，et al.Short term photovoltaic power generation prediction based on timestamp feature extraction and CatBoost-LSTM model[J/OL].Journal of Solar Energy，1-10[2024-04-29].http：//doi.org/10.19912/j.0254-0096.tynxb.2023-0007

[29]吕靖烨，杜靖南，曹铭，等.利用ARIMA-SVM模型的碳排放交易价格预测[J].西安科技大学学报，2020，40（3）：542-548.LYU Jingye，DU Jingnan，CAO Ming，et al.Carbon emission trading price prediction using  the ARIMA-SVM model[J].Journal of Xian University of Science and Technology，2020，40（3）：542-548.

[30]王媛彬，李媛媛，韩骞，等.基于PCA-BO-XGBoost的矿井回采工作面瓦斯涌出量预测[J].西安科技大学学报，2022，42（2）：371-379.

WANG Yuanbin，LI Yuanyuan，HAN Qian，et al.Gas emission prediction of the stope in coal mine based on PCA-BO-XGBoost[J].Journal of Xian University of Science and Technology，2022，42（2）：371-379.

[31]郝秦霞，荣政，谢林江，等.基于Bi-LSTM的在线物联网设备识别方法[J].西安科技大学学报，2023，43（2）：422-430.HAO Qinxia，RONG Zheng，XIE Linjiang，et al.On-line device identification method of internet of things based on Bi-LSTM[J].Journal of Xian University of Science and Technology，2023，43（2）：422-430.

[32]马莉，王卓，代新冠，等.基于双流CNN与Bi-LSTM的施工人员不安全行为轻量级识别模型[J].西安科技大学学报，2022，42（4）：809-817.

MA Li，ZHUO Wang，DAI Xinguan，et al.Lightweight unsafe behavior recognition model of construction workers based on two-stream CNN and Bi-LSTM[J].Journal of Xian University of Science and Technology，2022，42（4）：809-817.

[33]潘红光，裴嘉宝，苏涛，等.基于LSTM的燃煤电厂NOx排量软测量[J].西安科技大学学报，2022，42（2）：362-370.

PAN Hongguang，PEI Jiabao，SU Tao，et al.LSTM-based soft sensor of NOx emission from coal-fired power plants[J].Journal of Xian University of Science and Technology，2022，42（2）：362-370.

［34］薛建凯.一种新型的群智能优化技术的研究与应用——麻雀搜索算法[D].上海：东华大学，2020．XUE Jiankai.Research and application of a novel swarm intelligence optimization technique：Sparrow search algorithm[D].Shanghai：Donghua University，2020.

［35］施青，许蔓，孙晓奇.能源价格波动对我国一般价格水平及其变化趋势的影响——基于投入产出价格影响模型[J].世界经济文汇，2021（2）：54-70.SHI Qing，XU Man，SUN Xiaoqi.The impact of energy price fluctuations on the general price level and its trends in China：Based on the input output price impact model[J].World Economic Review，2021（2）：54-70.

[36]何伟军，孔阳，崔勇，等.基于主成分分析法的我国用电量的影响因素分析[J].数学的实践与认识，2018，48（1）：67-74.HE Weijun，KONG Yang，CUI Yong，et al.Analysis of influencing factors of electricity consumption in China based on principal component analysis[J].Practice and Understanding of Mathematics，2018，48（1）：67-74.

[37]邢素洁.基于灰色关联度模型的用电量影响因素分析[J].价值工程，2022，41（13）：7-9.XING Sujie.Analysis of influencing factors of electricity consumption based on grey correlation model[J].Value Engineering，2022，41（13）：7-9.

（责任编辑：高佳）