基于ISSA-LSTM模型的可再生能源電力需求預測

閆曉霞 劉嫻

摘?要：為了更精準地預測未來能源結構調整方向及成效，選用ISSA-LSTM組合預測模型對中國2023—2030年可再生能源的電力需求進行預測。首先，利用Circle混沌映射改進麻雀搜索算法（SSA）以提高搜索能力以及種群多樣性；然后引入長短期記憶神經網絡（LSTM）以有效捕捉可再生能源電力需求隨機波動性和時序性；最后，通過ISSA-LSTM模型預測長期可再生能源的電力需求，驗證測試集數據，并與其他傳統模型進行對比。結果表明：ISSA-LSTM模型預測結果能夠滿足對可再生能源電力需求預測的精度要求；在未來2023—2030年可再生能源電力需求穩定，波動幅度不大，可達到全國用電量的1/3；利用Circle混沌映射改進策略能有效提升SSA尋優能力。與PSO算法相比，SSA算法尋找LSTM超參數最優解的能力更優，ISSA-LSTM模型預測可再生能源電力需求精度更高。

關鍵詞：混合預測模型；麻雀搜索算法；長短期記憶網絡；Circle混沌映射；電力需求預測

中圖分類號：TP311

文獻標志碼：A

文章編號：1672-9315（2024）03-0604-11

DOI：10.13800/j.cnki.xakjdxxb.2024.0320開放科學（資源服務）標識碼（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?言電力行業碳中和是實現“雙碳”目標的關鍵，對以火力發電為主的電力行業來說，加大發展風電、光伏等可再生能源的發電規模，減少傳統火力發電的規模無疑是電力行業減排的有效途徑之一。而“過度補貼”“三棄”等問題始終阻礙著可再生能源電力的發展，合理地制定生產計劃對可再生能源電力系統的有序運行是十分必要的。電力行業常用于電力需求預測、電力負荷預測以及發電功率預測等方面的研究方法大致有：回歸分析模型[1-2］、時間序列模型[3-4］、灰色預測模型[5-6］，和人工智能模型支持向量機[7-11]以及神經網絡[12-13］等。在電力需求預測方面，有國外學者結合澳大利亞的案例，使用自適應傅立葉分解方法從原始電力需求序列中提取有用分量的方法得到MFO-LSSVM模型并驗證了其有效性和可行性［11］；

NGUYEN等提出了RNN-LSTM電力需求預測模型，并通過實際數據測試將其與其他模型進行了比較，得出RNN-LSTM預測模型具有更高的精度[14]；

MORADZADEH

用變分自動編碼器的雙向長短期記憶（VAEBiLSTM），輸入2017年和2018年的相關數據作為訓練集，分別預測2019年Tabrizi這4季的用電需求，VAEBiLSTM方法具有較小的誤差和較高的有效性［15］。國內學者汪克亮等考慮到電力需求具有增長性及季節波動性對電力需求預測的影響，提出非線性回歸組合神經網絡模型，通過仿真試驗得到此模型預測電力需求具有可行性和有效性，也可用于季節型時間序列的預測建模問題[16]；陳章潮等改進灰色GM（1，1）模型來對長期電力需求進行預測，提出分段最優GM（1，1）模型并結合傳統的相關分析，得到其模型對長期電力需求預測具有可行性[17]；張運厚等以北京市為例，選取了影響電力需求的8個指標，建立電力需求預測混合模型，利用DE和GWO算法優化SVR的參數，用歷史數據做實證分析得到DE-GWO-SVR組合模型的有效性和準確性更高，并預測了2021—2015年的北京市用電需求[18]；夏雨爍等用Tent混沌映射優化標準麻雀搜索算法SSA與用正切函數改變ESN儲蓄池內部連接狀態的非線性回聲狀態網格結合得到ISSA-NESN模型，相較于其他模型用于預測可再生能源電力需求的能力更優[19]；田書欣等引入融合分段二次Lagrange插值函數的新型灰色關聯理論，利用改進的鴿群優化算法對支持向量機的參數進行優化，使得電力需求模型泛化能力更強[20]；王旭東等提出基于長短期記憶循環神經網絡（LSTM）的單變量短期家庭電力需求模型，且經過仿真試驗得到其能準確反映家庭每小時的電力需求[21]。在電力負荷預測方面，為預測短期電力負荷，有國外學者采用改進的稀疏搜索算法（ISSA）解決了SVM模型的超參數選擇問題，發現ISSA-SVM模型可以有效地提高預測精度［22］。國內學者劉亞輝等為減少復雜環境因素對超短期電力負荷預測效果的影響，將數據先經CNN-LSTM混合神經網絡處理，再將其輸入到LSTM中進行預測，發現現有模型預測精度和運算效率更高[23]；呂海燦等提出Wide&Deep-LSTM模型，用以短期臺區負荷預測，發現該技術不依賴過多數據、綜合效果較好、精度高[24]。在電力行業的其他方面，國外學者為預測短期風力發電量，使用麻雀搜索算法對變分模式分解（VMD）的參數進行優化，將其輸入到LSTM預測模型中，得到的組合預測模型SSA-VMD-LSTM，可以有效提高預測精度，降低風電預測誤差［25］。國內學者賈立敬等使用差分進化算法優化核函數g和懲罰因子c，得到最優的支持向量機模型，用于變壓器的故障診斷［26］；王清亮等同樣使用多個算法組合得到ICEEMDAN-LSTM-BNN模型，用于預測短期光伏發電功率概率［27］；徐恒山等對時間戳進行特征提取的CatBoost和長短期記憶神經網絡LSTM算法相結合的組合預測模型CatBoost-LSTM來預測短期光伏發電功率［28］。除電力行業外，多種算法結合的組合預測模型廣泛使用于各個行業［29-33］。呂靖燁等針對碳排放交易價格的特征，提出ARIMA-SVM融合模型用于預測碳排放交易價格［29］；王媛彬等用主成分分析法（PCA）對影響因素降維處理，再通過貝葉斯算法優化XGBoost中的超參數，得到PCA-BO-XGBoost組合模型來預測礦井回采工作面瓦斯涌出量［30］。使用多種算法相結合的組合預測模型眾多，且經過仿真試驗，大多數組合模型較單一算法而言，尋優能力更強、運算速度更快、精準度更高，但對算法的選擇則需要考慮到實際研究問題的特性?？紤]到長期可再生能源電力的需求隨時間變化的本質特征，即隨機波動性以及時序性，選擇長短期記憶神經網絡（LSTM）算法作為基礎，處理和預測時間序列中間隔和延遲較長的問題，利用Circle混沌映射來優化麻雀搜索算法，使種群均勻分布，減緩陷入局部最優的狀態，再將優化后的麻雀搜索算法（ISSA）與長短期記憶神經網絡相結合，所得的組合預測模型用來預測可再生能源電力的需求，降低了長期可再生能源電力需求的預測誤差，提高了可再生能源電力需求的預測精準度以及有效性。

1?麻雀搜索算法及其改進

1.1?麻雀搜索算法薛建凱2020年提出麻雀搜索算法[34]，該算法中存在發現者和加入者2種角色，二者身份是動態變化的。

n只麻雀組成的種群可表示為

X=

x1，1x1，2…x1，d

x2，1x2，2…x2，d

xn，1xn，2…xn，d

（1）

式中?X為麻雀種群；xn，d為麻雀個體；d為優化問題變量的維度；n為麻雀的數量。

Fx=

f（[x1，1x1，2…x1，d]）

f（[x2，1x2，2…x2，d]）

f（[xn，1xn，2…xn，d]）

（2）

式中?F為適應度函數，所有麻雀的適應度值用f表示。

根據公式（1）和公式（2），發現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為當前的迭代次數，j=1，2，3，…，d。

xti，j為第i個麻雀在第j維中的位置信息；

itermax是常數，表示最大迭代次數；

α∈（0，1］；R2和ST分別為預警值和安全值；Q是服從標準正態分布的隨機數；L為一個元素均為1的1*d矩陣。一旦加入者察覺發現者已經找到更好的食物，加入者位置則更新如下

xt+1i，j=

Q·exp

xtworst-xti，j

i2

i＞n/2

xt+1p+|xti，j-xt+1P|·A+·Li≤n/2

（4）xP為目前發現者所占據的最優位置；xworst則為全局最差位置；A為一個1*d的矩陣，其中每個元素隨機賦值為1或-1，A＋＝AT（AAT）-1。麻雀的初始位置是在種群中隨機產生的，其數學表達式為

xt+1i，j

=

xtbest+β·|xti，j-xtbest|fi≠fg

xtbest+k·

xti，j-xtbest

（fi-fw）+ε

fi=fg

（5）

式中?xbest為當前全局最優位置；β為步長控制參數，服從均值為0、方差為1的正態分布的隨機數；ε是用以避免分母為0的最小常數；k∈［-1，1］；fi為當前個體適應度值；fg和fw分別為全局最佳和最差的適應度值。

當fg和fw相等時，該個體處于種群中心，將不斷接近中心同伴；當fg和fw不相等時，該個體處于種群外圍，需采取反捕食行為，不斷變換中心位置以獲得更高適應度。1.2?改進麻雀搜索算法

1.2.1?基于Circle混沌映射初始化種群麻雀搜索算法具有收斂速度快，尋優能力強的優點，但麻雀搜索算法易陷入局部最優的狀態，導致算法的求解性能降低，而初始化種群對算法的收斂性和準確性具有重要影響。因此，可以引入Circle混沌映射提高麻雀搜索算法初始解的質量。Circle混沌映射作為經典的混沌映射方法之一，可以使麻雀初始種群均勻分布搜索空間。Circle混沌映射的計算見下式

Xi+1=mod

Xi+0.2-

0.52π

sin（2πXi），1

（6）

式中?Xi為第i個變量的混沌映射值；mod為取余函數。加入Circle混沌映射后可以增強SSA種群多樣性，提高SSA算法的全局求解能力。從圖1可以看出，加入Circle混沌映射能夠將 SSA種群均勻分布，減緩SSA陷入局部最優的可能性。

圖1?Circle混沌映射分布

Fig.1?Circle chaotic map distribution

1.2.2?非線性慣性權重原始的麻雀搜索算法中在尋找位置更新時，由于缺乏對步長的有效控制，在尋找到最優解后，其余麻雀個體迅速向最優解聚集，導致算法陷入局部最優的狀態，降低算法的全局搜索能力。因此，提出一種非線性慣性權重因子

ω用于改進生產者的位置更新。非線性慣性權重ω的計算見下式

ω=exp

1-tmax+t

tmax-t

（7）在麻雀算法迭代初期，非線性慣性權重ω較大，非線性變化速率快，算法的全局搜索能力增強。在麻雀算法迭代后期，非線性慣性權重ω較小，非線性變化速率慢，增強算法的局部搜索能力。

隨著非線性慣性權重ω的變化，麻雀搜索算法在迭代過程中改進了全局

搜索和局部搜索的平衡。

經過改進后，麻雀搜索算法發現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長短期記憶網絡長短期神經網絡（LSTM）

是建立在循環神經網絡（RNN）的基礎上，為解決RNN梯度消失或梯度爆炸問題而出現的改進算法。LSTM的結構分為：遺忘門、輸入門、輸出門，內控可看作全連接層。遺忘門、輸入門、輸出門、網絡的權重矩陣、網絡的偏置向量分別用ft，it，ot，W，b表示。內控實現LSTM對信息的儲存和更新，由Sigmoid函數和點乘運算實現，不提供額外的信息。σ為Sigmoid函數，是機器學習中常用的非線性激活函數，可以將實值映射到區間0～1，表示信息通過的多少，0表示沒有信息通過，1表示信息全部通過。遺忘門的功能是決定丟棄或保留哪些信息，簡言之就是保留重要信息，忘記不重要的信息，是LSTM單元的關鍵組成部分，其值為

ft=σ（Wf·[ht-1，xt]+bf）

（9）輸入門用于控制網絡當前輸入信息ht-1，xt流入記憶單元Ct的多少，其值為

it=σ（Wi·[ht-1，xt]+bi）

（10）

t=tanh

（WC·[ht-1，xt]+bc）

（11）

Ct=ft·Ct-1+it·t

（12）

Ct

是記憶單元，LSTM需要記憶的新的值。

ot=σ（Wo·[ht-1，xt]+bo）

（13）

ht=ot·tanh（Ct）

（14）ht就是輸出結果，意味著本次需要多少為我所用的含義。

從圖2可以看出，LSTM的遺忘門忘掉沒用的信息，輸入門和候選信息產生新的記憶信息，輸出門負責更新記憶，每個功能模塊組合起來就構成了完整的LSTM模型。

3?ISSA-LSTM模型預測模型如圖3所示，模型結構自下而上分為輸入層、全連接層1（特征融合）、LSTM層、全連接層2（輸出維度變換）和輸出層共5個部分。進行預測時，首先定義數據集為模型的輸入數據，數據集

X的大小為Rn×d（R表示實數），含義為d維特征向量的n個時間序列。

圖3中{X1，X2，…，Xn}為歷史時間步數m的時間序列，在輸入層中，計算并輸入相同時間步數的時間序列，輸入向量大小為Rm×d。

在全連接層1，首先對輸入層中輸入的特征向量進行計算，使LSTM網絡能夠更好地融合其他特征，利用激活函數輸出向量S1；然后將全連接層1的輸出向量S1輸入至LSTM層的單元結構中；最后通過一個全連接層2將輸出維度轉換為需要提前預測的時間步數（k），并將目標預測序列m個時刻后的k個時刻的預測結果輸出，輸出結果為k維向量。根據以上模型結構，對于未來可再生能源的需求量的預測問題，可以結合其多關聯因素和歷史m個時間點的數據來預測未來k個時間點的數據。

結合改進過的麻雀搜索算法（ISSA）與長短期記憶網絡（LSTM），建立組合預測模型為ISSA-LSTM。

具體的模型改進邏輯如下：首先利用Circle混沌映射對麻雀種群進行初始化；其次引入非線性慣性權重更新麻雀搜索算法的發現者位置，提高麻雀搜索算法的種群多樣性；最后用ISSA算法對LSTM的隱藏層神經元數量、初始學習率、L2正則化系數進行優化，ISSA-LSTM算法流程如圖4所示。ISSA-LSTM的具體步驟如下。

1）輸入數據。預處理數據集合減少數據不同量綱的影響，將數據集劃分為訓練集和測試集，其中將2000—2015年的數據作為訓練集，2016—2022年的數據作為測試集。

2）建立LSTM網絡。設置LSTM網格結構層數及其內部的激活函數，并引入L2正則化系數防止模型過擬合。3）設置ISSA算法參數。設置ISSA算法的種群數量pop、種群最大進化次數T、算法空間維數dim、麻雀種群中發現者以及預警者數量。

4）引入Circle混沌映射初始化種群。將均方誤差（MSE）作為種群適應度函數進行計算，利用非線性慣性權重ω對麻雀種群位置進行更新。

5）判斷ISSA算法是否達到最大迭代次數。若達到，將ISSA算法優化的最優解作為LSTM網絡的超參數，否則重復算法迭代過程。

6）輸出ISSA-LSTM模型的預測結果。

4?算例分析

4.1?影響因素分析研究可再生能源電力需求所受到的影響因素之前，需要明確的是可再生能源電力需求是用可再生能源電力的實際損耗量，也就是可再生能源電力的用電量來衡量的，依據來源于各年度《全國可再生能源電力發展監測評價報告》。何偉軍等利用主成分分析法對影響用電量的因素進行了分析[36]；邢素潔使用灰色關聯度模型發現年度國民GDP、能源損耗總量、可支配收入等因素對用電量的影響是從高到低的[37]。由此可見電力需求受到眾多因素的影響，將影響可再生能源電力需求的因素大致分為以下幾類。

1）宏觀經濟。經濟發展必將帶動能源的消費，特別是電能在終端能源消費中所占的比例持續增長，用年度GDP來代表宏觀經濟指標。2）人口數量。人口數量的多少直接影響能源的消耗量，人口增長是促進電力消費的重要因素，用人口總數來代表人口數量指標。3）城鎮化水平。城鎮化水平的提高同樣意味著人們在生活中的電氣化水平提升，進而導致電力需求的增加，用城鎮化率來代表城鎮化水平。4）直接因素。電力需求與能源消費水平是相關的，能源消費水平高，電力需求自然增加，同樣，電力需求與能源價格也有關系，不同種能源的價格會影響人們對能源種類的選擇。而電力行業有火力發電、水力發電、風力發電、光伏發電等多種發電方式。故研究可再生能源電力的需求應該考慮到可再生能源電力的發電量、火力發電量、能源消費總量、煤炭價格、原油價格、成品油價格和電力價格等直接因素。其中，煤炭開采與洗選業的價格指數代表煤炭價格，

石油和天然氣開采業的價格指數代表原油價格，煉油煉焦加工業的價格指數代表成品油價格，電熱力生產與供應業的價格指數代表電力價格［35］。為檢驗可再生能源電力需求所受眾多因素影響的相對強弱，引入灰色關聯度分析方法[36]。使用MATLAB軟件，選擇2003—2022年的年度GDP、人口總數、城鎮化率、滯后一期的可再生能源電力的發電量、火力發電量、能源消費總量、煤炭價格、原油價格、成品油價格、電力價格等指標的數據（見表1），得到灰色關聯度分析結果：年度GDP、人口總數、城鎮化率、滯后一期的可再生能源電力的發電量、火力發電量、能源消費總量、煤炭價格、原油價格、成品油價格和電力價格等指標的關聯度分別為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。

從可再生能源電力需求的影響因素相對強弱排序來看，選擇關聯度超過0.8的影響因素對可再生能源電力需求進行組合模型預測分析，不考慮能源價格對可再生能源電力需求的影響。其實，能源價格因素影響可再生能源電力需求的原因是化石能源價格上漲時，社會將增加對清潔能源的需求，減少化石能源的消耗，

但火力發電量這個影響因素更直接地反映了這個原因，且從關聯度分析結果上也可以看出。

4.2?評價指標為檢驗ISSA-LSTM模型的預測精度，選取2個檢驗指標分別為平均絕對百分比誤差MAPE和均方根誤差RMSE。計算公式如下

MAPE=100%n

∑ni=1

yi-iyi

（15）

RMSE=

1n

∑ni=1（i-yi）2

（16）

4.3?結果分析

為驗證ISSA對LSTM的優化效果，選用Matlab 2022計算平臺進行驗證，分別選取原始的SSA-LSTM與ISSA-LSTM模型進行對比，輸入2003—2022年的數據，使用2003—2015年的數據作為訓練集，2016—2022年的數據作為測試集，并對2023—2030年的可再生能源電力需求進行預測。所整理的數據經過反復訓練可得出，SSA尋優性能最好時的具體參數設置見表2。

模型參數設置完畢后，將2016—2022年的數據作為測試集輸入到SSA-LSTM和ISSA-LSTM模型中進行測試。圖5是改進前SSA算法與改進后的ISSA算法優化LSTM的適應度曲線對比，其中SSA算法搜索得到的適應度值小于ISSA算法，原始SSA算法在迭代次數60次時獲得最優適應度值為0.022 68，而改進的ISSA算法在40次時獲得最優適應度值為0.017 45，且SSA算法的尋優能力不及ISSA算法的適應度曲線，這是由于ISSA算法在種群初始化階段引入Circle混沌映射，使種群均勻分布在搜索空間中，減緩算法陷入局部最優的情況，此外還采用非線性慣性權重策略，在一定程度上平衡算法的全局和局部搜索能力，加快算法的收斂速度，進而提高算法的尋優能力和準確性。

各模型運行所得的2016—2022年預測值與真實值的結果如圖6所示。

ISSA-LSTM組合預測模型所得的2023—2030年可再生能源電力需求的預測值結果如圖7所示。

為進一步體現ISSA-LSTM預測模型的精度，將BP、SVR、SSA-SVR、LSTM、CNN-LSTM、PSO-LSTM以及SSA-LSTM等7個模型的預測結果與ISSA-LSTM模型的預測結果進行對比。經過實際運行，模型的預測結果見表3。

通過對比分析這7個模型得出：LSTM預測精度高于BP和SVR，這表明深度神經網絡更適合處理此類影響可再生能源電力需求的數據，例如發電量、年度GDP、人口總數、城鎮化率和能源消費總量等；PSO-LSTM預測的誤差小于CNN-LSTM，調整神經網絡的超參數對預測性能影響更大，分別使用SSA與PSO算法優化LSTM的超參數，結果表明SSA算法在尋找LSTM超參數最尋優解的能力優于PSO算法；ISSA-LSTM和SSA-LSTM進行對比得到平均絕對百分比誤差和均方根誤差降低，結果表明ISSA-LSTM能夠作為有效的預測模型，適用于可再生能源電力的需求預測。

5?結?論

1）引入Circle混沌映射使麻雀初始種群均勻分布搜索空間，提高麻雀搜索算法初始解的質量，能有效提升SSA尋優能力，與LSTM相結合所組成的ISSA-LSTM模型可用于類似可再生能源電力需求預測的研究。2）可再生能源電力需求從2023年的2.65萬億千瓦時升高到2024年的2.67萬億千瓦時，又在2030年降低為2.27萬億千瓦時，整體波動幅度不大。在未來8年，可再生能源電力需求趨于穩定，約占1/3的全社會用電量。

研究結果只是在各因素的影響下，使用改進后的組合預測方法客觀地預測出未來可再生能源電力的需求，但“雙碳”目標實現的根本在于減少煤炭使用量，增加可再生能源電力的使用量，這就需要持續加大可再生能源電力的規模和消納才能達到。到目前為止，“雙碳”目標的實現還有一定的提升空間，持續加大可再生能源電力的發展規模，提高可再生能源電力的消納和儲存能力是提升可再生能源電力需求的關鍵，也是實現“雙碳”目標的重中之重。

參考文獻（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，楊力.電力需求的非線性回歸組合神經網絡預測研究[J].計算機工程與應用，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］陳章潮，熊崗.應用改進的灰色GM（1，1）模型進行長期電力需求預測[J].電力系統自動化，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]張運厚，李婉瑩，董福貴.基于DE-GWO-SVR的中長期電力需求預測[J].中國電力，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]夏雨爍，張新生，王明虎.基于ISSA-NESN的可再生能源電力需求預測研究[J].電網與清潔能源，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]田書欣，周全，程浩忠，等.基于鴿群優化算法的支持向量機在電力需求總量預測中的應用[J].電力自動化設備，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]王旭東，嚴珂，陸慧娟，等.LSTM的單變量短期家庭電力需求預測[J].中國計量大學學報，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]劉亞琿，趙倩.基于聚類經驗模態分解的CNN-LSTM超短期電力負荷預測[J].電網技術，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]呂海燦，王偉峰，趙兵，等.基于Wide & Deep-LSTM模型的短期臺區負荷預測[J].電網技術，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]賈立敬，張建文，王傳林，等.基于DGA的差分進化支持向量機電力變壓器故障診斷[J].高壓電器，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，王旭東，等.基于ICEEMDAN-LSTM-BNN的短期光伏發電功率概率預測[J].西安科技大學學報，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，莫汝喬，薛飛，等.基于時間戳特征提取和CatBoost-LSTM模型的光伏短期發電功率預測[J/OL].太陽能學報，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]呂靖燁，杜靖南，曹銘，等.利用ARIMA-SVM模型的碳排放交易價格預測[J].西安科技大學學報，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，韓騫，等.基于PCA-BO-XGBoost的礦井回采工作面瓦斯涌出量預測[J].西安科技大學學報，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，榮政，謝林江，等.基于Bi-LSTM的在線物聯網設備識別方法[J].西安科技大學學報，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]馬莉，王卓，代新冠，等.基于雙流CNN與Bi-LSTM的施工人員不安全行為輕量級識別模型[J].西安科技大學學報，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]潘紅光，裴嘉寶，蘇濤，等.基于LSTM的燃煤電廠NOx排量軟測量[J].西安科技大學學報，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］薛建凱.一種新型的群智能優化技術的研究與應用——麻雀搜索算法[D].上海：東華大學，2020．XUE Jiankai.Research and application of a novel swarm intelligence optimization technique：Sparrow search algorithm[D].Shanghai：Donghua University，2020.

［35］施青，許蔓，孫曉奇.能源價格波動對我國一般價格水平及其變化趨勢的影響——基于投入產出價格影響模型[J].世界經濟文匯，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]何偉軍，孔陽，崔勇，等.基于主成分分析法的我國用電量的影響因素分析[J].數學的實踐與認識，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]邢素潔.基于灰色關聯度模型的用電量影響因素分析[J].價值工程，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.

（責任編輯：高佳）