基于CEEMDAN与改进开普勒算法优化模型的变电站负荷预测方法

本发明公开了一种基于CEEMDAN与改进开普勒算法优化模型的变电站负荷预测方法，首先采用CEEMDAN处理变电站原始负荷的波动性和非周期性。其次，通过引入Niederreiter序列和自适应混沌变异机制，改进的开普勒算法在保持种群多样性的同时，有效避免了局部最优解的问题，提高了算法的收敛速度和全局搜索能力。同时，结合CNN和LSTM网络的优点，设计的混合组合神经网络模型能够充分提取负荷数据中的时空特征，提高了负荷预测的准确性和稳定性。同时通过改进开普勒优化算法优化卷积神经网络的卷积层数和学习率以及长短期记忆神经网络的隐含层数量和学习率，避免人为确定参数的缺陷。该模型的预测表现均优于传统方法，验证了方法的有效性和实用性。