为分离负荷数据中的信号和噪声，提高预测模型的精度，本文首先采用变分模态分解技术 将历史负荷数据分解成若干个本征模态分量，使其频率带宽之和最小化。然后利用深度学习神经 网络 LSTM 分别对分解出的模态分量建模，LSTM 神经网络由于具有记忆单元，相比于传统的循环神经网络( Ｒecurrent Neural Networks，ＲNN) 可以提取出更长的时间尺度上数据之间的关联性，解决了ＲNN 所存在

微电网优化调度作为智能电网优化的重要组成部分，对降低能耗、环境污染具有重要意义。微电网的发展目标既要满足电力供应的基本需求，又要提高经济效益和环境保护。对此，提出了一种综合考虑微电网系统运行成本和环境保护成本的并网模式下微电网多目标优化调度模型。同时采用改进的粒子群算法对优化模型进行求解。仿真结果表明，该模型可以有效降低用户的用电成本和环境污染，促进微电网的优化运行，并验证了改进的粒子群算法的优越

本代码基于。

本代码基于Matlab平台，实现了基于BP神经网络和Adaboost算法相结合的数据回归预测方法。首先，利用BP神经网络对数据进行特征提取和模式识别，以建立初步的回归模型。然后，通过Adaboost算法对BP神经网络进行集成学习，以进一步提高模型的预测性能和稳定性。相较于传统的单一BP神经网络模型，Adaboost通过集成多个弱分类器，每个分类器都针对之前分类错误的样本进行加权调整，从而减小了分类

本代码基于。

本代码基于Matalb平台编译，将GWO(灰狼群算法)与LSTM（长短期记忆神经网络）结合，进行多输入数据时序预测输入训练的数据包含8个特征1个响应值，即通过8个输入值预测1个输出值（多变量时序预测）归一化训练数据，提升网络泛化性通过GWO算法优化LSTM网络的学习率、神经元个数参数，记录下最优的网络参数训练LSTM网络进行回归预测，实现更加精准的预测迭代计算过程中，自动显示优化进度条，实时查看程

本代码基于。

本代码基于。

本文将粒子群算法（PSO）与径向基神经网络（RBF）相结合，使用PSO优化RBF神经网络的主要参数中心值c, 宽度σ以及连接权值w。然后将影响输出响应值的多个特征因素作为PSO-RBF神经网络模型的输入神经元, 输出响应值作为输出神经元进行预测测试。并使用BP神经网络，RBF神经网络对同一任务进行对比，结果表示PSO-RBF的准确度最好。

由于电力负荷具有很强的时间相关性，仅通过上一时刻的负荷预测下一时刻的负荷并不能有效的反应复杂的时间关系，同时也没有充分的利用历史负荷数据的全部信息。所以本文通过滑动时间窗技术将多个历史时间内的负荷情况组合起来，预测下一时刻的负荷情况，并不断向前移动，以完成全天内的负荷预测。本文使用LSTM和Bi-LSTM，以电力负荷预测为例对比了两者的预测性能，其中将电力负荷构造为滑动时间窗的形式作为网络输出输入