【摘要】：钢铁企业作为国民经济的支柱产业,其节能减排是行业发展的重大需求。其中,电力作为重要的二次能源,对其负荷进行准确的预测是降低生产成本、提高能源利用率的关键。然而,钢铁企业生产过程工况复杂且存在频繁切换的情况,也提高了电力负荷预测难度。针对钢铁企业电力负荷波动大、规律性差的问题,本文建立了一种基于相似日聚类的电力负荷预测模型。考虑钢铁生产工况存在日相似性,且欧氏距离在衡量负荷数据的形态相似性上具有局限性,提出了基于数值差分校正的列相关性分段聚类方法,从而提取不同相似日的负荷特征,进而采用长短期记忆(LongShort-TermMemory,LSTM)神经网络分别对不同相似日的负荷进行建模。为了提高模型的预测精度,提出了一种基于自适应变异和扰动加速的粒子群优化(AdaptiveMutationDisturbanceAccelerationParticleSwarmOptimization,AMDAPSO)算法来确定模型参数。该方法通过全局自适应概率变异机制,提高了种群多样性,从而改善了常规粒子群算法容易陷入局部最优问题,同时通过局部扰动加速策略,提高了参数优化的效率。考虑到单一模型对复杂工况负荷预测精度不足,构建了基于变分模态分解和AMDAPSO优化LSTM的组合预测模型。采用变分模态分解将相似日负荷分解为多个子序列,分别对其构建LSTM模型,并采用所提出的AMDAPSO算法优化不同子模型参数,组合得到负荷预测结果,从而降低了负荷预测过程中的不确定性。采用国内大型钢铁企业的实际电力负荷数据,分别对所提出的聚类算法和改进粒子群优化过程以及组合预测模型进行了工业数据验证分析。通过与已有算法对比,表明了本文所提出的方法对于钢铁企业电力负荷预测的有效性,同时可为钢铁企业的生产和调度提供依据。