标题：基于 CNN-LSTM 的人工大猩猩部队 GTO 优化方法用于多变量负荷预测
摘要：
本文提出了一种基于 CNN-LSTM 的多变量负荷预测方法，该方法将历史负荷与气象数据作为输入，输
出一天 96 个时刻的负荷值。通过 GTO 优化 CNN-LSTM，可以找到最优的网络超参数，从而实现对负
荷预测模型的优化。本文详细介绍了该方法的具体实现过程和优化目标，并给出了主要优化的超参数
。
1. 引言
电力负荷预测在电力系统运行和规划中具有重要的作用。准确的负荷预测可以帮助电力公司优化发电
策略、提高发电效率，并合理安排电网调度计划。当前，随着各种新能源的不断发展和智能电网的推
广应用，对电力负荷预测的需求越来越高。
2. 方法
2.1. CNN-LSTM 网络
CNN-LSTM 网络是一种结合了卷积神经网络（CNN）和长短期记忆网络（LSTM）的模型，适用于处理
具有时空特征的数据。本文采用 CNN-LSTM 模型来实现对多变量负荷预测的建模。
2.2. GTO 优化过程
GTO（Great Teach Optimization）是一种启发式优化算法，模拟了大猩猩部队的行为，通过迭
代的方式逐步改进网络超参数的选择，以使得 CNN-LSTM 模型的误差最小化。本文将 GTO 分为 GTO
部分、CNN-LSTM 部分和数据部分。
2.3. CNN-LSTM 的训练和验证
CNN-LSTM 网络首先根据 GTO 传入的参数进行解码，获得所需的网络超参数。然后，利用数据部分传
入的训练集进行网络训练，并对验证集进行预测，得到实际输出值与期望输出值之间的误差均方差。
将均方差作为适应度值返回给 GTO 部分。
2.4. GTO 的优化
GTO 部分根据适应度值进行优化，通过更新种群与全局最优解，逐步改进网络超参数的选择。通过该
方法，最终可以获得优化的网络超参数，从而实现对 CNN-LSTM 模型的优化。
3. 实验与结果
本文针对多变量负荷预测问题进行了一系列实验，通过 GTO 优化 CNN-LSTM 模型的超参数，得到了
较好的预测效果。实验结果表明，优化后的 CNN-LSTM 模型能够更准确地预测电力负荷，并提高预测
的稳定性和可靠性。
4. 结论与展望
