基于小波包分解和长短期记忆网络的短期电价预测

发布时间：2021-11-04 05:13

　　在电力市场环境下,精准的短期电价预测可以保障电网优化调度和安全稳定运行,但实时电价具有非平稳性和非线性的特点,加大了预测难度。针对这一问题,提出了一种基于小波包分解（WPD）和长短期记忆（LSTM）网络的短期实时电价预测方法。将实时电价序列分解,得到最高频细节部分和低频趋势部分,剔除波动性高、无效信息多的高频细节部分,再采用LSTM网络对有效信息最多、更能体现电价序列的趋势部分进行实时电价预测。使用所提方法对美国PJM市场某地区实时电价数据进行预测实验,结果表明所提方法相比随机森林、BP神经网络、支持向量机电价预测方和传统的LSTM网络电价预测方法具有更高预测精度。 

【文章来源】：智慧电力. 2020,48(04)北大核心

【文章页数】：7 页

【图文】：

3层WPD图

LSTM定义和维护一个内部记忆单元状态即细胞状态c，通过输入门j、遗忘门f、输出门o 3个门结构来更新、维护或删除细胞状态内的信息，其记忆单元结构如图2所示。图2中，xt为输入，ht-1表示t-1时刻隐含层状态，ct-1表示t-1时刻的长期记忆状态，ft表示遗忘门的输出信号，jt表示输入门的输出信号，ot表示输出门的输出信号，kt表示将要输入到长期记忆中的预备信息，lt表示将要输入到隐含层状态ht的预备信息。从记忆单元输入到输出依次按照式（1）-式（7）计算。

在训练集上训练LSTM模型，选择并优化参数，建立短期电价预测模型。再将训练好的LSTM预测模型在测试集上进行预测得到结果，对预测结果反归一化处理，获得短期实时电价的预测值。2 算例分析

【参考文献】：
期刊论文
[1]基于小波分解与随机森林的短期负荷预测[J]. 黄青平,邹晓明,刘楚群,叶明武,黄祺珺.  电力信息与通信技术. 2019(09)
[2]基于双层随机森林算法的短期负荷预测模型[J]. 邢书豪,高广玲,张智晟.  广东电力. 2019(09)
[3]基于长短期记忆神经网络的配电网负荷预测方法研究[J]. 史静,李琥,李冰洁,谈健,刘丽新.  供用电. 2019(07)
[4]基于集合经验模式分解的ARIMA行业售电量预测模型[J]. 林女贵.  电力科学与技术学报. 2019(02)
[5]一种基于加权马尔科夫链修正的SVM光伏出力预测模型[J]. 张静,褚晓红,黄学安,范文,陈雁,万泉,赵加奎.  电力系统保护与控制. 2019(19)
[6]基于神经网络的地震震相自动拾取方法[J]. 姚开一,李英玉.  电子设计工程. 2018(22)
[7]基于多层人工神经网络的电力系统恢复过电压预测[J]. 张弘喆,赵康,李乐蒙,刘洪正.  智慧电力. 2018(08)
[8]基于长短期记忆网络的售电量预测模型研究[J]. 方志强,王晓辉,夏通.  电力工程技术. 2018(03)
[9]基于支持向量机的配电设备温度监测数据预测[J]. 田洪亮,刘洋,韩文花,谢宁,宋志勇,赵毅,刘涌,王朋朋.  电网与清洁能源. 2018(01)
[10]基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测[J]. 叶瑞丽,郭志忠,刘瑞叶,刘建楠.  电工技术学报. 2017(21)



本文编号：3475074