基于经验模式分解与LSTM神经网络的短期电价预测模型

发布时间：2022-12-11 20:34

　　在开放的电力市场中,日前电价预测是个重要的研究方向。本文提出了一种基于经验模式分解（EMD）与长短期记忆神经网络（LSTM）的序列电价预测模型,使用EMD提取电价序列中的周期分量与趋势分量,利用LSTM分别对周期分量与趋势分量进行序列预测,输出各分量的预测结果,通过支持向量机回归（SVR）叠加各分量的预测序列生成预测价格序列。最后,以美国PJM电力市场的电价数据为算例,与ARIMA模型、单一LSTM神经网络模型的预测结果进行比较,验证了EMD-LSTM-SVR模型能够提高短期电价预测精度。 

【文章页数】：6 页

【文章目录】：
1 基本算法
    1.1 经验模式分解
    1.2 长短期记忆神经网络
    1.3 支持向量回归
2 预测方法
    2.1 EMD-LSTM-SVR混合模型
    2.2 评价指标
3 算例分析
    3.1 数据分割
    3.2 模型预测
    3.3 结果对比
    3.4 讨 论
4 结 语


【参考文献】：
期刊论文
[1]采用长短期记忆深度学习模型的工业负荷短期预测方法[J]. 杨甲甲,刘国龙,赵俊华,文福拴,董朝阳.  电力建设. 2018(10)
[2]深度学习原理及应用综述[J]. 付文博,孙涛,梁藉,闫宝伟,范福新.  计算机科学. 2018(S1)
[3]基于深度学习LSTM网络的短期电力负荷预测方法[J]. 陈卓,孙龙祥.  电子技术. 2018(01)
[4]考虑分时电价的风光储联合优化调度研究[J]. 杨晓萍,刘浩杰,黄强.  西安理工大学学报. 2016(04)
[5]一种基于HHT的短期电价组合预测方法[J]. 廖晓辉,周冰,杨冬强,武杰.  郑州大学学报(工学版). 2016(01)
[6]基于混合自回归滑动平均潜周期模型的短期电价预测[J]. 曾勇红,王锡凡,冯宗建.  西安交通大学学报. 2008(02)



本文编号：3719457