基于深度学习的电力市场短期电价预测研究

发布时间：2020-03-20 05:57

【摘要】：电力行业不断从垄断经营走向竞争化,电力市场的价格变动也对公用事业收入和用户成本产生不利影响。电价的变动既对供给侧发电售电带来了挑战,也为用户侧的使用产生了影响,作为市场调节的杠杆,准确的电价预测显得尤为重要。在保证电力可靠性、高效性和安全供应的前提下,要保证售电公司准确把握市场导向,提供具有竞争力的价格与服务。目前存在的电价预测方法对其周期性变化规律利用度较低,预测步长较短,使得电价预测存在较大误差。通过调取美国PJM电力市场电价数据库中数据,分析电力市场改革下售电公司的成立对电价产生的影响,学习深度学习的相关理论,提出基于ELU激活函数的双向LSTM模型对电力市场供给侧短期电价变化进行预测。主要针对循环神经网络的缺点和不足,通过分析影响电价的因素,采用LSTM模型,在对激活函数进行优化与改进后设计E-BLSTM模型并进行实验分析,在有限次迭代达到收敛情况下证明了模型的准确性。具体工作如下:1)针对电价数据受到多因素影响的问题,利用模糊相似性原理,对数据做预处理,将神经网络算法引入电价预测模型中,根据时间序列之间存在的相关关系对样本数据进行学习与训练,降低实验误差。2)针对反向传播计算过程中的梯度消失问题,根据电力市场供给侧对电价的敏感度,捕捉电价线性和非线性的特点,设计售电市场供给侧电价预测的E-BLSTM模型。利用LSTM保持长久记忆特征,改进sigmoid函数和tanh函数,在LSTM模型上添加三类阀门,将ELU激活函数引入双向LSTM电价预测模型中,提高步长,解决梯度消失问题。使用优化的ADAM梯度下降算法,根据训练数据迭代地更新神经网络的权重,选择最优的损失函数,提高电价预测的准确率。3)将设计的E-BLSTM模型与普通的LSTM模型进行对比,为保证实验的准确性,并与ARIMA模型和ARMA模型进行对比实验,实验证明算法能收敛到较低的损失率,可以对电力市场供给侧波动较大的电价进行精确预测,证明了模型的有效性和可收敛性。
【图文】：

时间序列,循环神经网络,前向神经网络,时间序列相关

图 2-2 展开的循环神经网络进行分析与比较，无论是从输入还是输出来看，就是说，按照时间展开循环便可以将一个循环神的前向神经网络神经元，前向神经网络的神经元，正是由于循环神将网络的特点，使得时间序列进行展现，这揭示了时间序列相关的本质，也可然的网络架构。播参数的调整可以运用传统的方法，传统的方法与链接的作用。而在前一节呈现出来的循环神经网导过程，还是进行前向传播，都是按照传统的步的输出求解时，用梯度下降的方法，通过求解无NN 网络不能直接使用 BP 算法来更新参数，区

多因素影响,神经网络,电价

图 3-1 某地区一周电价变化图价时间序列预测过程中，数据点与历史数据点有一定的相关性，在电价进行横向比较，，加以各影响因素，使得同一时刻的电价能够尽围广，只允许信号从输入到输出的前馈神经网络相比。2.2 部分提网络在网络中引入循环，并允许隐藏单元之间建立内部连接，从而间步中传递，可专门设计用来预测时间序列。将影响电价的多种因，得到第 d 天 t 时刻的神经网络输入图，如图 3-2 所示。
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F426.61;F726;TP18

【参考文献】