CN112396225A - 一种基于长短期记忆网络的短期电价预测方法 - Google Patents

Abstract

本发明公开一种基于长短期记忆网络的短期电价预测方法,所述电价预测方法包括以下步骤：进行原始电价中的异常数据和缺失数据的周期性预处理；进行长短期记忆网络模型构建；进行长短期记忆网络模型训练，选择模型参数，建立短期电价的预测模型；进行短期电价预测，并对预测结果数据进行反归一化处理，获得实际电价预测值。本发明电价预测方法通过均值插补和小波变换对历史电价数据进行预处理，减少了训练集的噪声；基于长短期记忆网络预测模型，以历史影响电价因素数据为测试集进行短期电价预测，对市场参与者进行合理的交易决策，以降低成本、规避风险和提高利润率意义重大。

Description

一种基于长短期记忆网络的短期电价预测方法

技术领域

本发明涉及电力市场技术领域，具体是一种基于长短期记忆网络的短期电价预测方法。

背景技术

电力体制改革以来，国内电力市场产生了较大的变革，各市场主体在电力交易过程中面对了一个全新的、激烈的市场竞争环境。电价预测作为各市场主体参与电力市场交易的有效工具，有利于市场参与者进行合理的交易决策，以降低成本、规避风险和提高利润率。因此，如何进行准确的日前电价预测，以制定最优交易决策成为了一个重要研究课题。现有研究，主要集中于基于历史电价数据，采用支持向量机、人工神经网络的模型进行电价的点预测，存在难以处理大规模数据、易陷入局部最优、较少考虑时间序列内部规律等问题。循环神经网络可以较好地考虑时间序列规律，但是在经过多阶段传播后，可能存在梯度倾向于消失或***的问题。缺乏一种可以对时间序列进行处理，同时克服对数据长期依赖的电价预测方法，为市场参与者提供最优交易决策的短期电价预测方法。

发明内容

本发明的目的在于提供一种基于长短期记忆网络的短期电价预测方法，本发明电价预测方法通过均值插补和小波变换对历史电价数据进行预处理，减少了训练集的噪声；基于长短期记忆网络预测模型，以历史影响电价因素数据为测试集进行短期电价预测，对市场参与者进行合理的交易决策，以降低成本、规避风险和提高利润率意义重大。

本发明的目的可以通过以下技术方案实现：

一种基于长短期记忆网络的短期电价预测方法,所述电价预测方法包括以下步骤：

S1：进行原始电价中的异常数据和缺失数据的周期性预处理；

S2：进行长短期记忆网络模型构建；

S3：进行长短期记忆网络模型训练，选择模型参数，建立短期电价的预测模型；

S4：进行短期电价预测，并对预测结果数据进行反归一化处理，获得实际电价预测值。

进一步的，所述S1具体包括以下步骤：

S11：均值插补法处理历史电价异常数据；

S12：小波变换法去周期性处理；

S13:历史电价数据归一化处理。

进一步的，所述S11具体包括：

原始数据的异常值和缺失值，采用均值插补法，取异常数据所在位置的前后n个数据作为插补数据，对异常数据进行预处理：

式中，X_j为原始电价数据序列，i为原始电价序列中异常值的序号，X′_i为采用均值插补的数据。

进一步的，所述S12具体包括：

通过小波变换将历史电价数据分解为一组周期性分量和随机波动分量组成的子序列，通过对周期性分量分别进行预测后再组合；

采用离散小波变换进行历史电价数据的去周期性处理：

式中，m表示缩放常数，n表示平移常数，m,n∈N；α为尺度参数；τ为平移参数；ψ(x)为母小波，ψ^*(x)为母小波的复共轭函数；

采用Daubechies 5小波对历史电价数据序列进行5层小波变换；分解之后获得不同周期的6个子序列，包括近似低频序列{a₅}，和5个高频细节序列{d₁,d₂,d₃,d₄,d₅}。

进一步的，所述S13具体包括：

通过最大值最小值标准化法，对历史电价数据进行归一化处理：

式中，X_i表示归一化之前的历史电价序列中的值；X′_i表示归一化之后的历史电价的值；max{X_i,i＝1,2,3,...,N}和min{X_i,i＝1,2,3,...,N}分别代表历史电价数据集X_i的最大值和最小值。

进一步的，所述S2具体包括：

采用逻辑单元细胞状态cell判断输入数据有效性，由3个门结构控制信息在细胞状态上更新，输入门i_t控制输入记忆细胞的信息，遗忘门f_t控制删除信息并重置记忆细胞，输出门o_t控制信息输出；

x_t为输入信息，h_t-1表示t-1时刻的长期记忆状态，为先前输出值，隐含层状态三种类型的门结构具体功能和输出的计算方法如下：

输入门i_t：根据输入数据，输入门判断数据用来更新存储器状态，具体公式如下：

i_t＝sigmoid(w_i[h_t-1,x_t]+b_i) (4)

遗忘门f_t：根据输入数据，遗忘门基于激励函数，决定细胞状态需要的信息，具体公式如下：

f_t＝sigmoid(w_f[h_t-1,x_t]+b_f) (5)

输出门o_t：根据输入数据，和当前记忆单元存储的信息，决定输出信息，具体公式如下：

o_t＝sigmoid(w_o[h_t-1,x_t]+b_o) (6)

式中，i_t，f_t，o_t分别为输入门、遗忘门和输出门的输出信号，其中，f_t决定细胞状态的遗忘比例，i_t决定当前信息输入到细胞状态的比例，o_t决定细胞状态输出到当前状态h_t的比例；w_i，w_f，w_o，w_c表示各门结构的权值向量，b_i，b_f，b_o，b_c表示各门结构的相位向量，均为待训练的参数；

每个t时刻，输入信息由当前的输入x_t和t-1时刻隐藏层的h_t-1计算所得，其中tanh函数将函数值限定于(-1,1)，以创建新的候选状态向量：

细胞状态逻辑单元由输入门i_t决定更新：

输出信息h_t由输出门o_t决定更新：

h_t＝o_t*tanh(c_t) (9)

进一步的，所述S3具体包括：

根据S1所述预处理后的历史电价数据，以均方误差作为代价函数，训练S2所构建的长短期记忆网络模型，训练后的模型作为短期电价预测模型。

进一步的，所述S4具体包括：

S41：训练集数据预处理

选取影响电价的相关因素的历史数据时间序列，对该时间序列进行与S13所述相同的归一化处理，处理后的数据形成基于长短期记忆网络短期电价预测模型的测试集；

S42：基于长短期记忆网络的短期电价预测

将测试集数据输入S3所构建的长短期记忆网络短期电价预测模型，进行电价预测，获得归一化后的短期电价预测结果；

S43:预测数据处理

对归一化后的短期电价预测结果进行反归一化处理，获得基于长短期记忆网络短期电价预测模型的实际短期电价预测结果。

本发明的有益效果：

1、本发明电价预测方法通过均值插补和小波变换对历史电价数据进行预处理，减少了训练集的噪声；

2、发明电价预测方法基于长短期记忆网络预测模型，以历史影响电价因素数据为测试集进行短期电价预测，对市场参与者进行合理的交易决策，以降低成本、规避风险和提高利润率意义重大。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明电价预测方法流程图；

图2是本发明长短期记忆网络的单元结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

一种基于长短期记忆网络的短期电价预测方法,电价预测方法包括以下步骤：

S1：进行原始电价中的异常数据和缺失数据的周期性预处理。

S11：均值插补法处理历史电价异常数据

电力交易中心的历史电价数据存在剧烈的波动性，且短时电价数据在每年、每周等尺度上具备很强的周期性，可能出现偏离周期性的缺失值和异常值，这对短期电价预测产生了不利影响。

对于原始数据的异常值和缺失值，采用均值插补法，取异常数据所在位置的前后n个数据作为插补数据，对异常数据进行预处理：

式中，X_j为原始电价数据序列，i为原始电价序列中异常值的序号，X_i'为采用均值插补的数据。

S12：小波变换法去周期性处理

小波变换是基于傅里叶变换改进的新数据变换方法，能对时间频率的局部化分析，通过伸缩平移运算对数据逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分的效果。通过小波变换可以将历史电价数据分解为一组周期性分量和随机波动分量组成的子序列，其中，周期性分量更稳定，随机波动分量更精确。通过对这一组分量分别进行预测后再组合，可以很大提高短期电价的预测精度。

由于历史电价数据往往是每个30分钟或每个小时的数据，因此采用离散小波变换进行历史电价数据的去周期性处理：

式中，m表示缩放常数，n表示平移常数，m,n∈N；α为尺度参数；τ为平移参数；ψ(x)为母小波，ψ^*(x)为母小波的复共轭函数。

综合权衡数据波长和平滑性，采用Daubechies 5小波对历史电价数据序列进行5层小波变换。分解之后获得不同周期的6个子序列，其中包括近似低频序列{a₅}，和5个高频细节序列{d₁,d₂,d₃,d₄,d₅}。

S13:历史电价数据归一化处理

为了保证各输入序列的时间步的量纲统一，且由于长短期记忆网络对原始数据更加敏感，通过最大值最小值标准化法，对历史电价数据进行归一化处理：

式中，X_i表示归一化之前的历史电价序列中的值；X′_i表示归一化之后的历史电价的值；max{X_i,i＝1,2,3,...,N}和min{X_i,i＝1,2,3,...,N}分别代表历史电价数据集X_i的最大值和最小值。

S2：进行长短期记忆网络模型构建。

如图2所示,为一种基于长短期记忆网络的短期电价预测方法的长短期记忆网络的单元结构图。

在传统循环神经网络架构中加入门控机构，就形成了长短期记忆网络架构，这种架构可以有效缓解循环神经网络中由于以往久远数据被遗忘而产生的梯度消失或***，减轻了长期以来的数据依赖难题。

长短期记忆网络引入了一个判断输入数据有效性的逻辑单元细胞状态cell，由3个门结构控制信息在细胞状态上更新，实现信息在网络上的长期流动。输入门i_t控制输入记忆细胞的信息，遗忘门f_t控制删除信息并重置记忆细胞，输出门o_t控制信息输出。

如图2所示，x_t为输入信息，h_t-1表示t-1时刻的长期记忆状态，为先前输出值，隐含层状态三种类型的门结构具体功能和输出的计算方法如下：

输入门i_t：根据输入数据，输入门有条件地判断哪些数据可以用来更新存储器状态，具体公式如下：

i_t＝sigmoid(w_i[h_t-1,x_t]+b_i) (4)

遗忘门f_t：根据输入数据，遗忘门基于激励函数，有条件地决定细胞状态需要的信息，具体公式如下：

f_t＝sigmoid(w_f[h_t-1,x_t]+b_f) (5)

输出门o_t：根据输入数据，和当前记忆单元存储的信息，有条件地决定输出信息，具体公式如下：

o_t＝sigmoid(w_o[h_t-1,x_t]+b_o)(6)

式中，i_t，f_t，o_t分别为输入门、遗忘门和输出门的输出信号，其中，f_t决定细胞状态的遗忘比例，i_t决定当前信息输入到细胞状态的比例，o_t决定细胞状态输出到当前状态h_t的比例；w_i，w_f，w_o，w_c表示各门结构的权值向量，b_i，b_f，b_o，b_c表示各门结构的相位向量，均为待训练的参数。

在图2的每个t时刻，输入信息由当前的输入x_t和t-1时刻隐藏层的h_t-1计算所得，其中tanh函数将函数值限定于(-1,1)，以创建新的候选状态向量：

细胞状态逻辑单元由输入门i_t决定如何更新：

输出信息h_t由输出门o_t决定如何更新：

h_t＝o_t*tanh(c_t) (9)

S3：进行长短期记忆网络模型训练，选择模型参数，建立短期电价的预测模型。

根据S1所述预处理后的历史电价数据，以均方误差作为代价函数，训练S2所构建的长短期记忆网络模型，训练后的模型作为短期电价预测模型。

S4：进行短期电价预测，并对预测结果数据进行反归一化处理，获得实际电价预测值。

S41：训练集数据预处理

选取影响电价的相关因素的历史数据时间序列(气象、负荷等)，对该时间序列进行与S13所述相同的归一化处理，处理后的数据形成基于长短期记忆网络短期电价预测模型的测试集。

S42：基于长短期记忆网络的短期电价预测

将测试集数据输入S3所构建的长短期记忆网络短期电价预测模型，进行电价预测，获得归一化后的短期电价预测结果。

S43:预测数据处理

对归一化后的短期电价预测结果进行反归一化处理，获得基于长短期记忆网络短期电价预测模型的实际短期电价预测结果。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (8)

1.一种基于长短期记忆网络的短期电价预测方法,其特征在于，所述电价预测方法包括以下步骤：

S1：进行原始电价中的异常数据和缺失数据的周期性预处理；

S2：进行长短期记忆网络模型构建；

S3：进行长短期记忆网络模型训练，选择模型参数，建立短期电价的预测模型；

S4：进行短期电价预测，并对预测结果数据进行反归一化处理，获得实际电价预测值。

2.根据权利要求1所述的一种基于长短期记忆网络的短期电价预测方法,其特征在于，所述S1具体包括以下步骤：

S11：均值插补法处理历史电价异常数据；

S12：小波变换法去周期性处理；

S13:历史电价数据归一化处理。

3.根据权利要求2所述的一种基于长短期记忆网络的短期电价预测方法,其特征在于，所述S11具体包括：

原始数据的异常值和缺失值，采用均值插补法，取异常数据所在位置的前后n个数据作为插补数据，对异常数据进行预处理：

式中，X_j为原始电价数据序列，i为原始电价序列中异常值的序号，X′_i为采用均值插补的数据。

4.根据权利要求3所述的一种基于长短期记忆网络的短期电价预测方法,其特征在于，所述S12具体包括：

通过小波变换将历史电价数据分解为一组周期性分量和随机波动分量组成的子序列，通过对周期性分量分别进行预测后再组合；

采用离散小波变换进行历史电价数据的去周期性处理：

式中，m表示缩放常数，n表示平移常数，m,n∈N；α为尺度参数；τ为平移参数；ψ(x)为母小波，ψ^*(x)为母小波的复共轭函数；

采用Daubechies 5小波对历史电价数据序列进行5层小波变换；分解之后获得不同周期的6个子序列，包括近似低频序列{a₅}，和5个高频细节序列{d₁,d₂,d₃,d₄,d₅}。

5.根据权利要求4所述的一种基于长短期记忆网络的短期电价预测方法,其特征在于，所述S13具体包括：

通过最大值最小值标准化法，对历史电价数据进行归一化处理：

式中，X_i表示归一化之前的历史电价序列中的值；X′_i表示归一化之后的历史电价的值；max{X_i,i＝1,2,3,...,N}和min{X_i,i＝1,2,3,...,N}分别代表历史电价数据集X_i的最大值和最小值。

6.根据权利要求5所述的一种基于长短期记忆网络的短期电价预测方法,其特征在于，所述S2具体包括：

采用逻辑单元细胞状态cell判断输入数据有效性，由3个门结构控制信息在细胞状态上更新，输入门i_t控制输入记忆细胞的信息，遗忘门f_t控制删除信息并重置记忆细胞，输出门o_t控制信息输出；

x_t为输入信息，h_t-1表示t-1时刻的长期记忆状态，为先前输出值，隐含层状态三种类型的门结构具体功能和输出的计算方法如下：

输入门i_t：根据输入数据，输入门判断数据用来更新存储器状态，具体公式如下：

i_t＝sigmoid(w_i[h_t-1,x_t]+b_i) (4)

遗忘门f_t：根据输入数据，遗忘门基于激励函数，决定细胞状态需要的信息，具体公式如下：

f_t＝sigmoid(w_f[h_t-1,x_t]+b_f) (5)

输出门o_t：根据输入数据，和当前记忆单元存储的信息，决定输出信息，具体公式如下：

o_t＝sigmoid(w_o[h_t-1,x_t]+b_o) (6)

式中，i_t，f_t，o_t分别为输入门、遗忘门和输出门的输出信号，其中，f_t决定细胞状态的遗忘比例，i_t决定当前信息输入到细胞状态的比例，o_t决定细胞状态输出到当前状态h_t的比例；w_i，w_f，w_o，w_c表示各门结构的权值向量，b_i，b_f，b_o，b_c表示各门结构的相位向量，均为待训练的参数；

每个t时刻，输入信息由当前的输入x_t和t-1时刻隐藏层的h_t-1计算所得，其中tanh函数将函数值限定于(-1,1)，以创建新的候选状态向量：

细胞状态逻辑单元由输入门i_t决定更新：

输出信息h_t由输出门o_t决定更新：

h_t＝o_t*tanh(c_t) (9)

7.根据权利要求6所述的一种基于长短期记忆网络的短期电价预测方法,其特征在于，所述S3具体包括：

根据S1所述预处理后的历史电价数据，以均方误差作为代价函数，训练S2所构建的长短期记忆网络模型，训练后的模型作为短期电价预测模型。

8.根据权利要求7所述的一种基于长短期记忆网络的短期电价预测方法,其特征在于，所述S4具体包括：

S41：训练集数据预处理

选取影响电价的相关因素的历史数据时间序列，对该时间序列进行与S13所述相同的归一化处理，处理后的数据形成基于长短期记忆网络短期电价预测模型的测试集；

S42：基于长短期记忆网络的短期电价预测

将测试集数据输入S3所构建的长短期记忆网络短期电价预测模型，进行电价预测，获得归一化后的短期电价预测结果；

S43:预测数据处理

对归一化后的短期电价预测结果进行反归一化处理，获得基于长短期记忆网络短期电价预测模型的实际短期电价预测结果。

Images