CN113689227A - 基于纵横交叉算法和深度学习模型的日前电价预测方法 - Google Patents

基于纵横交叉算法和深度学习模型的日前电价预测方法 Download PDF

Info

Publication number
CN113689227A
CN113689227A CN202110781000.XA CN202110781000A CN113689227A CN 113689227 A CN113689227 A CN 113689227A CN 202110781000 A CN202110781000 A CN 202110781000A CN 113689227 A CN113689227 A CN 113689227A
Authority
CN
China
Prior art keywords
day
electricity price
ahead electricity
deep learning
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110781000.XA
Other languages
English (en)
Inventor
殷豪
丁伟锋
孟安波
陈顺
王陈恩
蔡涌烽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110781000.XA priority Critical patent/CN113689227A/zh
Publication of CN113689227A publication Critical patent/CN113689227A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明涉及电价预测的技术领域，更具体地，涉及一种基于纵横交叉算法和深度学习模型的日前电价预测方法，包含以下步骤：1)采集含有高比例新能源电力市场的原始电价数据，并对原始电价数据进行预处理；2)建立LSTM预测模型，将预测日之前的日前电价、负荷、风电和光伏发电量作为LSTM预测模型的特征输入；3)采用常规的梯度下降法初次训练LSTM预测模型；4)以最小均方误差为目标函数，基于纵横交叉算法对全连接层间的权系数与偏置进行微调，并得到最终优化好的长短时记忆网络深度学习模型。本发明可以有效地防止深度学习模型的权系数与偏置陷入局部最优，提升该模型的泛化性能，从而提升日前电价的预测精度。

Description

基于纵横交叉算法和深度学习模型的日前电价预测方法
技术领域
本发明涉及电价预测的技术领域，更具体地，涉及一种基于纵横交叉算法和深度学习模型的日前电价预测方法。
背景技术
近年来，大力发展风能和光伏等可再生能源成为了应对资源枯竭、环境污染的重要举措，大规模新能源正逐渐并入电网。由于风光等新能源的边际成本低，电力市场的日前出清价格出现了降低的趋势；而且电能不能大量储存，要时刻满足供需平衡，风光等新能源的随机性与不稳定性使得日前出清价格波动强烈，呈现出非平稳特点，在含高比例新能源电力市场的背景下，建立高准确率的日前电价预测模型具有重要的意义。
迄今为止，国内外对于日前电价预测的方法主要有统计法和机器学习法。统计法通过学习不同时刻的电价递归关系实现电价预测，但统计法对于非线性序列预测效果并不佳。随着机器学习的广泛应用，不少研究者将其应用到电价预测当中，一定程度上提高了预测精度。如中国专利CN110276638A公开了一种基于双向长短期神经网络的电价预测方法及系统，方法包括以下步骤：步骤1、获取归一化预处理后的连续的历史电价数据；步骤2、将连续的所述历史电价数据输入到未来预测模型，获取n个连续未来电价数据；步骤3、训练双向长短期神经网络模型；步骤4、将所述历史电价数据和所述未来电价数据输入到所述双向长短期神经网络模型中，获取电价当前数据。上述方案通过运用Bi-LSTM进行电价的预测，可挖掘特征在时序上的规律，但存在权系数与偏置容易陷入局部最优值，导致模型泛化能力不强的缺陷。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于纵横交叉算法和深度学习模型的日前电价预测方法，不仅可有效地挖掘输入时间序列内在隐藏时间相关性，而且可有效防止长短时记忆网络全连接层之间的权系数与偏置陷入局部最优值，从而提升预测模型的泛化性能。
为解决上述技术问题，本发明采用的技术方案是：
提供一种基于纵横交叉算法和深度学习模型的日前电价预测方法，包括以下步骤：
S10.采集原始日前电价、负荷、风电和光伏发电量历史数据，并对原始日前电价、负荷、风电和光伏发电量历史数据预处理得到日前电价时间序列、负荷序列、风电发电量序列和光伏发电量时间序列；
S20.将步骤S10中的日前电价时间序列、负荷时间序列、风电发电量时间序列和光伏发电量时间序列拼接并形成时间步长为T的单个输入样本序列X＝[x1,x2,···,xn]，其中xk(1≤k≤n)为第k个特征所对应的T个历史输入时刻数值组合而成的时间维度向量，n为特征数，xk具体为：
Figure BDA0003156972430000021
S30.动态选择步骤S20中的输入样本序列作为训练样本，建立长短时记忆网络深度学习预测模型LSTM预测模型；
S40.对步骤S30中所述LSTM预测模型作梯度下降参数训练直至训练完成；
S50.使用纵横交叉算法对步骤S40训练好的LSTM预测模型进行优化，优化长短时记忆网络的全连接输出层；
S60.采用步骤S50优化后的LSTM预测模型作提前一天的日前电价预测，并获得预测的日前电价时间序列。
本发明的基于纵横交叉算法和深度学习模型的日前电价预测方法，
与现有技术相比，本发明的有益效果是：
本发明的基于纵横交叉算法和深度学习模型的日前电价预测方法，LSTM预测模型有效挖掘输入时间序列内在隐藏时间相关性，可提高日前电价预测精度，采用纵横交叉算法优化训练好的LSTM预测模型，可以有效地防止长短时记忆网络全连接层之间的权系数与偏置陷入局部最优值，提升预测模型的泛化性能；本发明将高比例的新能源发电量作为预测模型的输入特征之一，可有效提升日前电价预测模型的预测精度。
附图说明
图1为基于纵横交叉算法和深度学习模型的日前电价预测方法的示意图；
图2为步骤S50的具体步骤的示意图；
图3为日前电价预测方法的预测效果图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。
实施例一
如图1所示为本发明的基于纵横交叉算法和深度学习模型的日前电价预测方法的实施例，包括以下步骤：
S10.采集原始日前电价、负荷、风电和光伏发电量历史数据，并对原始日前电价、负荷、风电和光伏发电量历史数据预处理得到日前电价时间序列、负荷序列、风电发电量序列和光伏发电量时间序列；
S20.将步骤S10中的日前电价时间序列、负荷时间序列、风电发电量时间序列和光伏发电量时间序列拼接并形成时间步长为T的单个输入样本序列X＝[x1,x2,···,xn]，其中xk(1≤k≤n)为第k个特征所对应的T个历史输入时刻数值组合而成的时间维度向量，n为特征数，xk具体为：
Figure BDA0003156972430000031
S30.动态选择步骤S20中的输入样本序列作为训练样本，建立长短时记忆网络深度学习预测模型LSTM预测模型；
S40.对步骤S30中所述长短时记忆网络深度学习预测模型作常规梯度下降参数训练，直至训练完成；
S50.使用纵横交叉算法对步骤S40训练好的长短时记忆网络深度学习预测模型进行优化，优化LSTM预测模型的全连接输出层；
S60.采用步骤S50优化后的LSTM预测模型作提前一天的日前电价预测，并获得预测的日前电价时间序列。
步骤S10中，原始日前电价、负荷、风电和光伏发电量历史数据采样分辨率为1h，每天有24个数据点(日前电价、负荷、风电和光伏发电量)，连续采样65天历史数据，包含1560个数据点。当然，数据点的数量可根据使用需求进行调整。
步骤S30中，训练样本为前1320个历史风电数据，当然训练样本的数据数目和训练样本所选取的数据并不作为本发明的限制性规定。
步骤S30中，长短时记忆网络模型按以下步骤进行构建：
S31：长短时记忆网络模型包括1个神经网络层，神经元数目为24，之后接有两个全连接层，全连接层的神经元数目分别为20、24；
S32：在t时刻，长短时记忆网络单元通过遗忘门、输入门和输出门来接收当前数据输入xt和前一时刻的状态输出ht-1，则t时刻LSTM单元的状态输出ht计算过程如下：
(1)遗忘门ft控制从旧记忆单元Ct-1中忘记的信息：
ft＝σ(Wf[ht-1,xt]+bf) (3)
(2)输入门it控制更新的信息，新记忆单元Ct由候选信息
Figure BDA0003156972430000041
与旧记忆单元Ct-1控制：
it＝σ(Wi[ht-1,xt]+bi) (4)
Figure BDA0003156972430000042
Figure BDA0003156972430000043
(3)输出门Ot控制单元输出：
Ot＝σ(Wo[ht-1,xt]+bo) (7)
(4)计算此时刻的状态输出ht：
ht＝Ottanh(Ct) (8)
其中，Wf、Wi、Wo和Wc为权重矩阵；bf、bi、bo和bc为偏置参数；σ为Sigmoid激活函数；tanh为双曲正切函数；ht-1、
Figure BDA0003156972430000044
表示上一单元输出、内部候选细胞状态。
S33.在经过长短时记忆网络对输入序列进一步提取时间特征后，输出所预测的日前电价序列。
步骤S50中，如图2所示，使用纵横交叉算法对S40训练好的LSTM深度学习预测模型全连接层的权系数与偏置进行优化，具体包括以下步骤：
S51：以均方误差的最小值为目标函数；
S52：设置权系数与偏置的更新波动范围在(-ε,ε)，并初始化种群Z＝[Z(1),Z(2),···,Z(N)]，其中N为种群粒子数量；
S53：执行横向交叉运算得到子种群Mhc，并更新种群Z；
S54：执行纵向交叉运算得到子种群Mvc，并更新种群Z；
S55：判断是否达到最大迭代次数，若未达到，继续执行S51-S54，若达到，得到最优的权系数与偏置。
在所述步骤S51中，所用目标函数式表示为：
Figure BDA0003156972430000045
其中，fmse为优化目标；n为训练样本数量；
Figure BDA0003156972430000046
为第t个时刻日前电价预测值；p(t)为对应
Figure BDA0003156972430000051
的真实日前电价值。
优选地，在所述步骤S53中，执行横向交叉并更新种群，假设粒子总维度为D，X(i1,d)、X(i2,d)为进行第d维交叉的父代，i1、i2表示种群中第i1、i2个体编号，则横向交叉产生子代Mhc(i1,d)、Mhc(i2,d)的公式为：
Figure BDA0003156972430000052
Figure BDA0003156972430000053
式中：r1、r2、c1、c2∈[0,1]；式子(10)、(11)中第三项的设置使得寻优范围延伸至超立方体边缘以外，能够提高算法的全局收敛能力。交叉后的子代构成横向交叉中庸解Mhc(i,:)，与父代X(i,:)相比较，取适应度更好的进行纵向交叉。
优选地，在所述步骤S54中，执行纵向交叉并更新种群，纵向交叉在个体内部的不同维度之间进行，用于交换个体内部不同维度的信息，能够在一定的纵向交叉概率下，使个体摆脱维局部最优，从而保持种群多样性，纵向交叉产生子代Mvc(i,d1)的表达式为
Mvc(i,d1)＝rX(i,d1)+(1-r)X(i,d2) (12)
式中：r∈[0,1]；X(i,d1)、X(i,d2)表示个体的第d1、d2维度。
同样，纵向交叉中庸解Mvc(i,:)与父代相比较，取适应度更好的进入下一次迭代，其中，设置纵向交叉概率Pv＝0.7。在每次交叉后，得到的中庸解都需要与其父代进行竞争，然后进入下一次迭代。
实施例二
本实施例为实施例一具体应用的实施例，本实施例中：
步骤S10中，数据来自含有高比例的新能源北欧丹麦DK1电力市场，原始日前电价、负荷、风电和光伏发电量历史数据采样分辨率为1h，每天有24个数据点(日前电价、负荷、风电和光伏发电量)，连续采样65天历史数据，前55天为训练样本，测试样本为后10天样本。
步骤S40中，LSTM预测模型的每个样本输入为预测日前一天的24个时刻的日前电价、负荷、风电发电量和光伏发电量，每个样本的输出为预测日的24时刻日前电价。
步骤S60中，采用步骤S50中优化好的LSTM预测模型深度学习预测模型作提前一天的日前电价预测，选用平均绝对误差(MAE)、均方根误差(RMSE)来评价模型对日前电价的预测效果，定义式如下：
Figure BDA0003156972430000061
Figure BDA0003156972430000062
式中：T为样本数量；
Figure BDA0003156972430000063
为第t个时刻日前电价预测值；p(t)为对应
Figure BDA0003156972430000064
的真实数据；MAE和RMSE的单位为欧元/(MW·h)。
如图3所示，本实施例将纵横交叉算法CSO优化LSTM预测模型(CSO-LSTM预测模型)和LSTM预测模型进行对比，对比各预测模型的预测结果以及实际值，误差对比如表1所示。由表1与图3可知，经过CSO优化的LSTM预测模型预测曲线更加贴近实际值曲线，以此可知，本申请可获得较好的日前电价预测精度。
表1各模型的预测评价指标
预测模型 MAE/欧元/(MW·h) RMSE/欧元/(MW·h)
LSTM 8.34 10.10
CSO-LSTM 5.31 6.72
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.基于纵横交叉算法和深度学习模型的日前电价预测方法，其特征在于，包括以下步骤：
S10.采集原始日前电价、负荷、风电和光伏发电量历史数据，并对原始日前电价、负荷、风电和光伏发电量历史数据预处理得到日前电价时间序列、负荷序列、风电发电量序列和光伏发电量时间序列；
S20.将步骤S10中的日前电价时间序列、负荷时间序列、风电发电量时间序列和光伏发电量时间序列拼接并形成时间步长为T的单个输入样本序列X＝[x1,x2,···,xn]，其中xk(1≤k≤n)为第k个特征所对应的T个历史输入时刻数值组合而成的时间维度向量，n为特征数，xk具体为：
Figure FDA0003156972420000011
S30.动态选择步骤S20中的输入样本序列作为训练样本，建立长短时记忆网络深度学习预测模型LSTM预测模型；
S40.对步骤S30中所述LSTM预测模型作梯度下降参数训练直至训练完成；
S50.使用纵横交叉算法对步骤S40训练好的LSTM预测模型进行优化，优化长短时记忆网络的全连接输出层；
S60.采用步骤S50优化后的LSTM预测模型作提前一天的日前电价预测，并获得预测的日前电价时间序列。
2.根据权利要求1所述的基于纵横交叉算法和深度学习模型的日前电价预测方法，其特征在于，步骤S30中，LSTM预测模型按以下步骤进行构建：
S31.LSTM预测模型包括1个神经网络层，神经元数目为24，之后接有两个全连接层，全连接层的神经元数目为20、24；
S32.在t时刻，长短时记忆网络通过遗忘门、输入门和输出门来接收当前数据输入xt和前一时刻的状态输出ht-1，得到t时刻长短时记忆网络的状态输出ht；
S33.在经过长短时记忆网络对输入序列进一步提取时间特征后，输出所预测的日前电价序列。
3.根据权利要求2所述的基于纵横交叉算法和深度学习模型的日前电价预测方法，其特征在于，步骤S32按以下步骤进行：
(1)遗忘门ft控制从旧记忆单元Ct-1中忘记的信息：
ft＝σ(Wf[ht-1,xt]+bf) (3)
(2)输入门it控制更新的信息，新记忆单元Ct由候选信息
Figure FDA0003156972420000021
与旧记忆单元Ct-1控制：
it＝σ(Wi[ht-1,xt]+bi) (4)
Figure FDA0003156972420000022
Figure FDA0003156972420000023
(3)输出门Ot控制单元输出：
Ot＝σ(Wo[ht-1,xt]+bo) (7)
(4)计算此时刻的状态输出ht：
ht＝Ottanh(Ct) (8)
其中，Wf、Wi、Wo和Wc为权重矩阵；bf、bi、bo和bc为偏置参数；σ为Sigmoid激活函数；tanh为双曲正切函数；ht-1、
Figure FDA0003156972420000024
表示上一单元输出、内部候选细胞状态。
4.根据权利要求1所述的基于纵横交叉算法和深度学习模型的日前电价预测方法，其特征在于，步骤S50按以下步骤进行：
S51：以均方误差的最小值为目标函数；
S52：设置权系数与偏置的更新波动范围，并初始化种群Z＝[Z(1),Z(2),…,Z(N)]，其中N为种群粒子数量；
S53：执行横向交叉运算得到子种群Mhc，并更新种群Z；
S54：执行纵向交叉运算得到子种群Mvc，并更新种群Z；
S55：判断是否达到最大迭代次数，若未达到，继续执行S51-S54，若达到，得到最优的权系数与偏置、最终的LSTM预测模型。
5.根据权利要求4所述的基于纵横交叉算法和深度学习模型的日前电价预测方法，其特征在于，步骤S51中，所用目标函数表示为：
Figure FDA0003156972420000025
其中，fmse为优化目标；n为训练样本数量；
Figure FDA0003156972420000026
为第t个时刻日前电价预测值；p(t)为对应
Figure FDA0003156972420000027
的真实日前电价值。
6.根据权利要求5所述的基于纵横交叉算法和深度学习模型的日前电价预测方法，其特征在于，步骤S53中，执行纵向交叉并更新种群具体步骤为：
假设粒子总维度为D，X(i1,d)、X(i2,d)为进行第d维交叉的父代，i1、i2表示种群中第i1、i2个体编号，则横向交叉产生子代Mhc(i1,d)、Mhc(i2,d)的公式为：
Figure FDA0003156972420000031
Figure FDA0003156972420000032
式中：r1、r2、c1、c2∈[0,1]；交叉后的子代构成横向交叉中庸解Mhc(i,:)，与父代X(i,:)相比较，取适应度更好的进行纵向交叉。
7.根据权利要求5所述的基于纵横交叉算法和深度学习模型的日前电价预测方法，其特征在于，步骤S54中，执行纵向交叉并更新种群具体步骤为：
纵向交叉在个体内部的不同维度之间进行，用于交换个体内部不同维度的信息，能够在一定的纵向交叉概率下，使个体摆脱维局部最优，从而保持种群多样性，纵向交叉产生子代Mvc(i,d1)的表达式为：
Mvc(i,d1)＝rX(i,d1)+(1-r)X(i,d2) (12)
式中：r∈[0,1]；X(i,d1)、X(i,d2)表示个体的第d1、d2维度；
纵向交叉中庸解Mvc(i,:)与父代相比较，取适应度更好的进入下一次迭代；在每次交叉后，得到的中庸解都需要与其父代进行竞争，然后进入下一次迭代。
8.根据权利要求7所述的基于纵横交叉算法和深度学习模型的日前电价预测方法，其特征在于，纵向交叉算法中，设置纵向交叉概率Pv＝0.7。
9.根据权利要求1至8任一项所述的基于纵横交叉算法和深度学习模型的日前电价预测方法，其特征在于，步骤S60中，选用平均绝对误差MAE评价LSTM预测模型的预测效果：
Figure FDA0003156972420000033
式(12)中，T为样本数量；
Figure FDA0003156972420000034
为第t个时刻日前电价预测值；p(t)为对应
Figure FDA0003156972420000035
的真实数据。
10.根据权利要求1至8任一项所述所述的基于纵横交叉算法和深度学习模型的日前电价预测方法，其特征在于，步骤S60中，选用均方根误差RMSE评价LSTM预测模型的预测效果：
Figure FDA0003156972420000041
式(13)中，T为样本数量；
Figure FDA0003156972420000042
为第t个时刻日前电价预测值；p(t)为对应
Figure FDA0003156972420000043
的真实数据。
CN202110781000.XA 2021-07-09 2021-07-09 基于纵横交叉算法和深度学习模型的日前电价预测方法 Pending CN113689227A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110781000.XA CN113689227A (zh) 2021-07-09 2021-07-09 基于纵横交叉算法和深度学习模型的日前电价预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110781000.XA CN113689227A (zh) 2021-07-09 2021-07-09 基于纵横交叉算法和深度学习模型的日前电价预测方法

Publications (1)

Publication Number Publication Date
CN113689227A true CN113689227A (zh) 2021-11-23

Family

ID=78576932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110781000.XA Pending CN113689227A (zh) 2021-07-09 2021-07-09 基于纵横交叉算法和深度学习模型的日前电价预测方法

Country Status (1)

Country Link
CN (1) CN113689227A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114187059A (zh) * 2021-12-27 2022-03-15 广东工业大学 一种短期电价预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114187059A (zh) * 2021-12-27 2022-03-15 广东工业大学 一种短期电价预测方法

Similar Documents

Publication Publication Date Title
CN109711620B (zh) 一种基于gru神经网络和迁移学习的短期电力负荷预测方法
Gao et al. Day-ahead power forecasting in a large-scale photovoltaic plant based on weather classification using LSTM
CN110059878B (zh) 基于cnn lstm光伏发电功率预测模型及其构建方法
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN108921339B (zh) 基于分位数回归的遗传支持向量机光伏功率区间预测方法
CN110942205B (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
CN111222674A (zh) 基于长短期记忆神经网络的短期光伏发电量预测方法
CN111260136A (zh) 一种基于arima-lstm组合模型的楼宇短期负荷预测方法
CN104636985A (zh) 一种改进bp神经网络的输电线路无线电干扰预测方法
CN107766986A (zh) 泄漏积分型回声状态网络在线学习光伏功率预测方法
CN112733417A (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN114298377A (zh) 一种基于改进极限学习机的光伏发电预测方法
CN113468817A (zh) 一种基于igoa优化elm的超短期风电功率预测方法
CN111461921B (zh) 一种基于机器学习的负荷建模典型用户数据库更新方法
CN115115125A (zh) 基于深度学习融合模型的光伏功率区间概率预测方法
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN113762387A (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
CN116341613A (zh) 一种基于Informer encoder和LSTM的超短期光伏功率预测方法
Zhao et al. Heating load prediction of residential district using hybrid model based on CNN
CN114611757A (zh) 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法
CN114595542A (zh) 一种线损预测方法
CN113689227A (zh) 基于纵横交叉算法和深度学习模型的日前电价预测方法
CN110956304A (zh) 一种基于ga-rbm的分布式光伏发电量短期预测方法
CN110570042A (zh) 一种短期电动汽车充电负荷预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination