CN115760213A - 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 - Google Patents
短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 Download PDFInfo
- Publication number
- CN115760213A CN115760213A CN202211518645.5A CN202211518645A CN115760213A CN 115760213 A CN115760213 A CN 115760213A CN 202211518645 A CN202211518645 A CN 202211518645A CN 115760213 A CN115760213 A CN 115760213A
- Authority
- CN
- China
- Prior art keywords
- electricity price
- training
- cnn
- lstm
- modal
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明涉及一种短期电价预测技术领域,具体涉及一种短期电价预测模型的构建方法、一种短期电价预测方法、一种存储有短期电价预测程序的计算机可读介质、一种电子设备。
背景技术
短期电价预测方法的技术路线可分为统计学习预测方法、时间序列预测方法和人工神经网络预测方法。统计学习预测方法中应用最为广泛的是SVM支持向量机,利用SVM预测平滑的中长期电力数据时准确性较高,但其对于短期电价预测的精度还是不够理想。时间序列预测法侧重电价的时间序列特性,挖掘数据的历史周期信息,目前应用较多的为ARIMA滑动平均模型,该模型可以较精确的预测平稳序列,但对非线性电价数据部分的预测精度较低,且参数较难确定。人工神经网络预测方法中,有利用Adam优化后的长短记忆网络(Long Short-Term Memory,LSTM)应用于短期电价预测,该研究利用Adam优化器所具有的寻找最优权值w功能,该改进以调整权重的方法使LSTM模型预测功能更稳定,从而提高其预测结果的准确性。
专利文献CN113887858A公开了一种基于CNN-LSTM负荷预测的充电站微电网系统优化调度方法,并公开了一种基于CNN-LSTM混合神经网络模型的电动汽车充电站负荷预测方法:1)设置CNN卷积层,对电动汽车充电站负荷预测模型输入特征矩阵进行卷积处理并将结果投影到特征图上;2)对步骤1)中CNN卷积层输出的数据,设置CNN激活函数层,使用ReLU激活函数进行非线性变换;3)对步骤2)中CNN激活函数层输出的数据,设置CNN下采样层,使用最大池化方式来缩小特征图;4)对步骤3)中CNN下采样层输出的数据,设置多层LSTM网络,除最后一层LSTM网络外,输出所有时间步结果,最后一层LSTM网络只输出最后一个时间步结果;5)对步骤4)中多层LSTM网络输出的数据,设置全连接层,用来输出当前时刻点的归一化预测值;6)对步骤5)中全连接层输出的数据,进行反归一化得到当前时刻点电动汽车充电站负荷预测值。该技术方案中,CNN-LSTM混合神经网络模型用于预测电动汽车充电站负荷,在将其应用到预测短期电价时,由于电价数据中会存在突变现象,导致不能得到预测模型,即使得到预测模型,预测误差也很大。
发明内容
本发明的目的是提供一种短期电价预测模型的构建方法、一种短期电价预测方法、一种存储有短期电价预测程序的计算机可读介质、一种电子设备,以提高CNN-LSTM混合神经网络模型预测短期电价的准确率。
本发明的技术方案是:
一种短期电价预测模型的构建方法,包括:
步骤S10、获取电价训练数据,所述电价训练数据包括训练用电价序列,所述训练用电价序列中相邻两个电价的采集间隔时长相同;
优选的,在所述步骤S10中,所述电价训练数据还包括电价变动的引致因素数据序列,设每一电价对应有L(L≥3)个电价变动的引致因素,令所述引致因素的值为Yi(i=1,2,…,L);
设定变分模态分解算法的模态分量的个数K0的取值范围和惩罚因子α0的取值范围;
在K0的取值范围中取K0的值,在惩罚因子α0的取值范围中取α0的值,K0和α0构造n2种组合;
步骤S1110、令m2=1,n2=1;
步骤S1111、令变分模态分解算法的模态分量的个数K0=2+m2,变分模态分解算法的惩罚因子α0=3000+10n2-2010m2,使用变分模态分解算法处理所述训练用电价序列,获取训练用电价序列的模态分量
式中,为以(K0,α0)为变分模态分解算法的分解参数下的相邻模态分量的最大信息系数之和;为以(K0,α0)为变分模态分解算法的分解参数下的模态分量uk(k=1,2,…,K0)与引致因素的值Yi(i=1,2,…,L)的最大信息系数之和;
步骤S1113、若201m2-201<n2<201m2,则令n2=n2+1,重复执行步骤S1111至步骤S1113;
若n2=201m2,且K0<L,则令m2=m2+1,K0=K0+1,n2=n2+1,重复执行步骤S1111至步骤S1113;
进一步优选的,在所述步骤S10中,电价变动的引致因素包括日前观测点的负荷、日前观测点的电价、预测点上一单位时长的电价、预测点上一单位时长的负荷、预测点对应湿度、日内序列号、煤炭价格、小时数、星期数、月份、判断是否为周末和判断是否为节假日;在所述步骤S11中搜寻次数n2=3618,则所述变分模态分解算法的IMF分量的个数K=5,惩罚因子α=2160。
优选的,在所述步骤S11中,使用变分模态分解算法处理所述训练用电价序列的方法是:
步骤S1120、设置变分模态分解算法的模态分量的个数K和惩罚因子α,建立所述训练用电价序列的变分模态分解模型
式中,f(t)是训练用电价序列中对应于时刻t的电价,uk为训练用电价序列的第k(1≤k≤K)个模态分量,uk对应的中心频率为ωk,为梯度运算函数,δ(t)为时刻t的迪拉克函数,j为负数的表达形式,ωk(t)是ωk对应于t时刻的中心频率;
进一步优选的,在步骤S1123中,使用交替乘子算法求解VMD模型包括以下步骤:
式中,α为惩罚因子;
式中,(ω)表示频域的频率。
令
若A≥ε,则令n1=n1+1,再次进行迭代。
又进一步优选的,ε=10-6。
步骤S1210、设置CNN-LSTM预测模型的CNN卷积层数量nc、CNN卷积神经元数量nu、LSTM隐藏层数量nL、LSTM记忆时间Tmem和全连接层数nd的值,建立CNN-LSTM预测模型Mk;
优选的,在所述步骤S10中,还获取验证用电价序列,所述验证用电价序列的长度减1等于与所述训练用电价序列的长度,所述验证用电价序列的采集间隔时长与所述训练用电价序列的采集间隔时长一致;在所述步骤S12中,CNN-LSTM预测子模型的获得方法是:
步骤S1211、设置CNN-LSTM预测子模型的CNN卷积层数量nc、CNN卷积神经元数量nu、LSTM隐藏层数量nL、LSTM记忆时间Tmem和全连接层数nd的参数选取范围;设第i次搜寻时,粒子参数Pi=(nc,nu,nL,Tmem,nd),搜寻位置为xi,搜寻速度为νi;
步骤S1212、初始化参数,令i=1,在所述参数范围内随机初始化粒子参数P1=(nc,nu,nL,Tmem,nd),设置搜寻位置x1和搜寻速度ν1;
步骤S1213、每个例子在探索空间中单独搜寻最优解,并将其记录为当前最优解;
νi+1=νi+c1rand(·)[pbest(Pi)-xi]+c2rand(·)[gbest(Pi)-xi] (8)
xi+1=vi+1+xi (9)
式中,vi和xi分别是粒子在i次迭代的速度和位置,c1和c2是学习因子,rand(·)是介于0到1之间的随机数,粒子通过迭代寻求局部最优解pbest(Pi)和全局最优解gbest(Pi)来确定后续位置;
步骤S1214、每个粒子单独进行寻优,并将当前最优解与整个粒子群里的其他粒子共享,找到最优解作为参数粒子群的全局最优解;
若误差值>ξk,且i<n3,则令i=i+1;
其中,ξk为误差精度阈值,n3为最大迭代次数。
又进一步优选的,在所述步骤S1216中,使用均方根差确定误差值。
优选的,在步骤S12中,所述CNN-LSTM预测模型包括输入层、卷积层、池化层、LSTM层、全连接层和输出层,所述输入层用于获取电价序列的模态分量;所述卷积层用于卷积处理所述模态分量,输出卷积数据;所述池化层用于进一步降维所述卷积数据,输出池化数据;所述LSTM层用于选择性记忆所述池化数据,输出时序特征;所述全连接层用于提取所述时序特征,输出固定长度的特征向量;所述输出层用于输出基于所述模态分量预测的电价分量。
一种使用短期电价预测模型预测短期电价的方法,所述短期电价预测模型由CNN-LSTM预测子模型构成,所述CNN-LSTM预测子模型是使用变分模态分解算法处理训练用电价序列得到的模态分量训练得到的;包括:
步骤S20、获取预测用电价序列,所述预测用电价序列的长度与所述训练用电价序列的长度一致,所述预测用电价序列的采集间隔时长与所述训练用电价序列的采集间隔时长一致;
一种存储有短期电价预测程序的计算机可读介质,所述短期电价预测程序包括输入模块、变分模态分解模块、CNN-LSTM预测模块和输出模块;所述CNN-LSTM预测模块存储有CNN-LSTM预测子模型所述CNN-LSTM预测子模型是使用变分模态分解算法处理训练用电价序列得到的模态分量训练得到的;所述输入模块用于获取预测用电价序列,所述预测用电价序列的长度与所述训练用电价序列的长度一致,所述预测用电价序列的采集间隔时长与所述训练用电价序列的采集间隔时长一致;所述变分模态分解模块处理所述预测用电价序列,获取预测用电价序列的模态分量所述CNN-LSTM预测模块用于将模态分量输入所述CNN-LSTM预测子模型并求和所述CNN-LSTM预测子模型输出电价的预测分量Pk,其中,k=1,2,…,K;所述输出模块用于输出预测的短期电价
一种电子设备,包括处理器和前述的存储有短期电价预测程序的计算机可读介质。
本发明的有益效果是:
1.本发明的短期电价预测模型的构建方法中,步骤S10中,训练用电价序列中相邻两个电价的采集间隔时长相同,这样的电价序列才能用于构建短期电价预测模型;步骤S11中,使用变分模态分解算法处理训练用电价序列,得到训练用电价序列的模态分量这样,是为了将电价序列拆分为K个弱关联的模态分量;步骤S12中,每用使用模态分量训练CNN-LSTM预测模型,得到CNN-LSTM预测子模型由于有K个弱关联的模态分量,所以能得到K个CNN-LSTM预测子模型这K个CNN-LSTM预测子模型就组成了短期电价预测模型。将电价序列分为K个弱关联的模态分量并分别训练CNN-LSTM预测模型,得到的短期电价预测模型可以克服电价序列中的电价突变引起的缺陷,可以得到电价预测模型,其准确率为80%~90%。
2.本发明的短期电价预测模型的构建方法中,在所述步骤S10中,电价训练数据还包括电价变动的引致因素数据序列,设每一电价对应有L(L≥3)个电价变动的引致因素,令所述引致因素的值为Yi(i=1,2,…,L);在步骤S11中,使用变分模态分解算法处理所述训练用电价序列,获取训练用电价序列的模态分量时,可以解决步骤S11中变分模态分解算法模态分量的个数K和惩罚因子α的取值对经验依赖大的缺陷,准确率接近于90%;最大互信息数算法测算处理后,可以更好地将电价序列拆分为K个弱关联的模态分量,可重复性强。
3.本发明的短期电价预测模型的构建方法中,在所述步骤S10中,电价变动的引致因素包括日前观测点的负荷、日前观测点的电价、预测点上一单位时长的电价、预测点上一单位时长的负荷、预测点对应湿度、日内序列号、煤炭价格、小时数、星期数、月份、判断是否为周末和判断是否为节假日;在所述步骤S11中搜寻次数n2=3618,则所述变分模态分解算法的IMF分量的个数K=5,惩罚因子α=2160。这样,在电价变动的引致因素相同的情况下,不需要再次获取步骤S11中变分模态分解算法模态分量的个数K和惩罚因子α的值。
4.本发明的短期电价预测模型的构建方法中,在所述步骤S12中,CNN-LSTM预测子模型的获得方法中,在步骤S1210中,设置CNN-LSTM预测模型的CNN卷积层数量nc、CNN卷积神经元数量nu、LSTM隐藏层数量nL、LSTM记忆时间Tmem和全连接层数nd的值对经验要求高。
5.本发明的短期电价预测模型的构建方法中,在步骤S12中,使用PSO算法迭化优化CNN-LSTM预测模型,但每次迭代中,需要判断得到的CNN-LSTM预测子模型是否满足要求。因此,在所述步骤S10中,还获取验证用电价序列,所述验证用电价序列的长度减1等于与所述训练用电价序列的长度,所述验证用电价序列的采集间隔时长与所述训练用电价序列的采集间隔时长一致;这样可以验证获得的CNN-LSTM预测子模型是否复合要求,以便及时终止迭代,提高训练效率。
6.本发明的短期电价预测模型的构建方法中,在步骤S12中,所述CNN-LSTM预测模型包括输入层、卷积层、池化层、LSTM层、全连接层和输出层,所述输入层用于获取电价序列的模态分量;所述卷积层用于卷积处理所述模态分量,输出卷积数据;所述池化层用于进一步降维所述卷积数据,输出池化数据;所述LSTM层用于选择性记忆所述池化数据,输出时序特征;所述全连接层用于提取所述时序特征,输出固定长度的特征向量;所述输出层用于输出基于所述模态分量预测的电价分量。CNN具有优秀的空间特征提取能力,而LSTM具有强大的时序特征提取能力,这样的CNN-LSTM预测模型既可以从数据的纵向时间维度提取变化特征量,同时又可以从其横向多特征维度提取时间变化特征量。其更适应于电价预测。
8.一种存储有短期电价预测程序的计算机可读介质,其用于预测的下一采集间隔时长的电价时,准确率为80%以上。其可以与处理器配合,实现下一采集间隔时长的电价的自动预测。
9.一种电子设备,其用于预测的下一采集间隔时长的电价时,准确率为80%以上。
附图说明
图1为一种本发明的短期电价预测方法的流程图。
图2为一种本发明的短期电价预测方法的CNN-LSTM预测模型结构图。
图3为一种本发明的短期电价预测方法的CNN-LSTM预测模型的参数优化流程图。
图4为澳大利亚某地区从2011年1月1日到2015年12月31日的年内电价变化图。
图5为处理澳大利亚某地区从2011年1月1日到2015年12月31日的真实负荷、电价、天气等数据得到以天为延迟单位的电价ACF曲线图。
图6为处理澳大利亚某地区从2011年1月1日到2015年12月31日的真实负荷、电价、天气等数据得到以小时为延迟单位的电价ACF曲线图。
图9为本发明的短期电价预测方法最优预测与真实电价、其它三种方法预测的短时电价的对比图。
图10为本发明的短期电价预测方法最差预测与真实电价、其它三种方法预测的短时电价的对比图。
图11为本发明的短期电价预测方法以及其它三种方法在同季节下的平均MAPE的柱状图。
具体实施方式
下面结合附图,以实施例的形式说明本发明,以辅助本技术领域的技术人员理解和实现本发明。除另有说明外,不应脱离本技术领域的技术知识背景理解以下的实施例及其中的技术术语。
实施例1:一种短期电价预测模型的构建方法,包括:
步骤S10、获取电价训练数据,所述电价训练数据包括训练用电价序列,所述训练用电价序列中相邻两个电价的采集时刻差为一单位时长;
对于步骤S10
本实施例中,电价训练数据为训练用电价序列。
对于步骤S11
本实施例中,在所述步骤S11中,使用变分模态分解算法处理所述训练用电价序列的方法是:
一般地,可以根据经验确定电价变动的引致因素数量,使训练用电价序列的模态分量的个数K等于电价变动的引致因素数量,将训练用电价序列分为K个模态分量,变分模态分解算法的惩罚因子α根据经验设定。惩罚因子α决定着模态分量的带宽。惩罚因子α越小,各模态分量的带宽越大,过大的带宽会使得某些模态分量包含其他模态分量信号;惩罚因子α越大,各模态分量的带宽越小,过小的带宽是使得被分解的信号中某些信号丢失。惩罚因子α常见取值范围为1000~3000。
设训练用电价序列的第k个模态分量为uk,uk对应的中心频率为ωk,k=1,2,…,K。则模态分量{uk}={u1,u2,…,uK},中心频率{ωk}={ω1,ω2,…,ωK}。
步骤S1120、设置变分模态分解算法的模态分量的个数K和惩罚因子α,建立所述训练用电价序列的变分模态分解模型
式中,f(t)是训练用电价序列中对应于时刻t的电价,uk为训练用电价序列的第k(1≤k≤K)个模态分量,uk对应的中心频率为ωk,为梯度运算函数,δ(t)为时刻t的迪拉克函数,j为负数的表达形式,ωk(t)是ωk对应于t时刻的中心频率;
本实施例中,训练用电价序列的模态分量的个数K、惩罚因子α的值根据经验设定。
其中,在步骤S1123中,使用交替乘子(ADMM)算法求解VMD模型包括以下步骤:
式中,α为惩罚因子。式(11)用于代入式(10)中。
式(12)中,(ω)表示频域中的频率。
令
若A≥ε,则令n1=n1+1,再次进行迭代;
本实施例中,ε=10-6。
对于步骤S12
在步骤S12中,所述CNN-LSTM预测模型包括输入层、卷积层、池化层、LSTM层、全连接层和输出层,所述输入层用于获取电价序列的模态分量;所述卷积层用于卷积处理所述模态分量,输出卷积数据;所述池化层用于进一步降维所述卷积数据,输出池化数据;所述LSTM层用于选择性记忆所述池化数据,输出时序特征;所述全连接层用于提取所述时序特征,输出固定长度的特征向量;所述输出层用于输出基于所述模态分量预测的电价分量。
步骤S1220、根据经验设置CNN-LSTM预测模型的CNN卷积层数量nc、CNN卷积神经元数量nu、LSTM隐藏层数量nL、LSTM记忆时间Tmem和全连接层数nd的值,建立CNN-LSTM预测模型Mk;
k分别取1、2、…、K,使用训练用电价序列的模态分量分别训练CNN-LSTM预测模型时,在步骤S1220中,针对相应的模态分量根据经验设置CNN-LSTM预测模型Mk的CNN卷积层数量nc、CNN卷积神经元数量nu、LSTM隐藏层数量nL、LSTM记忆时间Tmem和全连接层数nd的值。也就是说,模态分量不同,CNN-LSTM预测模型Mk的CNN卷积层数量nc、CNN卷积神经元数量nu、LSTM隐藏层数量nL、LSTM记忆时间Tmem和全连接层数nd的值就可以不同。
使用本实施例的短期电价预测模型的构建方法获得的短期电价预测模型预测电价时,使用RMSE算法统计误差,准确率为80%~90%。
实施例2:一种短期电价预测模型的构建方法,包括:
步骤S10、获取电价训练数据,所述电价训练数据为电价元数据序列,相邻两个电价元数据的采集时刻差为一单位时长;
变分模态分解(VMD)算法是一种完全非递归的信号处理方法,VMD的分解过程实质为变分问题的求解过程。在分解时,本征模态函数IMF被定义成一种包含带宽限制的调幅-调频函数,VMD算法通过构造并求解约束变分问题,将原始信号分解为指定个数的IMF分量。
考虑到VMD算法需要人为设定IMF分量的个数K和惩罚因子α的大小,上述初始值的设定对分解的效果影响较大,并且在后续电价预测中,需要分析各分量与电价变动的第一引致因素的具体相关性,并且各相关性也会影响CNN-LSTM预测模型中权值的大小。
对于步骤S10
本实施例中,电价元数据包括电价和电价变动的引致因素Yi(i=1,2,…,L),L≥3。
本实施例中,电价变动的引致因素包括日前观测点的负荷、日前观测点的电价、预测点上一单位时长的电价、预测点上一单位时长的负荷、预测点对应湿度、日内序列号、煤炭价格、小时数、星期数、月份、判断是否为周末和判断是否为节假日。
由于本实施例中单位时长取30分钟,因此,设预测某一观测点今日10:00的电价,今日处于4月、星期五、非节假日,则其日前观测点负荷指前一日10:00的负荷,日前观测点电价指前一日10:00的电价,预测点上一时刻电价指今日9:30的电价,预测点上一时刻负荷为今日9:30的负荷,预测点对应湿度为今日10:00湿度,日内序列号为20,煤炭价格为今日10:00煤炭价格,星期数为5,月份为4,判断是为周末为0,判断是否为节假日为0,小时数为10。设预测某一观测点今日10:00的电价,今日处于8月、星期日、节假日,则其日前观测点负荷指前一日10:00的负荷,日前观测点电价指前一日10:00的电价,预测点上一时刻电价指今日9:30的电价,预测点上一时刻负荷为今日9:30的负荷,预测点对应湿度为今日10:00湿度,日内序列号为20,煤炭价格为今日10:00煤炭价格,星期数为7,月份为8,判断是为周末为1,判断是否为节假日为1,小时数为10。
其中,日前观测点的负荷、日前观测点的电价、预测点上一单位时长的电价、预测点上一单位时长的负荷、预测点对应湿度、日内序列号和煤炭价格为连续性变量,格式均为1×48;小时数为离散型变量,其格式为1×24;星期数为离散型变量,其格式为1×7;月份为离散型变量,其格式为1×12;判断是否为周末为离散型变量,其格式为{0,1};判断是否为节假日为离散型变量,其格式为{0,1}。具体如下表。
表1输入变量设定
使用时,日前观测点的负荷、日前观测点的电价、预测点上一单位时长的电价、预测点上一单位时长的负荷、预测点对应湿度和煤炭价格均采用标幺值处理成标准格式。日内序列号、小时数、星期数、月份、判断是否为周末、判断节假日取值即可。
获取电价历史数据后,预处理电价历史数据,得到步骤S10所需的电价训练数据。本发明中,所需要的电价历史数据是每一单位时长都需要对应一个电价和一组电价变动的引致因素的数据。单位时长可以根据需要选择,比如日、小时、30分、15分等。选择单位时长时,若单位时长小于一日,其整数倍应等于一日。一般地,电价变化的多数引致因素按年重复出现,因此,电价训练数据最好是整数年的数据。本实施例中,单位时长取30分。
在未按照规定采集记录相关数据时,得到的电价历史数据可能会存在部分缺失项,因此,在预处理电价历史数据时,需要补全相应缺失项。补全的方式可以是采用上一单位时长的相应数据,也可以是采用上一单位时长的相应数据和下一单位时长的相应数据的平均值。此外,预处理原始的电价历史数据时,对某些数据需要标准化处理,按相同的规则进行表达。
对于步骤S11
步骤S1110、参数初始化,搜寻轮数m2=1,搜录次数n2=1;
式中,为以(K0,α0)为变分模态分解算法的分解参数下的相邻模态分量的最大信息系数之和;为以(K0,α0)为变分模态分解算法的分解参数下的模态分量uk(k=1,2,…,K0)与引致因素Yi(i=1,2,…,L)的最大信息系数之和;
步骤S1113、若201m2-201<n2<201m2,则令n2=n2+1,重复执行步骤S1111至步骤S1113;
若n2=201m2,且K0<20,则令m2=m2+1,K0=K0+1,n2=n2+1,重复执行步骤S1111至步骤S1113;
本实施例中,得到变分模态分解算法的IMF分量的个数为5,变分模态分解算法的惩罚因子为2160。
其中,所述最大互信息数算法为:
互信息表达式为:
式中,A={ai,i=1,2,…,n}和B={bi,i=1,2,…,n}为计算变量,p(a,b)为A和B的联合概率密度,p(a)和p(b)分别为A和B的边缘概率密度;
设D={(ai,bi),i=1,2,…,n}为A和B的联合有序数对集合,定义划分规则G为将A的值域和B的值域分别划分为x段和y段,即划分为x×y的网格;计算每一网格的互信息MI(A,B),取使用划分规则G划分的x×y网格中MI(A,B)的最大值为最大互信息,表达式为
MI*(D,x,y)=maxMI(D|G) (17)
式中,D|G表示数据D在划分规则G下划分;
将不同划分规则下得到的最大归一化MI(A,B)值组成特征矩阵,其表达式为
则最大信息系数表达式为
式中,B(n)为网格划分尺寸x×y的上限值;
其中,MIC(D)的值越大表示变量之间的相关性越强,当MIC(D)=0时,变量之间相互独立。本实施例中,B(n)=n0.6。
在使用CNN-LSTM结合的预测模型时,初始模型参数的选择对模型预测的准确性有很大的影响,其中参数包括CNN卷积层数量nc、CNN卷积神经元数量nu、LSTM隐藏层数量nL、LSTM记忆时间Tmem、全连接层数nd等。
本实施例中,在所述步骤S10中,还获取验证用电价序列,所述验证用电价序列的长度减1等于所述训练用电价序列的长度,所述验证用电价序列的采集间隔时长与所述训练用电价序列的采集间隔时长一致;
步骤S1211、设置CNN-LSTM预测子模型的CNN卷积层数量nc、CNN卷积神经元数量nu、LSTM隐藏层数量nL、LSTM记忆时间Tmem和全连接层数nd的参数选取范围;设第i次搜寻时,粒子参数Pi=(nc,nu,nL,Tmem,nd),搜寻位置为xi,搜寻速度为νi;
步骤S1212、初始化参数,令i=1,在所述参数范围内随机初始化粒子参数P1=(nc,nu,nL,Tmem,nd),设置搜寻位置x1和搜寻速度ν;
步骤S1213、每个例子在探索空间中单独搜寻最优解,并将其记录为当前最优解;
νi+1=νi+c1rand(·)[pbest(Pi)-xi]+c2rand(·)[gbest(Pi)-xi] (20)
xi+1=vi+1+xi (21)
式中,vi和xi分别是粒子在i次迭代的速度和位置,c1和c2是学习因子,rand(·)是介于0到1之间的随机数,粒子通过迭代寻求局部最优解pbest(Pi)和全局最优解gbest(Pi)来确定后续位置;
步骤S1214、每个粒子单独进行寻优,并将当前最优解与整个粒子群里的其他粒子共享,找到最优解作为参数粒子群的全局最优解;
步骤S1215、在每次迭代得到nc、nu、nL、Tmem和nd的全局最优解后,建立相应的CNN-LSTM预测模型使用模态分量IMFk A训练所述CNN-LSTM预测模型得到所述CNN-LSTM预测子模型
若误差值>ξk,且i<n3,则令i=i+1;
其中,ξk为误差精度阈值,n3为最大迭代次数。
又进一步优选的,在所述步骤S1216中,使用均方根差(root mean square error,RMSE)确定误差值。
本实施例中,对于模态分量在步骤S1212中,设置搜寻位置x1=(640,10,15,12,5),搜寻速度v=(8,1,1,2,1);对于模态分量在步骤S1212中,设置搜寻位置x1=(512,20,30,36,15),搜寻速度v=(8,1,1,2,1);对于模态分量在步骤S1212中,设置搜寻位置x1=(384,30,45,72,25),搜寻速度ν=(8,1,1,2,1);对于模态分量在步骤S1212中,设置搜寻位置x1=(256,40,60,144,35),搜寻速度v=(8,1,1,2,1);对于模态分量在步骤S1212中,设置搜寻位置x1=(128,50,75,256,45),搜寻速度ν=(8,1,1,2,1)。
优选的,在所述步骤S12中,所述CNN-LSTM预测模型包括输入层、卷积层、池化层、LSTM层、全连接层和输出层,所述输入层用于获取模态分量所述卷积层用于卷积处理所述模态分量,输出卷积数据;所述池化层用于进一步降维所述卷积数据,输出池化数据;所述LSTM层用于选择性记忆所述池化数据,输出时序特征;所述全连接层用于提取所述时序特征,输出固定长度的特征向量;所述输出层用于输出使用所述模态分量预测的电价分量Pk。
实施例3:一种使用实施例1或实施例2中的短期电价预测模型预测短期电价的方法,包括:
步骤S20、获取预测用电价序列,所述预测用电价序列的长度与所述训练用电价序列的长度一致,所述预测用电价序列的采集间隔时长与所述训练用电价序列的采集间隔时长一致;
实施例4:一种存储有短期电价预测程序的计算机可读介质,所述短期电价预测程序包括输入模块、变分模态分解模块、CNN-LSTM预测模块和输出模块;所述CNN-LSTM预测模块存储有CNN-LSTM预测子模型所述CNN-LSTM预测子模型是使用变分模态分解算法处理训练用电价序列得到的模态分量训练得到的;所述输入模块用于获取预测用电价序列,所述预测用电价序列的长度与所述训练用电价序列的长度一致,所述预测用电价序列的采集间隔时长与所述训练用电价序列的采集间隔时长一致;所述变分模态分解模块处理所述预测用电价序列,获取预测用电价序列的模态分量所述CNN-LSTM预测模块用于将模态分量输入所述CNN-LSTM预测子模型并求和所述CNN-LSTM预测子模型输出电价的预测分量Pk,其中,k=1,2,…,K;所述输出模块用于输出预测的短期电价
本实施例的变分模态分解模块、CNN-LSTM预测模块可以分别由实施例1中的步骤S11、步骤S12获得;也可以分别由实施例2中的步骤S11、步骤S12获得。
实施例5:一种电子设备,包括处理器和实施例4中的存储有短期电价预测程序的计算机可读介质。
下面使用澳大利亚某地区从2011年1月1日到2015年12月31日的真实负荷、电价、天气等数据,得到本发明的实施例2获得的短期电价预测模型,并使用该短期电价预测模型预测短期电价,确定其在预测短期电价上的效果。其中,单位时间选择30分钟,电价训练数据选择1年时长的训练用电价序列和对应的电价变动的引致因素数据序列,设每一电价对应有L(L≥3)个电价变动的引致因素,令所述引致因素的值为Yi(i=1,2,…,L)。
使用自相关函数(Autocorrelation Function,ACF)来分析在不同时间尺度下,电价的自相关性。ACF的公式描述为
由ACF的表达式可以看出根据延迟的时间尺度选择不同,电价的自相关性也不尽相同,根据式(22)计算不同延迟时间下的电价自相关性变化规律见图5、6。
根据数据预处理后的数据,将电力负荷和电价等相关影响因素重塑为48×a×b的三维矩阵作为输入,a×b为整合后的特征矩阵,也是输入层中的数据输入尺寸。训练的目标函数设置以损失函数(Loss Function)的形式来衡量模型预测值与真实值在训练迭代中的差距。本节选则利用均方根误差(Root Mean Square Error,RMSE)作为目标函数。其公式描述为
式中,Yture、Yprediction分别为实际值和预测值,N代表预测实际值的数量。
为了客观评价模型拟合的准确性、贴合度,本节采用了一些反映预测性能的指标来描述模型的优劣。除去均方根误差(Root MeanSquare Error,RMSE)外还有以下指标来描述预测模型的误差。
(1)均方误差(MeanSquareError,MSE)
MSE的计算公式为
式中,Yture、Yprediction分别为实际值和预测值,N代表预测实际值的数量。MSE可以评价数据的变化程度,MSE的值越小,说明预测模型描述实验数据具有更好的精确度。
(2)平均绝对误差(Mean Absolute Error,MAE)
MAE的计算公式为
式中,Yture、Yprediction分别为实际值和预测值,N代表预测实际值的数量。
(3)平均绝对百分比误差(Mean Absolute Percent Error,MAPE)
MAPE的表达式为
式中,Yture、Yprediction分别为实际值和预测值,N代表预测实际值的数量。MAPE相对于MAE,MAPE的误差被进行了比例化,更能正确的反应模型的预测精度。
根据改进VMD,考虑求解变量较少,运用Gurobi 9.5.0求解器求解VMD参数优化模型。改进VMD分解结果如图7、8所示。
将本文提出的模型预测结果与VMD-LSTM、VMD-BP、VMD-CNN-LSTM等模型的预测结果做对比,上述对比模型的参数分别从文献《基于VMD-LSTM与误差补偿的光伏发电超短期功率预测》(作者:王福忠,王帅峰,张丽)、《基于VMD-BP模型的河流流量预测方法》(作者:赵力学,黄解军,程学军,申邵洪,袁艳斌)、《基于VMD-CNN-LSTM模型的渭河流域月径流预测》(作者:包苑村,解建仓,罗军刚)获取。最优状态下的预测情况如图9所示。各预测模型的误差分析如表2所示。
表2模型最优预测下误差分析
最差状态下的预测情况如图10所示。各预测模型的误差分析如表3所示。
表3模型最差预测下误差分析
各模型在不同季节下的平均误差分析如表4所示。各预测方法在同季节下的平均MAPE(%)柱状图如图11所示。
表4不同季节下各模型预测误差分析
由上述分析可知,对于澳洲电价数据的预测,本文提出的改进VMD-PSO-CNN-LSTM算法的稳定性和准确性都优于VMD-LSTM、VMD-BP和VMD-CNN-LSTM等算法的预测效果。
上面结合附图和实施例对本发明作了详细的说明。应当明白,实践中无法穷尽地说明所有可能的实施方式,在此通过举例说明的方式尽可能的阐述本发明得发明构思。在不脱离本发明的发明构思、且未付出创造性劳动的前提下,本技术领域的技术人员对上述实施例中的技术特征进行取舍组合、具体参数进行试验变更,或者利用本技术领域的现有技术对本发明已公开的技术手段进行常规替换形成的具体的实施例,均应属于为本发明隐含公开的内容。
Claims (10)
2.如权利要求1所述的短期电价预测模型的构建方法,其特征在于,在所述步骤S10中,所述电价训练数据还包括电价变动的引致因素数据序列,设每一电价对应有L(L≥3)个电价变动的引致因素,令所述引致因素的值为Yi(i=1,2,…,L);
设定变分模态分解算法的模态分量的个数K0的取值范围和惩罚因子α0的取值范围;
在K0的取值范围中取K0的值,在惩罚因子α0的取值范围中取α0的值,K0和α0构造n2种组合;
步骤S1110、令m2=1,n2=1;
步骤S1111、令变分模态分解算法的模态分量的个数K0=2+m2,变分模态分解算法的惩罚因子α0=3000+10n2-2010m2,使用变分模态分解算法处理所述训练用电价序列,获取训练用电价序列的模态分量
式中,为以(K0,α0)为变分模态分解算法的分解参数下的相邻模态分量的最大信息系数之和;为以(K0,α0)为变分模态分解算法的分解参数下的模态分量uk(k=1,2,…,K0)与引致因素的值Yi(i=1,2,…,L)的最大信息系数之和;
步骤S1113、若201m2-201<n2<201m2,则令n2=n2+1,重复执行步骤S1111至步骤S1113;
若n2=201m2,且K0<L,则令m2=m2+1,K0=K0+1,n2=n2+1,重复执行步骤S1111至步骤S1113;
4.如权利要求2所述的短期电价预测模型的构建方法,其特征在于,在所述步骤S10中,电价变动的引致因素包括日前观测点的负荷、日前观测点的电价、预测点上一单位时长的电价、预测点上一单位时长的负荷、预测点对应湿度、日内序列号、煤炭价格、小时数、星期数、月份、判断是否为周末和判断是否为节假日;在所述步骤S11中搜寻次数n2=3618,则所述变分模态分解算法的IMF分量的个数K=5,惩罚因子α=2160。
5.如权利要求1所述的短期电价预测模型的构建方法,其特征在于,在所述步骤S11中,使用变分模态分解算法处理所述训练用电价序列的方法是:
步骤S1120、设置变分模态分解算法的模态分量的个数K和惩罚因子α,建立所述训练用电价序列的变分模态分解模型
式中,f(t)是训练用电价序列中对应于时刻t的电价,uk为训练用电价序列的第k(1≤k≤K)个模态分量,uk对应的中心频率为ωk,为梯度运算函数,δ(t)为时刻t的迪拉克函数,j为负数的表达形式,ωk(t)是ωk对应于t时刻的中心频率;
7.如权利要求1所述的短期电价预测模型的构建方法,其特征在于,在所述步骤S10中,还获取验证用电价序列,所述验证用电价序列的长度减1等于与所述训练用电价序列的长度,所述验证用电价序列的采集间隔时长与所述训练用电价序列的采集间隔时长一致;在所述步骤S12中,CNN-LSTM预测子模型的获得方法是:
步骤S1211、设置CNN-LSTM预测子模型的CNN卷积层数量nc、CNN卷积神经元数量nu、LSTM隐藏层数量nL、LSTM记忆时间Tmem和全连接层数nd的参数选取范围;设第i次搜寻时,粒子参数Pi=(nc,nu,nL,Tmem,nd),搜寻位置为xi,搜寻速度为νi;
步骤S1212、初始化参数,令i=1,在所述参数范围内随机初始化粒子参数P1=(nc,nu,nL,Tmem,nd),设置搜寻位置x1和搜寻速度v1;
步骤S1213、每个例子在探索空间中单独搜寻最优解,并将其记录为当前最优解;
vi+1=νi+c1rand(·)[pbest(Pi)-xi]+c2rand(·)[gbest(Pi)-xi] (4)
xi+1=vi+1+xi (5)
式中,vi和xi分别是粒子在i次迭代的速度和位置,c1和c2是学习因子,rand(·)是介于0到1之间的随机数,粒子通过迭代寻求局部最优解pbest(Pi)和全局最优解gbest(Pi)来确定后续位置;
步骤S1214、每个粒子单独进行寻优,并将当前最优解与整个粒子群里的其他粒子共享,找到最优解作为参数粒子群的全局最优解;
若误差值>ξk,且i<n3,则令i=i+1;
其中,ξk为误差精度阈值,n3为最大迭代次数。
8.一种使用短期电价预测模型预测短期电价的方法,其特征在于,所述短期电价预测模型由CNN-LSTM预测子模型构成,所述CNN-LSTM预测子模型是使用变分模态分解算法处理训练用电价序列得到的模态分量训练得到的;包括:
步骤S20、获取预测用电价序列,所述预测用电价序列的长度与所述训练用电价序列的长度一致,所述预测用电价序列的采集间隔时长与所述训练用电价序列的采集间隔时长一致;
9.一种存储有短期电价预测程序的计算机可读介质,其特征在于,所述短期电价预测程序包括输入模块、变分模态分解模块、CNN-LSTM预测模块和输出模块;所述CNN-LSTM预测模块存储有CNN-LSTM预测子模型所述CNN-LSTM预测子模型是使用变分模态分解算法处理训练用电价序列得到的模态分量训练得到的;所述输入模块用于获取预测用电价序列,所述预测用电价序列的长度与所述训练用电价序列的长度一致,所述预测用电价序列的采集间隔时长与所述训练用电价序列的采集间隔时长一致;所述变分模态分解模块处理所述预测用电价序列,获取预测用电价序列的模态分量所述CNN-LSTM预测模块用于将模态分量输入所述CNN-LSTM预测子模型并求和所述CNN-LSTM预测子模型输出电价的预测分量Pk,其中,k=1,2,…,K;所述输出模块用于输出预测的短期电价
10.一种电子设备,其特征在于,包括处理器和如权利要求9所述的存储有短期电价预测程序的计算机可读介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211518645.5A CN115760213A (zh) | 2022-11-29 | 2022-11-29 | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211518645.5A CN115760213A (zh) | 2022-11-29 | 2022-11-29 | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760213A true CN115760213A (zh) | 2023-03-07 |
Family
ID=85341009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211518645.5A Pending CN115760213A (zh) | 2022-11-29 | 2022-11-29 | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760213A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796890A (zh) * | 2023-05-29 | 2023-09-22 | 南方电网能源发展研究院有限责任公司 | 碳排放权代价值预测方法、装置、设备、介质和产品 |
CN117408489A (zh) * | 2023-11-08 | 2024-01-16 | 无锡混沌能源技术有限公司 | 一种并网型光伏制氢耦合系统能源优化调度方法 |
-
2022
- 2022-11-29 CN CN202211518645.5A patent/CN115760213A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796890A (zh) * | 2023-05-29 | 2023-09-22 | 南方电网能源发展研究院有限责任公司 | 碳排放权代价值预测方法、装置、设备、介质和产品 |
CN117408489A (zh) * | 2023-11-08 | 2024-01-16 | 无锡混沌能源技术有限公司 | 一种并网型光伏制氢耦合系统能源优化调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115760213A (zh) | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 | |
CN103729550B (zh) | 基于传播时间聚类分析的多模型集成洪水预报方法 | |
CN108197744B (zh) | 一种光伏发电功率的确定方法及系统 | |
CN110782093B (zh) | 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统 | |
CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
CN110047291A (zh) | 一种考虑扩散过程的短时交通流预测方法 | |
CN109508826B (zh) | 基于梯度提升决策树的电动汽车集群可调度容量预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN115293326A (zh) | 电力负荷预测模型的训练方法、装置及电力负荷预测方法 | |
CN111275571A (zh) | 考虑微气象与用户模式的居民负荷概率预测深度学习方法 | |
CN115062864A (zh) | 一种配电网中期负荷分解-集合预测方法及系统 | |
CN113505534A (zh) | 一种考虑需求响应的负荷预测方法 | |
CN110210670A (zh) | 一种基于电力系统短期负荷的预测方法 | |
CN109657878A (zh) | 一种空调负荷预测方法及装置 | |
CN110766190A (zh) | 一种配电网负荷预测方法 | |
CN114510778A (zh) | 基于混合智能优化lstm的轨道不平顺预测方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN112348236B (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
CN117277304A (zh) | 考虑日出日落时间的光伏发电超短期功率预测方法、系统 | |
CN116706888A (zh) | 基于联邦学习的智能电网负荷预测方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN110298490A (zh) | 基于多元回归的时间序列电力负荷组合预测方法及计算机可读存储介质 | |
CN115879619A (zh) | 一种变电站日前碳排放因子预测方法及系统 |
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 |