基于最大信息系数相关性分析和改进多层级门控LSTM的短期电价预测方法

• 作者: 赵雅雪 王旭 蒋传文 张津珲 周子青
• 来源期刊: 中国电机工程学报
• 关键词: 最大信息系数 相关性分析 长短期记忆(LSTM)神经网络 改进多层级门控LSTM 短期电价预测
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 电力市场|Electricity Market
• 页码范围: 135-146,中插12
• 页数: 13页
• 分类号: TM71
• 语种: 中文
• DOI: 10.13334/j.0258-8013.pcsee.191731

摘要

为准确预测电力市场中的短期电价,将最大信息系数(maximal information coefficient,MIC)相关性分析与改进多层级门控长短期记忆网络(multi-hierachy gated long short-term memory,MHG-LSTM)相结合,提出一种新型短期电价预测方法.该方法首先对备选序列与预测电价序列做MIC相关性分析,在此基础上筛选备选序列并经小波变换合成神经网络输入序列,有效增加了输入中与预测电价相关的信息密度;其次,对传统LSTM进行创新性改进,提出用两级遗忘门和输入门替换传统的一级门控机构的MHG-LSTM模型,提高了神经网络选择和提取高频电价序列特征的能力.在PJM市场日前电价数据集上对所提方法进行仿真实验,实验结果表明,该方法的预测误差仅为4.506％,相比已有预测方法有效提升了短期电价的预测精度,且具有很强的普适性,可应用于电力市场短期电价预测,为市场参与者和监管机构提供有力决策依据.