一种基于双向长短期神经网络的电价预测方法及系统技术方案

本发明专利技术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；本发明专利技术通过运用Bi‑LSTM进行电价的预测，训练模型时选择前向输入与后向输入相结合，考虑到了未来数据对现在的影响，极大的提高了对已有数据的利用。

A Prediction Method and System of Electricity Price Based on Bidirectional Long-term and Short-term Neural Network

【技术实现步骤摘要】
一种基于双向长短期神经网络的电价预测方法及系统
本专利技术涉及电价预测
，具体涉及一种基于双向长短期神经网络的电价预测方法及系统。
技术介绍
目前电价预测的方法主要分为统计方法和人工智能方法两类。由于电价具有其他市场中不存在的单一特性，如每周和每日的季节性、价格峰值、工作日与非工作日、制度切换行为等，传统的预测算法往往需要手工提取大量的特征值，导致预测模型在特征值选用方面的客观性欠缺、系统能耗增加等缺点。而深度学习算法的应用可以避免人工提取特征值的过程，从输入数据自主地提取特征，从而进行结果的预测。将深度学习算法应用于电价预测领域并保证预测结果的准确度，是当下电价预测领域的研究热点。在利用深度学习进行开放电力市场实时电价预测时，如何选择深度神经网络的结构，以及如何充分利用数据作为深度神经网络的输入，能够提高预测结果的准确度，是研究的主要方面。
技术实现思路
本专利技术的目的在于提供一种基于双向长短期神经网络的电价预测方法及系统，以解决现有技术中导致的上述多项缺陷或缺陷之一。在本专利技术中，包括如下全称的缩写：为达到上述目的，本专利技术是采用下述技术方案实现的：一种基于双向长短期神经网络的电价预测方法，包括如下步骤：步骤1、获取归一化预处理后的连续的历史电价数据(x1，x2……xT)；其中，xi为历史节点电价，T＝24；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(x′1,x′2……x′n)；其中，x′i预测的节点电价，n≤T；步骤3、将所述历史电价数据作为前向数据输入到双向长短期神经网络中，获取前向数据输出；将所述未来电价数据作为后向数据输入到所述双向长短期神经网络中，获取后向数据输出；将所述前向数据输出和所述后向数据输出由concat()函数组合，获取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。进一步的，所述获取双向长短期神经网络模型具体包括如下步骤：步骤1、将所述历史电价数据X＝[x1，x2……xT]输入到双向长短期神经网络的前向网络单元，在每个时间步t上，得到其隐藏层状态计算方法如下：其中，S是隐藏层的激活函数，xt是在时间步t上电价信息，是上一个时间步的隐藏层状态，是偏置项，和是所有隐藏层单元共享的参数矩阵，的维度为D，D为其隐藏层神经单元个数；步骤2、将所述未来电价数据X＝[x′1,x′2……x′24]输入到双向长短期神经网络的后向网络单元，在每个时间步t上，得到其隐藏层状态计算方法如下：其中，S是隐藏层的非线性激活函数，xt是在时间步t上的电价信息，是上一个时间步的隐藏层状态，是偏置项，和是所有隐藏层单元共享的参数矩阵，的维度为D，D为其隐藏层神经单元个数；步骤3、在每个时间步t上将对应的神经网络隐藏层状态采用concat()函数方法连接，得到ht是一个2D维的向量，将总共M个时间步上的ht组成H＝h1，h2，h3，...，hM，其中M＝T；步骤4、将H＝[h1，h2，h3，...，hM]输入到一层全连接神经网络，获取双向长短期神经网络模型。本专利技术还提供了一种基于双向长短期神经网络的电价预测系统，包括：历史电价系统：用于获取归一化预处理后的连续的历史电价数据(x1，x2……xT)；其中，xi为历史节点电价，T＝24；未来电价系统：用于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(x′1,x′2……x′n)；其中，x′i预测的节点电价，n≤T；模型训练系统：将所述历史电价数据作为前向数据输入到双向长短期神经网络中，获取前向数据输出；将所述未来电价数据作为后向数据输入到所述双向长短期神经网络中，获取后向数据输出；将所述前向数据输出和所述后向数据输出由concat()函数组合，获取双向长短期神经网络模型；输出系统：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。本专利技术的优点在于：1、本专利技术通过运用Bi-LSTM进行电价的预测，训练模型时选择前向输入与后向输入相结合，考虑到了未来数据对现在的影响，极大的提高了对已有数据的利用。Bi-LSTM中前置LSTM用于输入序列过去的信息，后置LSTM用于输入序列将来的信息，是一种结合过去和未来信息处理当前信息的网络结构。2、在前向长短期神经网络层从1时刻到t时刻正向计算一遍，得到并保存每个时刻向前隐含层的输出。在后向长短期神经网络层沿着时刻t到时刻1反向计算一遍，得到并保存每个时刻向后隐含层的输出。最后在每个时刻结合前向长短期神经网络层和后向长短期神经网络层的相应时刻输出的结果得到最终的输出。这样就可以充分利用数据，同时提高了预测的精度。附图说明图1为本专利技术具体实施方式电价预测方法的整体结构示意图；图2为本专利技术具体实施方式电价预测方法中Bi-LSTM的结构图。具体实施方式为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。本专利技术方法从美国PJM开放电力市场获取真实历史电价数据，进行数据清洗、归一化等预处理；采用基于Bi-LSTM(Bi-directionalLongShort-TermMemory,双向长短期记忆网络)和深度学习或回归模型等建立起超短期电价预测模型。由于Bi-LSTM既可以利用历史电价信息，也可以利用未来电价信息，但在实际应用中，我们并不能得到未来信息。所以本专利技术先利用深度学习方法(LSTM)对未来短期电价进行预测，将预测结果和历史电价作为Bi-LSTM模型的输入。使用训练集数据训练初始模型，获得相应的参数。经过模型的超参数优化，根据预测精度选择最优模型，作为应用于预测电价的模型。预测阶段对电价数据的处理同训练阶段相同，将预处理后的电价序列经过训练好的LSTM-BILSTM模型处理，就可以获取未来的预测电价。如图1和图2所示，一种基于双向长短期神经网络的电价预测方法，包括如下步骤：步骤1、筛选并下载历史三年的电价数据，对获取的所述电价数据进行缺失值审查，对缺失值通过相邻电价数据平均填补，获取历史电价数据。步骤2、获取归一化预处理后的连续的历史电价数据(x1，x2……xT)；其中，xi为历史节点电价，T＝24。在本步骤中，归一化预处理即是最大-最小标准化处理，是对原始数据进行线性变换，设minXi和maxXi分别是历史电价数据的最小值和最大值。一个原始的Xj通过最大-最小标准化映射到区间[0,1]的值X′j那么公式如下：其中，minXi和maxXi分别是历史电价数据的最小值和最大值；Xj是原始节点的电价，X′j是Xj归一化后映射到区间[0,1]上的节点电价。步骤3、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(x′1,x′2……x′n)；其中，x′i预测的节点电价，n≤T。在本步骤中，训练未来预测模型包括如下步骤：步骤3.1、选取两年的历史电价数据，将训练集：测试集按照7：3的比例进行划分；步骤3.2选择测试集中准确度最高的模型，获取该模型的参数，得到未来预测模型。使用MSE(均方差)评估未来预测模型的训练效果，MSE的值越小，训练效果越好。均方差的公式如下：其中，yl为实际值，为预测值。更进一步本文档来自技高网...

【技术保护点】
1.一种基于双向长短期神经网络的电价预测方法，其特征在于，包括如下步骤：获取归一化预处理后的连续的历史电价数据(x1，x2……xT)；其中，xi为历史节点电价，T＝24；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(x′1,x′2……x′n)；其中，x′i预测的未来节点电价，n≤T；将所述历史电价数据作为前向数据输入到双向长短期神经网络中，获取前向数据输出；将所述未来电价数据作为后向数据输入到所述双向长短期神经网络中，获取后向数据输出；将所述前向数据输出和所述后向数据输出由concat()函数组合，获取双向长短期神经网络模型；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。

【技术特征摘要】
1.一种基于双向长短期神经网络的电价预测方法，其特征在于，包括如下步骤：获取归一化预处理后的连续的历史电价数据(x1，x2……xT)；其中，xi为历史节点电价，T＝24；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(x′1,x′2……x′n)；其中，x′i预测的未来节点电价，n≤T；将所述历史电价数据作为前向数据输入到双向长短期神经网络中，获取前向数据输出；将所述未来电价数据作为后向数据输入到所述双向长短期神经网络中，获取后向数据输出；将所述前向数据输出和所述后向数据输出由concat()函数组合，获取双向长短期神经网络模型；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。2.根据权利要求1所述的电价预测方法，其特征在于，在所述获取预处理后的历史电价数据之前还包括：筛选并下载历史三年的电价数据，对获取的所述电价数据进行缺失值审查，对缺失值通过相邻电价数据平均填补，获取历史电价数据。3.据权利要求2所述的电价预测方法，其特征在于，所述归一化预处理是将Xj映射到区间[0,1]内，获取X′j，具体表达式为：其中，minXi和maxXi分别是历史电价数据的最小值和最大值；Xj是原始节点的电价，X′j是Xj归一化后映射到区间[0,1]上的节点电价。4.根据权利要求1所述的电价预测方法，其特征在于，训练所述未来预测模型包括如下步骤：选取两年的历史电价数据，将训练集：测试集按照7：3的比例进行划分；选择测试集中准确度最高的模型，获取该模型的参数，得到未来预测模型。5.根据权利要求4所述的电价预测方法，其特征在于，所述未来预测模型采用DNN神经网络。6.根据权利要求4所述的电价预测方法，其特征在于，所述未来预测模型采用LSTM神经网络。7.根据权利要求1所述的电价预测方法，其特征在于，所述获取双向长短期神经网络模型具体...

【专利技术属性】
技术研发人员：王玉峰，魏亚南，刘恒发，林斯哲，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32