一种基于小波变换的BiLSTM-DNN模型的短期电价预测方法技术

本发明专利技术提供一种基于小波变换的BiLSTM

【技术实现步骤摘要】
一种基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法


[0001]本专利技术属于电价预测
，具体涉及一种基于小波变换的 BiLSTM
‑
DNN模型的短期电价预测方法。

技术介绍

[0002][0003]到目前为止，国内外的研究者对于电价预测提出了许多方法，主要有统计学和机器学习方法。统计学包括GARCH、隐马尔科夫模型和ARMA等，但这些方法没有考虑到外界影响因素和被预测数据间的因果关系。机器学习包括高斯回归模型、BP神经网络、随机森林等，但在实际应用中存在训练数据不足、泛化能力差等问题。

技术实现思路

[0004]为解决上述现有短期电价预测技术中的缺陷问题，提供一种基于小波变换(Wavelet Transform,WT)的BiLSTM
‑
DNN模型的短期电价预测方法，本专利技术采用了如下技术方案：
[0005]本专利技术提供了一种基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法，其特征在于，包括以下步骤：步骤S1，采集历史的电价、负荷、风电发电量、交易量、日期以及温度构建原始数据集；步骤S2，对原始数据集进行特征筛选，得到相关性高的特征数据，并对该特征数据进行预处理；步骤S3，对预处理后的每个特征数据进行小波变换获取对应的序列特征；步骤S4，对序列特征进行最大最小归一化处理得到归一化后的序列数据；步骤S5，基于BiLSTM双向长短期记忆网络和DNN深度神经构建电价预测模型并进行调参优化；步骤 S6，基于优化后的电价预测模型对归一化后的待测序列数据中的子序列进行预测，并将子序列的预测结果进行相加，从而得到待测序列的最终预测结果。
[0006]在本专利技术提供的一种基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法中，还可以具有这样的技术特征，其中，特征筛选为采用皮尔逊相关系数法计算电价与其他影响因素之间的相关性，筛选出相关性较高的特征作为特征数据，特征数据包括历史日期、历史电价、历史负荷、历史风电发电量以及历史风荷比。
[0007]在本专利技术提供的一种基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法中，还可以具有这样的技术特征，其中，小波变换为对数据进行小波分解后再系数重构，包括以下步骤：步骤S3
‑
1，对预处理后的特征数据X进行第一层分解，得到对应的高频序列cD1和低频序列cA1；步骤S3
‑
2，对低频序列cA1进行第二层分解，得到高频序列 cD2和低频序列cA2；步骤S3
‑
3，对低频序列cA2进行第三层分解，得到高频序列cD3和低频序列cA3；步骤S3
‑
4，对经过上述步骤得到的序列进行系数重构，将序列从无实际意义的小波域重构为有意义的时域，即：
[0008]X＝D1+D2+D3+A3
[0009]式中，D1，D2，D3，A3分别为cD1，cD2，cD3，cA3经过系数重构后的时间序列，D1，D2，
D3为高频序列，A3为低频序列。
[0010]在本专利技术提供的一种基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法中，还可以具有这样的技术特征，其中，最大最小归一化为：对D1，D2，D3，A3这4条子序列分别进行最大最小归一化处理，将数据缩放到[0，1]之间，计算公式如下：
[0011][0012]式中，x
i
为时间序列数据，x
′
i
为归一化后的数据，x
min
为该数据所在列的最小值，x
max
为该数据所在列的最大值。
[0013]在本专利技术提供的一种基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法中，还可以具有这样的技术特征，其中，BiLSTM双向长短期记忆网络由前向LSTM和后向LSTM组合而成，通过其包含的遗忘门、记忆门、输出门、来计算时间序列数据中的信息，计算过程如下：
[0014]f
t
＝σ(W
xf
x
t
+W
hf
h
t
‑1+b
f
)
[0015]i
t
＝σ(W
xi
x
t
+W
hi
h
t
‑1+b
i
)
[0016][0017][0018]o
t
＝σ(W
xo
x
t
+W
ho
h
t
‑1+b
o
)
[0019]h
t
＝o
t
*tanh(C
t
)
[0020]式中，f
t
为遗忘门，i
t
为记忆门，o
t
为输出门，为临时细胞状态， C
t
为当前时刻输出的记忆细胞，C
t
‑1为上一时刻的细胞状态，h
t
为当前时刻隐藏层状态，h
t
‑1为上一时刻隐藏层的状态，x
t
为当前时刻输入的数据，W
f
，W
i
，W
c
，W
o
为权重，b
f
，b
i
，b
c
，b
o
为偏置项，σ，tanh为激活函数。
[0021]在本专利技术提供的一种基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法中，还可以具有这样的技术特征，其中，DNN深度神经网络含有多个隐藏层，对数据的拟合能力强，用于提取时间序列更深层次的特征。
[0022]在本专利技术提供的一种基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法中，还可以具有这样的技术特征，其中，原始数据集分为训练集、验证集以及测试集，调参优化为：将训练集和验证集输入至电价预测模型，并设置不同超参数，经过多轮实验进行调参优化，根据预测的误差评价指标的大小，从而确定模型的最终参数。
[0023]在本专利技术提供的一种基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法中，还可以具有这样的技术特征，其中，最终参数为： BiLSTM层数为1，神经元数目为128；DNN层数为2，隐藏层单元数分别为64和1，激活函数为relu；优化器为Adma，学习率为0.001， batch_size为16，epochs为120。
[0024]专利技术作用与效果
[0025]根据本专利技术的基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法，该方法充分考虑风电新能源对电价的影响，并结合电改形势，通过建立的预测模型来更准确的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法，其特征在于，包括以下步骤：步骤S1，采集历史的电价、负荷、风电发电量、交易量、日期以及温度构建原始数据集；步骤S2，对所述原始数据集进行特征筛选，得到相关性高的特征数据，并对该特征数据进行预处理；步骤S3，对预处理后的每个特征数据进行小波变换获取对应的序列特征；步骤S4，对所述序列特征进行最大最小归一化处理得到归一化后的序列数据；步骤S5，基于BiLSTM双向长短期记忆网络和DNN深度神经构建电价预测模型并进行调参优化；步骤S6，基于优化后的电价预测模型对归一化后的待测序列数据中的子序列进行预测，并将子序列的预测结果进行相加，从而得到待测序列的最终预测结果。2.根据权利要求1所述的一种基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法，其特征在于：其中，所述特征筛选为采用皮尔逊相关系数法计算电价与其他影响因素之间的相关性，筛选出相关性较高的特征作为所述特征数据，所述特征数据包括历史日期、历史电价、历史负荷、历史风电发电量以及历史风荷比。3.根据权利要求1所述的一种基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法，其特征在于：其中，所述小波变化为对数据进行小波分解后再系数重构，包括以下步骤：步骤S3
‑
1，对预处理后的特征数据X进行第一层分解，得到对应的高频序列cD1和低频序列cA1；步骤S3
‑
2，对低频序列cA1进行第二层分解，得到高频序列cD2和低频序列cA2；步骤S3
‑
3，对低频序列cA2进行第三层分解，得到高频序列cD3和低频序列cA3；步骤S3
‑
4，对经过上述步骤得到的序列进行系数重构，将序列从无实际意义的小波域重构为有意义的时域，即：X＝D1+D2+D3+A3式中，D1，D2，D3，A3分别为cD1，cD2，cD3，cA3经过系数重构后的时间序列，D1，D2，D3为高频序列，A3为低频序列。4.根据权利要求3所述的一种基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法，其特征在于：其中，所述最大最小归一化为：对D1，D2，D3，A3这4条子序列分别进行最大最小归一化处理，将数据缩放到[0，1]之间，计算公式如下：式中，x
i
为时间序列数据，x
′
i
为归一化后的数据，x
min
为该数据所在列的最小值，x
max
为该数据所在列的最大值。5.根据权利要求4所述的一种基于小波变换的BiLSTM
‑
DNN模型的短期电价预测方法，其特征在于：其中，所述BiLSTM双向长短期记忆网络由前向LSTM和后向LSTM组合而成，通...

【专利技术属性】
技术研发人员：薛睿萌，竺筱晶，沈其蓥，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：