【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 S ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。