【技术实现步骤摘要】
本专利技术涉及电价预测，尤其涉及一种基于小波包分解的tcn-lstm组合电价预测方法。
技术介绍
1、在现代社会中，电力作为一种不可或缺的重要能源，其价格对社会经济发展有着深远的影响。随着能源技术的发展，尤其是大量可再生能源的加入，电力市场和电网安全面临着更多的波动和挑战。因此，对现货市场电价进行准确预测对市场参与者来说至关重要，不仅有助于他们制定交易策略和风险管理，还能够维持电力市场的稳定运行。
2、在此背景下，机器学习算法凭借其处理非线性序列的强大计算能力受到了广泛关注。经典的时间序列预测模型包括bp神经网络和卷积神经网络等。时间卷积神经网络(tcn)是基于卷积神经网络(cnn)的一种深度学习网络，它通过添加扩张因果卷积和残差链接等元素，具有强大的特征提取能力，有效处理时间序列数据。另一方面，长短期记忆神经网络(lstm)是基于循环神经网络(rnn)的改进模型，能够解决长时间序列训练中的梯度爆炸、梯度消失问题，以及长时间保存历史数据的问题。然而，传统的单一模型在处理电价预测时存在局限性，如cnn在池化过程中可能忽略整体与...
【技术保护点】
1.一种基于小波包分解的TCN-LSTM组合电价预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于小波包分解的TCN-LSTM组合电价预测方法，其特征在于，所述S1中的预处理包括：
3.根据权利要求2所述的一种基于小波包分解的TCN-LSTM组合电价预测方法，其特征在于，所述S2中的小波包分解算法去噪处理具体包括：
4.根据权利要求3所述的一种基于小波包分解的TCN-LSTM组合电价预测方法，其特征在于，所述S21中的节点系数分解表示为：
5.根据权利要求3所述的一种基于小波包分解的TCN-LSTM组...
【技术特征摘要】
1.一种基于小波包分解的tcn-lstm组合电价预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于小波包分解的tcn-lstm组合电价预测方法，其特征在于，所述s1中的预处理包括：
3.根据权利要求2所述的一种基于小波包分解的tcn-lstm组合电价预测方法，其特征在于，所述s2中的小波包分解算法去噪处理具体包括：
4.根据权利要求3所述的一种基于小波包分解的tcn-lstm组合电价预测方法，其特征在于，所述s21中的节点系数分解表示为：
5.根据权利要求3所述的一种基于小波包分解的tcn-lstm组合电价预测方法，其特征在于，所述s22中使用一组正交小波系为基底进行小波变换，其中，正交小波系中的小波函数表示为：
6.根据权利要求3所述的一种基于小波包分解的tcn-lstm组合电价预测方法，其特征在于，所述s23中采用db4小波...
【专利技术属性】
技术研发人员：加鹤萍，郭宇辰，张晓斌，刘敦楠，杨争林，郑亚先，冯树海，曾丹，姚巽，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：
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。