[发明专利]基于相似日法和LSTM神经网络的短期电价预测方法

说明书

本发明公开了基于相似日法和LSTM神经网络的短期电价预测方法，首先采用线性回归模型选择对预测时刻电价有显著性影响的变量，结合欧氏距离确定与预测时刻最相似的日期集合，将相似日数据均值和预测日前一日电价和负荷输入LSTM模型，建立相似日法和LSTM神经网络的电价预测模型，用于准确预测日前电价。

技术领域

本发明属于电力市场电价预测技术领域，尤其涉及基于相似日法和LSTM神经网络的短期电价预测方法。

背景技术

随着国家电力政策的放开，电力交易市场已逐步启动，电价是电力市场的支点，电力市场的各参与方都以电价为基础交易，在电力现货交易竞争中，以15分钟为间隔每天96个时点电价进行交易，提前一日准确预测日前电价对电力市场参与者制定发电计划、机组多段报价策略、集中竞价等竞标策略以提高经济效益至关重要。

目前在电力市场现货交易电价预测中应用较为广泛的方法包括：时间序列模型、神经网络以及传统相似日法预测电价，但电价受全网负荷、气象因素、输电阻塞、风能光伏供电状况、人工干扰等多种因素影响，具有很强的波动性和随机性，许多不确定因素难以量化输入模型，导致准确预测电价难度较大。

发明内容

本发明旨在解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出基于相似日法和LSTM神经网络的短期电价预测方法，克服现有短期电价预测难度大、不准确的问题。

为了解决以上问题，本发明公开了基于相似日法和LSTM神经网络的短期电价预测方法，包括以下步骤：

步骤1：从数据库读取历史气象数据、电价数据、全网负荷实际值和日期相关数据；

步骤2：建立t+1时刻电价线性回归模型，基于t+1时刻电价线性回归模型确定对t+1时刻电价有显著性影响的变量，并保存有显著性影响的变量；

步骤3：将t+1时刻电价线性回归模型的各回归系数作为权重，采用对t+1时刻电价有显著性影响的变量，计算预测日t+1时刻与相似日相同时刻相关数据的欧氏距离，其中相关数据为步骤2中对t+1时刻电价有显著性影响的变量数据；

步骤4：对每日的欧氏距离从低到高排序，选择前三个相似日；

步骤5：选择预测时刻的相似日电价均值、预测时刻前一日同一时刻电价、负荷数据作为自变量，预测时刻电价数据作为因变量，建立LSTM模型；

步骤6：调用已建立的LSTM模型，输入预测时刻的相似日电价均值、预测时刻前一日同一时刻电价、负荷数据，预测次日第一时刻电价；

步骤7：假设次日第一时刻电价数据为真实电价，并滚动预测下一个时刻电价，直至预测完成所有时刻电价，得到预测日的所有预测电价；

步骤8：对预测日的所有预测电价进行评估。

优选的，所述步骤1中历史气象数据包括温度和湿度，日期相关数据包括是否为节假日、时点、星期类型和季度类型。

优选的，所述步骤2中t+1时刻电价线性回归模型建立过程为：选择t时刻负荷L_t、t时刻电价P_t、t-1时刻负荷L_t-1、t-1时刻电价P_t-1、t+1时刻温度T_t+1、预测日节假日类型F作为自变量，t+1时刻电价P_t+1作为因变量，建立t+1时刻电价线性回归模型，并筛选对t+1时刻电价有显著性影响的变量。

优选的，所述t+1时刻电价线性回归模型为：

式中：

P_t-1表示t-1时刻电价，元/MWh；

表示常量；