登录    注册    忘记密码

期刊文章详细信息

基于注意力机制的CNN-LSTM短期电价预测  ( EI收录)  

CNN-LSTM short-term electricity price prediction based on an attention mechanism

  

文献类型:期刊文章

作  者:吉兴全[1] 曾若梅[1] 张玉敏[1] 宋峰[2] 孙鹏凯[1] 赵国航[1]

JI Xingquan;ZENG Ruomei;ZHANG Yumin;SONG Feng;SUN Pengkai;ZHAO Guohang(College of Electrical Engineering and Automation,Shandong University of Science and Technology,Qingdao 266590,China;Yantai Power Supply Company,State Grid Shandong Electric Power Company,Yantai 264000,China)

机构地区:[1]山东科技大学电气与自动化工程学院,山东青岛266590 [2]国家电网山东电力公司烟台供电公司,山东烟台264000

出  处:《电力系统保护与控制》

基  金:国家自然科学基金青年项目资助(52107111);山东省自然科学基金青年项目资助(ZR2021QE117);青岛西海岸新区2020年科技项目资助(源头创新专项)(2020-92)。

年  份:2022

卷  号:50

期  号:17

起止页码:125-132

语  种:中文

收录情况:BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘  要:短期电价预测结果的准确性对存在多元化竞争格局的电力市场具有重要意义。为提高在电价跳跃点和尖峰点的预测精度及预测效率,针对多因素融合影响的电价序列与其影响因素间隐含的非线性关系,提出了一种基于ATT-CNN-LSTM的短期电价预测方法。首先,采用灰色关联度分析法分析负荷因素与电价之间的关联程度,筛选出关联度较高的数据作为最优模型输入。其次,通过注意力机制(Attention,ATT)自适应分配输入数据的权重,以权重大小区分强弱特征数据。再利用卷积神经网络(Convolution Neural Networks,CNN)对数据集进行二次特征提取及降维处理,优化输入长短期记忆神经网络(Long Short-Term Memory,LSTM)中的数据,从而提升LSTM网络的预测精度与训练速度。对澳大利亚电力市场的实测数据进行算例分析,通过与其他主流算法对比,验证了所提方法具有更高的预测精度和计算效率。

关 键 词:注意力机制  卷积神经网络 长短期记忆神经网络  电价预测 灰色关联度分析

分 类 号:F426.61]

参考文献:

正在载入数据...

二级参考文献:

正在载入数据...

耦合文献:

正在载入数据...

引证文献:

正在载入数据...

二级引证文献:

正在载入数据...

同被引文献:

正在载入数据...

版权所有©重庆科技学院 重庆维普资讯有限公司 渝B2-20050021-7
 渝公网安备 50019002500408号 违法和不良信息举报中心