文献类型：期刊文章

作　　者：郭雪丽[1] 华大鹏[1] 包鹏宇[2] 李婷婷[1] 姚楠[1] 曹艳[1] 王莹[1] 张天东[3] 胡钋[3]

GUO Xueli;HUA Dapeng;BAO Pengyu;LI Tingting;YAO Nan;CAO Yan;WANG Ying;ZHANG Tiandong;HU Po(Nanyang Power Supply Company,State Grid Henan Electric Power Company,Nanyang 473000,China;Hubei Intelligent Cloud Network Dispatching and Operation Center,China Telecom,Wuhan 430022,China;School of Electrical Engineering and Automation,Wuhan University,Wuhan 430072,China)

机构地区：[1]国网河南省电力公司南阳供电公司,河南南阳473000 [2]中国电信股份有限公司湖北智能云网调度运营中心,湖北武汉430022 [3]武汉大学电气与自动化学院,湖北武汉430072

出　　处：《电力科学与技术学报》

基　　金：国家自然科学基金(51977160);国网河南省电力公司科技项目(SGHANY00CTJS220475)。

年　　份：2024

卷　　号：39

期　　号：2

起止页码：35-43

语　　种：中文

收录情况：BDHX、BDHX2023、CAS、CSCD、CSCD_E2023_2024、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：为了提升电价预测的准确性和预测模型的稳定性,提出一种基于改进VMD-PSO-CNN-LSTM的短期电价预测方法。首先,通过研究变分模态分解(variational mode decomposition,VMD)与电价影响因素的相关影响程度,并引入最大信息系数(MIC)构建VMD参数优化模型;然后,利用卷积神经网络(convolutional neural networks,CNN)与长短期记忆(long short-term memory,LSTM)神经网络对VMD分解得到的各模态分量进行预测。同时,根据深度可分离卷积结合电价时间规律,在CNN卷积部分构建多尺度的卷积特征提取结构,并利用粒子群优化算法优化包括CNN卷积层数量、CNN卷积神经元数量、LSTM隐藏层数量、LSTM记忆时间以及全连接层数等在内的参数,从而实现模型预测准确性和稳定性的提升。最后,对澳洲电力市场日前电价进行分析预测并与对照算法对比,结果表明该文算法具有更高的精度和更好的稳定性。

关 键 词：电价预测 变分模态分解  粒子群优化算法 卷积神经网络  长短时间记忆神经网络  

分 类 号：TM732]