在開放的電力市場(chǎng)中,日前電價(jià)預(yù)測(cè)是個(gè)重要的研究方向。本文提出了一種基于經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥MD）與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）的序列電價(jià)預(yù)測(cè)模型,使用EMD提取電價(jià)序列中的周期分量與趨勢(shì)分量,利用LSTM分別對(duì)周期分量與趨勢(shì)分量進(jìn)行序列預(yù)測(cè),輸出各分量的預(yù)測(cè)結(jié)果,通過支持向量機(jī)回歸（SVR）疊加各分量的預(yù)測(cè)序列生成預(yù)測(cè)價(jià)格序列。最后,以美國(guó)PJM電力市場(chǎng)的電價(jià)數(shù)據(jù)為算例,與ARIMA模型、單一LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果進(jìn)行比較,驗(yàn)證了EMD-LSTM-SVR模型能夠提高短期電價(jià)預(yù)測(cè)精度。 

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
1 基本算法
    1.1 經(jīng)驗(yàn)?zāi)Ｊ椒纸?br>    1.2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)
    1.3 支持向量回歸
2 預(yù)測(cè)方法
    2.1 EMD-LSTM-SVR混合模型
    2.2 評(píng)價(jià)指標(biāo)
3 算例分析
    3.1 數(shù)據(jù)分割
    3.2 模型預(yù)測(cè)
    3.3 結(jié)果對(duì)比
    3.4 討 論
4 結(jié) 語


【參考文獻(xiàn)】：
期刊論文
[1]采用長(zhǎng)短期記憶深度學(xué)習(xí)模型的工業(yè)負(fù)荷短期預(yù)測(cè)方法[J]. 楊甲甲,劉國(guó)龍,趙俊華,文福拴,董朝陽.  電力建設(shè). 2018(10)
[2]深度學(xué)習(xí)原理及應(yīng)用綜述[J]. 付文博,孫濤,梁藉,閆寶偉,范福新.  計(jì)算機(jī)科學(xué). 2018(S1)
[3]基于深度學(xué)習(xí)LSTM網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)方法[J]. 陳卓,孫龍祥.  電子技術(shù). 2018(01)
[4]考慮分時(shí)電價(jià)的風(fēng)光儲(chǔ)聯(lián)合優(yōu)化調(diào)度研究[J]. 楊曉萍,劉浩杰,黃強(qiáng).  西安理工大學(xué)學(xué)報(bào). 2016(04)
[5]一種基于HHT的短期電價(jià)組合預(yù)測(cè)方法[J]. 廖曉輝,周冰,楊冬強(qiáng),武杰.  鄭州大學(xué)學(xué)報(bào)(工學(xué)版). 2016(01)
[6]基于混合自回歸滑動(dòng)平均潛周期模型的短期電價(jià)預(yù)測(cè)[J]. 曾勇紅,王錫凡,馮宗建.  西安交通大學(xué)學(xué)報(bào). 2008(02)



本文編號(hào)：3719457