基于實(shí)時(shí)電價(jià)特征的Seq2Seq-Attention網(wǎng)絡(luò)短期電價(jià)預(yù)測(cè)

（湖南工業(yè)大學(xué) 智能信息感知及處理技術(shù)湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 株洲 412007）

0 引言

電價(jià)是電力市場(chǎng)中的核心部分，國(guó)內(nèi)外研究者對(duì)于電價(jià)預(yù)測(cè)已經(jīng)開展了較多工作，如使用經(jīng)典回歸分析方法基于數(shù)理統(tǒng)計(jì)知識(shí)對(duì)時(shí)間序列進(jìn)行回歸擬合，由于模型大多為線性，因此用于預(yù)測(cè)的特征量一般使用電價(jià)數(shù)據(jù)本身，如文獻(xiàn)[1]利用小波分析法聚焦電價(jià)信號(hào)中的無(wú)序特征，降低因?yàn)榉蔷€性因素帶來(lái)的誤差。隨著計(jì)算機(jī)性能的提升，機(jī)器學(xué)習(xí)的方法得到了大量應(yīng)用，也開始嘗試進(jìn)行多特征輸入，如文獻(xiàn)[2-5]嘗試使用基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)方法進(jìn)行預(yù)測(cè)，但也僅局限于關(guān)鍵時(shí)間點(diǎn)的價(jià)格作為特征輸入。隨著模型的復(fù)雜度提升，文獻(xiàn)[6-7]使用混合預(yù)測(cè)模型，開始加入與電價(jià)相關(guān)性較高的特征為輸入。可以發(fā)現(xiàn)，當(dāng)模型復(fù)雜度提升時(shí)，需要選擇更多合適的特征量提取有效信息才能提升復(fù)雜模型的效果，而目前電價(jià)預(yù)測(cè)工作側(cè)重于模型結(jié)構(gòu)和預(yù)測(cè)算法的研究，對(duì)輸入特征的研究較少。

本文基于實(shí)時(shí)電價(jià)的形成機(jī)理，提出一種按實(shí)時(shí)電價(jià)各分量度量值提取特征的方法，并利用該特征群，選擇適合電價(jià)預(yù)測(cè)特點(diǎn)的Seq2Seq（sequence-tosequence）-Attention網(wǎng)絡(luò)進(jìn)行驗(yàn)證，數(shù)據(jù)取自美國(guó)PJM（Pennsylvania-New Jersey-Maryland）市場(chǎng)的公開數(shù)據(jù)，通過對(duì)僅采用電價(jià)和負(fù)荷特征進(jìn)行預(yù)測(cè)的方式進(jìn)行對(duì)比，準(zhǔn)確性有較大提升，驗(yàn)證了該方法的可行性。

1 實(shí)時(shí)電價(jià)特征提取

實(shí)時(shí)電價(jià)理論由F.C.Schweppe 教授提出[8]，按實(shí)時(shí)電價(jià)的物理和經(jīng)濟(jì)意義，主要將其分為3個(gè)部分：邊際燃料和維護(hù)分量、發(fā)電生產(chǎn)邊際價(jià)值分量、網(wǎng)絡(luò)運(yùn)行邊際價(jià)值分量。……