基于LSTM神經網絡的電力市場日前電價預測研究

侯丙辛

（廣東省能源集團有限公司）

0 引言

電力市場日前電價預測是電力企業安排競價策略與開發其他產品的重要組成部分，因此預測日前電價至關重要。對于電力企業而言，獲取實時電價可以保證供電的穩定性，從而優化供電模型，同時提高電力利用水平，降低電力系統維護費用［1］。但是，受到電力市場需求變化的影響，實時獲取的電價可能會出現偏差，影響企業對電力資源做出調整的時間。因此，電力企業會結合歷史數據與實際情況對電力市場日前電價進行預測［2］。根據預測結果，企業可以做出一系列的用電策略，來穩定電力市場競爭環境，減少其他企業出現電能壟斷、操縱電價的問題。

長短期神經網絡又稱為LSTM，是Long Short-Term Memory的縮寫形式［3］。該網絡主要應用在處理數據與預測時間序列方面上，可以在提高預測精準度的同時，縮短預測時間，為相關領域的研究提供基礎保障。因此，本文利用長短期神經網絡，對電力市場日前電價進行預測［4］。在預測過程中，選取合適的電力市場需求數據，直接處理掉無效數據，以此保證最終預測結果的精準度。通過此項研究，旨在解決電價預測精度不高的問題，為電力市場的發展提供相關建議。

1 電力日前電價預測方法設計

1.1 采集電力市場日前電價數據

在進行電力日前電價預測之前，本文需要采集電力市場日前電價數據，作為電價預測的基礎數據。本文采集的電價數據為交易中心公開披露數據，電價數據每隔15min記錄一次，每天存在96個時刻的有效電價數據采集值［5］。真實的電價數據存在波動性，電價數據中經常出現異常值，對于電價的預測產生了不利影響。因此，本文在采集到電價數據之后，對電價異常數據存在的隨機誤差進行預處理，假設采集到的數據是N，預處理公式如下：

式中，δ為經過預處理之后得到的真實電價數據；n為電價異常特征值；Ni為第i個真實電價數據；ˉN為電價數據的均值［6］。電價數據預處理完成，即可保證采集到的電力市場日前電價數據更加真實有效。

1.2 基于長短期神經網絡處理電價預測數據

在采集到的有效電價數據基礎上，本文利用長短期神經網絡對電價預測數據進行處理。長短期記憶神經網絡的邏輯處理單元如圖1所示。

圖1 長短期記憶神經網絡的邏輯處理單元

如圖1所示，Vs表示輸入數據值，Ms表示輸入門，Qs表示記憶單元，fs表示輸出門，ks表示忘記門，Ls表示輸出數據值，V表示輸入數據預處理向量，Q表示記憶數據處理向量。輸入值Vs在進行數據處理的過程中，向輸出門fs、預處理向量V、輸入門Ms、忘記門ks等區域輸入，將有效數據提取出來，無效數據忘記處理，最終得出的輸出數據值Ls，就是最有效的數據［7］。使用長短期神經網絡對電價預測數據處理過程中，輸入門、忘記門、輸出門的處理公式如下：

式中，Ms′表示輸入門中待處理的數據；Ks′表示忘記門待處理的數據；fs′表示輸出門待處理的數據；ki表示輸入門有效數據的權值向量；Ls-1表示輸出數據值Ls的前一個輸出數據；Vs為輸入數據值；bi為電價預測數據處理的相位向量；kf為忘記門中無效數據的權值向量；bf為忘記門中被遺忘的數據相位向量；k0為輸出門中有效數據的權值向量；b0為輸出門中有效數據的非零向量。電價數據被處理完成之后，即開始對電力市場日前電價進行預測。

1.3 構建電力市場日前電價預測模型

為了實現電力市場日前電價的精準預測，本文在采集電價基礎數據、處理電價預測數據等基礎上，構建出電價預測模型。在電價預測過程中，本文將長短期神經網絡處理后預測數據，從單列數據轉換為雙列數據［8］。對于S時刻的電價，雙列數據中對應的是S時刻與S＋1時刻的電價數據，由此將“無標簽”數據轉化成為“有標簽”數據。在參數設置上，預測模型上存在輸入層、忘記層、輸出層等三個長短期神經網絡邏輯單元，在激活函數下，對輸入的電價數據進行精準預測。模型表達式如下：

式中，X表示電價預測模型表達式；ε表示激活函數；S、Y、T分別表示輸入層、忘記層、輸出層等三個長短期神經網絡邏輯單元的最優參數。模型建立完成之后，對模型的損失函數進行分析，公式如下：

式中，g（X）表示損失函數；Xi表示模型第i個時刻的預測值；ˉX為模型預測平均值。根據g（X）所得結果，當g（X）＞1時，模型預測效果不佳；當g（X）≤1時，模型預測效果較為精準。因此，本文主要根據g（X）的結果，來判定預測模型的精準度，從根本上減少了其他步驟計算的時間，在縮短預測時間的同時，提高了預測精準度。

2 實驗

為了驗證本文設計的基于LSTM神經網絡的電力市場日前電價預測方法是否具有實用價值，本文對上述方法進行實驗驗證。實驗結果以傳統電力市場日前電價預測方法與本文設計的基于長短期神經網絡的電力市場日前電價預測方法進行對比的形式呈現，具體實驗過程及實驗結果如下所示。

2.1 實驗過程

本文將近期電價變化數據作為主要實驗對象，一天內6：00、12：00、18：00、24：00時的電價，均存在較為明顯的波動，使用本文設計的預測方法之后，預測相對誤差情況如圖2所示。

圖2 預測相對誤差

分析圖2可知，每天電價存在24個電價數據點，6：00、12：00、18：00、24：00時的電價呈現較大的變化趨勢。因此，本文對6：00、12：00、18：00、24：00時刻的預測相對誤差進行分析。由圖2中可知，用電時刻未發生變化時，預測相對誤差在0.30%左右，用電時刻在6：00時，預測相對誤差在0.20%左右，用電時刻在12：00時，預測相對誤差在0.18%左右，用電時刻在18：00時，預測相對誤差在0.15%左右，用電時刻在24：00時，預測相對誤差在0.08%左右。因此，使用本文設計的電力市場日前電價預測方法的預測誤差較小，可以有效滿足日益變化的電價市場需求。

2.2 實驗結果

在上述實驗條件下，本文選取出1000～8000kWh的用電量，這一段的實際電價各不相同。在其他條件均一致的情況下，將傳統電力市場日前電價預測方法的電價預測值，與本文設計的基于長短期神經網絡的電力市場日前電價預測方法的電價預測值進行對比，實驗結果如下表所示。

表 實驗結果

如表所示，電價的變化隨著用電量的增加而減少，用電量越多，電價越低。在其他條件均一致的情況下，傳統電力市場日前電價預測方法的電價預測值，與真實電價之間存在±0.3厘／kWh的差距，預測效果不佳，亟待進行進一步改進。而本文設計的基于長短期神經網絡的電力市場日前電價預測方法的電價預測值，與真實電價之間相差±0.01厘／kWh。其中，用電量為4000kWh與6000kWh時，電價預測值與真實電價相一致。因此，使用本文設計的預測方法，電價預測效果更佳，達到了提升電力市場日前電價預測精準度的最終目標。

3 結束語

近些年來，電能資源在社會發展過程中占據著重要部分，為人們生活與科學發展提供了基礎動力。隨著國民經濟水平的提升，人們對電能資源的要求不斷發生變化，電力市場也發生了較大的變化。在使用新能源代替電能資源的大環境下，電價呈現波動變化取值。為了更進一步地為電力用戶服務，本文設計了基于長短期神經網絡的電力市場日前電價預測方法。從采集電價數據、處理數據、構建預測模型等方面，實現了日前電價的精準預測，為人們的生活提供了經濟基礎。