论文部分内容阅读
在当今社会,能源相关的问题不断影响着城市的发展和人们的生活,而电力作为21世纪与人类联系最为密切的能源之一,已经被很多国家通过自由贸易市场来进行合理的分配。在自由贸易市场中,电力价格并不是一成不变的,会随着各种社会因素,能源因素等发生非常频繁的浮动,一天当中不同时刻的电力价格都是不尽相同的,而电力价格又对最大化供需双方利益,缓解城市压力,促进资源的合理利用有着非常重大的影响。正因为如此,准确的预测未来的电力价格便显得尤为重要。本文针对时间序列分析和多特征机器学习这两个不同的角度,对电力价格预测方法进行了研究。本文主要完成了以下工作:1)针对电力价格属于时间序列数据这一特性,实现了一种基于模式序列相似性的电力价格预测方法(Pattern Sequence-based Forecasting,PSF),该方法首先由聚类阶段获取模式序列,然后在预测阶段通过滑动窗口获取模式相似子序列与结果集,最后在求和阶段对结果集中数据进行求和。又针对历史数据相似性的衰减问题,提出了一种改进的模式序列相似性的电力价格预测方法(Modified Pattern Sequence-based Forecasting,MPSF),该方法考虑了历史数据与当前预测数据的相似性。最后将上述两个方法在GEFCom2014-P数据集上进行验证,PSF取得了良好的预测结果,MPSF相对于PSF在预测的准确性上有所提升。2)针对电力价格受多因素影响这一特性,实现了一种基于梯度提升树(Gradient Boosting Decision Tree,GBDT)的电力价格预测方法。该方法首先挖掘了电力价格特征,然后使用该特征有监督的训练GBDT模型。最终训练出的模型在GEFCom2014-P数据集上相对于传统的方法在预测精度上有明显的提升,并且为后续的研究提供了可用的特征集合。3)针对电力价格数据强非线性这一特性,并结合GBDT提供的特征选择结果,提出了一种基于多源数据融合与长短期记忆网络(Long Short-Term Memory,LSTM)的电力价格预测方法,该方法不仅利用了LSTM对历史数据的记忆性,还通过全连接层利用了外部因素对电力价格的影响,为解决该类问题提供了一个新的思路。该方法使用GBDT提供的特征集合进行模型的训练,在GEFCom2014-P数据集上进一步提升了预测的精度和稳定性。