随着电力行业正在从垄断经营型向竞争型转变,电力市场逐步成为影响能源体系发展的重要领域。电价的变动不仅对发售电供给侧带来挑战,也在消费者和生产者之间的资金流动方面产生重要影响,因此对其进行准确预测就变得尤为重要。电力价格存在随机性、波动性和峰谷差异较为明显等特征,使电力市场参与者难以准确预测未来电价,给电力交易带来较大风险。本文基于深度学习方法,通过对美国PJM电力市场三年实时电价数据的分析,确定不同的用电分类标准。针对现有MATLAB数据拟合对电价预测的不足,建立了基于长短期记忆网络(Long Short Term Memory,LSTM)和基于多层感知机(Multi-layer Perceptron,MLP)与LSTM结合的MLP-LSTM两种深度神经网络模型,对电力市场电价变化情况进行预测。论文主要研究工作如下:1)首先分析用电量及定价的影响因素和分类标准,对现有的PJM电力市场实时电价数据进行分析,运用MATLAB中基于最小二乘原理的拟合算法,建立不同用电地区实时电价的拟合曲线和预测模型。2)对2017-2020年PJM电力市场实时电价原始数据进行最小-最大规范化处理,在保持原始数据之间关联和分析精度的情况下,对数据分别进行5min、10min和20min的等间隔抽样,减小遍历数据集的时间密度。在不同的时间尺度下,计算抽样处理后的数据损失函数和原始数据的损失函数,并进行对比分析。3)利用LSTM网络的上下文信息关联、变化趋势特征提取、通过引入可控自循环能长时间跟踪信息的优势,建立一种基于LSTM网络的电价变化预测模型,实现对地区电价的短期和中期预测。4)基于电价规范化处理数据,将MLP的预测机制与LSTM深度结构相结合,建立一种新型MLP-LSTM深度网络电价预测模型。模型以日、旬、月等为时间周期窗口,首先利用多层感知机进行一步或短期预测,提取信号短时或局部变化特征,再通过LSTM深度模型进行短时或局部特征按时序的综合以及对信号特征的长短时记忆,实现对电价时序信号的滑动预测;并在不同的时间尺度窗口下,反映电价波动的季节性、周期性等特征。在上述研究基础上,基于PJM电力市场实时电价数据,分别采用LSTM模型、MLP-LSTM模型进行预测分析,取得了较好的实验结果。与MATLAB数据拟合结果进行对比,本文建立的模型在预测准确性方面有较大提高。