基于RIME-CNN-LSTM-AM模型的智能电网短期电价预测方法OA

在智能电网体系中,电价受供需关系、市场机制及外部环境等因素影响呈现出较大的波动性,显著增加了智能电网调度环节的复杂程度。文章提出一种基于深度学习的短期电价预测模型,在传统长短期记忆网络(long short-term memory,LSTM)中引入卷积神经网络(convolutional neural network,CNN)的卷积特征提取模块与注意力机制(attention mechanism,AM)的权重分配方法。同时,采用霜冰优化算法(rime optimization algorithm,RIME)对模型学习率、CNN卷积核大小和LSTM网络隐含层节点数量进行优化,获得最优参数组合,构建RIME-CNN-LSTM-AM短期电价预测模型。为验证文章方法的优越性,基于3组不同时段的电价数据,将RIME-CNN-LSTM-AM模型与CNN-LSTM-AM、PSO-CNN-LSTM-AM和SSA-CNN-LSTM-AM 3种模型进行对比,分别计算4种预测模型的平均绝对误差、均方误差、均方根误差、平均绝对百分比误差和相关系数5种误差评价指标,以及基于Wilcoxon符号秩检验的显著性统计结果。实验结果表明,与3种模型相比,文章提出的RIME-CNN-LSTM-AM模型具有更优越的预测性能。