(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111620773.6 (22)申请日 2021.12.27 (71)申请人 广东工业大 学 地址 510090 广东省广州市越秀区东 风东 路729号 (72)发明人 殷豪　翟广松　孟安波　冼梓康　 许炫淙　谢智锋　王鹏　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 代理人 黄志铖 (51)Int.Cl. G06Q 30/02(2012.01) G06Q 50/06(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G06N 3/00(2006.01) G06K 9/62(2022.01) (54)发明名称 一种短期电价预测方法 (57)摘要 本发明涉及电价预测的技术领域， 更具体 地， 涉及一种短期电价预测方法， 具体地是一种 基于互信息—注意力机制和纵横交叉算法优化 长短时记忆网络的短期电价预测方法。 针对电价 特征变量增多的问题， 提出基于互信息—注意力 机制的二次特征选取方法， 利用互信息特征选取 方法选取出与电价相关性最高的特征集， 再引入 注意力机制对该特征集赋予不同权重以突出其 中的关键信息， 能够有效选取出加权的高相关性 特征集； 针对传统长短时记忆网络容易陷入局部 最优的问题， 采用纵横交叉算法优化模型的权重 和阈值， 能有效提高模型跳出局部最优的能力； 组合预测模 型结合了多种算法的优势， 能够有效 提高电价预测精度和模型的泛化能力。 权利要求书4页 说明书6页 附图3页 CN 114187059 A 2022.03.15 CN 114187059 A 1.一种短期电价预测方法， 其特 征在于， 包括以下步骤： S10.采集电力市场中相关历史数据， 并对相关历史数据预处理得到相应的时间序列， 所述相关历史数据包括原 始电价、 负荷、 风电、 光伏发电量、 与相邻市场之间的耦合 流量； S20.将步骤S10中相关历史数据的时间序列作为原始特征集F＝{f1,f2,...,fn}， 电价 时间序列作为标签， 利用互信息特征选取方法选取原始特征集中的最优特征子集； 所述时 间序列包括负荷时间序列、 风电时间序列、 光伏发电量时间序列、 与相 邻市场之 间的耦合流 量时间序列； S30.将步骤S20中所述的电价时间序列与所述的最优特征子集拼接并形成时间步长为 T的单个输入样本序列X＝[ x1,x2...,xN+1]， 其中xk(1≤k≤N+1)为第k个特征所对应的T个历 史输入时刻数据组合而成的时间维度向量， N 为最优特征子集中的特 征数， xk具体为： S40.利用注意力模型通过动态选择步骤S30中所述的单个输入样本序列， 对其赋予不 同权重得到加权后的输入样本序列； S50.建立长短时记忆网络深度学习预测模型LSTM模型， 并利用步骤S40中加权后的输 入样本序列 作为训练样本训练LSTM模型， 直至训练完成； S60.利用纵横交叉算法对步骤S50中训练好的LSTM模型的权重和阈值进行优化， 得到 最优预测模型； S70.利用步骤S60中的最优预测模型作 提前t时刻的电价预测， 并获得预测电价时间序 列。 2.根据权利要求1所述的短期电价预测方法， 其特征在于， 步骤S20 中， 互信息特征选取 方法按以下步骤进行： S21.对于电价C和原 始特征集F＝{f1,f2,...,fn}， 设置空集S； S22.为每个特征计算其与电价之间的互信息值 I(C； f)： S23.选取第一个最优特 征， 找到满足Imax(C； f)的特 征f， 令S＝{f}， F＝F\{f}； S24.重复以下过程， 直到|S|＝N： a)对所有f∈F， s∈S， 计算特征f与特征s之间的互信 息值I(f； s)； b)找到满足[I(C； f) ‑β∑s∈SI(f； s)]max的f， 其中β 为不同特征之间对电价相关 性的调节系数， 令F＝F\{f}， S＝S∪{f}； S25.输出集 合S， 集合S中包含所有特 征向量， 且已按互信息值大小降序排列； S26.将集合S中按照互信息值大小降序排列的特征依次输入到LSTM模型中进行多次实 验， 结合误差评估指标将具有最小误差的特 征子集作为 最优特征子集； 步骤S22与步骤S24中， 互信息计算公式为： 式(2)中： X、 Y为两个连续随机变量； I(X； Y)为变量X、 Y之间的互信息； p(x,y)为X与Y的 联合概率分布； p(x)、 p(y)为 边缘概率分布。 3.根据权利要求2所述的短期电价预测方法， 其特征在于， 步骤S26 中， 所述误差评估指 标可选用平均绝对误差 MAE或均方根 误差RMSE， 具体为：权　利　要　求　书 1/4 页 2 CN 114187059 A 2式(3)～式(4)中： yi为测试集中第i个真 实电价值； 为测试集中第i个预测电价值； N为 测试集样本数目。 4.根据权利要求1所述的短期电价预测方法， 其特征在于， 步骤S40 中， 注意力模型按以 下步骤构建： S41.构建层 数为2的神经网络， 输入和输出神经元数均为步骤S30所述的N+1， 更新公式 如下： 式(5)～式(6)中： Wa为注意力结构中神经 网络的权重矩阵； xt为t时刻的输入样本序列； b为偏置矩阵； fa(·)为神经网络激活函 数； vt为t时刻的权重向量； V为神经网络输出的未归 一化权重矩阵； 为t时刻第i个特征的未归一化权重值； 为t时刻第i个特征经过Softmax 函数的归一 化权重值； α 为归一 化后的特 征注意力矩阵； S42.将矩阵α与单个输入样本序列X作点乘运算， 得到加权后的输入样本序列Y＝ [y1,...,yT]T， 其中 5.根据权利要求1所述的短期电价预测方法， 其特征在于， 所述步骤S5中， 长短时记忆 网络按以下步骤构建： S51.LSTM模型包括1个神经网络层， 神经元数设置为8， 当然， 神经网络层 数和神经元数 可根据实际需求调整； S52.在t时刻， LSTM模型通过遗忘门ft、 输入门it与输出门Ot接受当前状态xt、 上一时刻 隐藏状态ht‑1与内部记 忆状态Ct‑1， 得到输出ht； S53.在经过LSTM模型对加权后的输入样本序列作进一步的时间特征提取后， 输出所预 测的电价序列。 6.根据权利要求5所述的短期电价预测方法， 其特征在于， 所述步骤S52按以下步骤构 建： (1)遗忘门ft控制内部记 忆单元Ct‑1中忘记的信息： ft＝σ(ωf·[ht‑1,xt]+bf)                       (7) (2)输入门it控制更新的信息： it＝σ(ωi·[ht‑1,xt]+bi)                       (8)权　利　要　求　书 2/4 页 3 CN 114187059 A 3