姚翰林 汪晉寬

摘要：目前存在的電價(jià)預(yù)測(cè)方法對(duì)電價(jià)周期性變化規(guī)律利用度較低，預(yù)測(cè)步長(zhǎng)較短，使得電價(jià)預(yù)測(cè)存在較大誤差。本文提出時(shí)間序列法（ARIMA）和神經(jīng)網(wǎng)絡(luò)法（LSTM）對(duì)電力市場(chǎng)供給側(cè)短期電價(jià)變化進(jìn)行預(yù)測(cè)。其中神經(jīng)網(wǎng)絡(luò)法主要針對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的缺點(diǎn)和不足，將神經(jīng)網(wǎng)絡(luò)算法引入電價(jià)預(yù)測(cè)模型中，根據(jù)時(shí)間序列之間存在的相關(guān)關(guān)系對(duì)樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)與訓(xùn)練，降低實(shí)驗(yàn)誤差?；谏疃葘W(xué)習(xí)的長(zhǎng)短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)可以同時(shí)兼顧數(shù)據(jù)的時(shí)序性和非線性，包含的記憶單元能夠有效的克服RNN梯度消失問(wèn)題，使得模型更加適合電價(jià)預(yù)測(cè)，預(yù)測(cè)短期電價(jià)精度高。

關(guān)鍵詞：電力價(jià)格; 時(shí)間序列;LSTM; 深度學(xué)習(xí)

一、背景技術(shù)

電價(jià)是電力市場(chǎng)的支點(diǎn)，電價(jià)的波動(dòng)性，不確定性為電力市場(chǎng)注入了活力，同時(shí)也增加了電價(jià)預(yù)測(cè)難度。伴隨著國(guó)內(nèi)電力市場(chǎng)化的穩(wěn)步推進(jìn)，電價(jià)預(yù)測(cè)對(duì)電力市場(chǎng)管理者和電力市場(chǎng)參與者顯得尤為重要。如果電力市場(chǎng)參與者能夠快速準(zhǔn)確地掌握電價(jià)的變化規(guī)律，從而有效預(yù)測(cè)電價(jià)、規(guī)避風(fēng)險(xiǎn)，則其在激烈的市場(chǎng)競(jìng)爭(zhēng)中處于有利地位，并能夠謀取更高的經(jīng)濟(jì)利潤(rùn); 倘若市場(chǎng)管理者能掌握電價(jià)的預(yù)期走勢(shì)，將有助于其制定行之有效的市場(chǎng)規(guī)則來(lái)合理運(yùn)營(yíng)電力市場(chǎng)。近年來(lái)各國(guó)政府大力推行電力市場(chǎng)化建設(shè)，吸引了越來(lái)越多的學(xué)者參與到電價(jià)預(yù)測(cè)研究之中，使得電價(jià)的預(yù)測(cè)精度得到了一定程度的提高。但電價(jià)本身特征決定了其受多重因素的影響，預(yù)測(cè)難度較大，當(dāng)前電價(jià)預(yù)測(cè)精度遠(yuǎn)未達(dá)到電力市場(chǎng)參與者和管理者的要求， 因此對(duì)電價(jià)預(yù)測(cè)研究顯得十分必要。近年來(lái)，關(guān)于電價(jià)的短期預(yù)測(cè)問(wèn)題，國(guó)內(nèi)外已有很多學(xué)者展開(kāi)了深入研究并取得了一些成果。時(shí)間序列分析法和神經(jīng)網(wǎng)絡(luò)法最先被應(yīng)用到電價(jià)的短期預(yù)測(cè)中。

二、電價(jià)特征分析

（1）波動(dòng)強(qiáng)烈

電能跟一般商品的性質(zhì)不同，因其不能夠大量存儲(chǔ)，只能通過(guò)實(shí)時(shí)維持供電平衡才能滿足用戶需求。夜晚低負(fù)荷時(shí)段，電價(jià)明顯降低，用電高峰期時(shí)段，電價(jià)明顯升高，因此可以總結(jié)出電價(jià)具有較強(qiáng)的波動(dòng)性。電價(jià)不確定性決定了其預(yù)測(cè)難度要比電力負(fù)荷預(yù)測(cè)難度要大的多。

（2）多周期性

電力負(fù)荷是影響電價(jià)制定的重要因素，負(fù)荷變化將會(huì)直接影響電價(jià)的變化。電價(jià)的周期包含有日周期，周周期，季節(jié)性周期，由于本文主要對(duì)電價(jià)進(jìn)行短期預(yù)測(cè)，所以不考慮季節(jié)性周期變化。電價(jià)所具有的周期性有利于算法模型對(duì)電價(jià)進(jìn)行預(yù)測(cè)，因此選擇可以提取電價(jià)周期性特征的預(yù)測(cè)模型是十分必要的。

（3）均值回復(fù)性

電價(jià)的確定與一般商品價(jià)格確定具有相似性，受供求關(guān)系的影響，電價(jià)不會(huì)穩(wěn)定在一個(gè)恒定值，但也不會(huì)一直上升或者下降，而是在其實(shí)際價(jià)值附近波動(dòng)，是一種動(dòng)態(tài)平衡的狀態(tài)。

三、基于ARIMA模型的短期電價(jià)預(yù)測(cè)

時(shí)間序列預(yù)測(cè)方法是以時(shí)間作為數(shù)據(jù)發(fā)展的橫軸線，用時(shí)間標(biāo)尺把歷史數(shù)據(jù)進(jìn)行排列，時(shí)間序列預(yù)測(cè)的方式可以非常好的挖掘數(shù)據(jù)的周期信息，電價(jià)是標(biāo)準(zhǔn)的時(shí)間序列，因此時(shí)間序列預(yù)測(cè)方法被廣泛的應(yīng)用在電價(jià)預(yù)測(cè)領(lǐng)域。由于大多數(shù)時(shí)間的電價(jià)是非平穩(wěn)序列，所以ARIMA被廣泛的采用，其對(duì)電價(jià)預(yù)測(cè)可以取得較好的精度。ARIMA模型的全稱為自回歸移動(dòng)平均模型，是一種簡(jiǎn)單而又實(shí)用的時(shí)間序列預(yù)測(cè)方法。ARIMA（p，d，q）模型中AR是自回歸模型，其中p對(duì)應(yīng)自回歸項(xiàng)，MA是移動(dòng)平均模型，其中q對(duì)應(yīng)移動(dòng)平均項(xiàng)數(shù)，d差分次數(shù)。ARIMA在時(shí)間序列預(yù)測(cè)應(yīng)用十分廣泛，ARIMA對(duì)數(shù)據(jù)能夠預(yù)測(cè)前提是預(yù)測(cè)數(shù)據(jù)必須為平穩(wěn)序列，所以針對(duì)不平穩(wěn)序列，需要對(duì)其差分，直到獲得平穩(wěn)序列為止?？紤]電價(jià)具有波動(dòng)性、多重周期性和均值回復(fù)性等特點(diǎn)，可根據(jù)歷史電價(jià)建立ARIMA預(yù)測(cè)模型，并用建立的模型對(duì)未來(lái)電價(jià)進(jìn)行預(yù)測(cè)。

時(shí)間序列分析法需要的歷史觀測(cè)數(shù)據(jù)相對(duì)較少，計(jì)算速度快，并能準(zhǔn)確地反映電價(jià)變化的連續(xù)性，而且它的理論淺顯、物理意義清晰。電價(jià)序列是一個(gè)以季、月、周、日為周期的時(shí)間序列，日周期是它的基本周期。在電價(jià)的短期預(yù)測(cè)中只需考慮星期周期性與日周期性。

四、基于LSTM模型的短期電價(jià)預(yù)測(cè)

電價(jià)序列波動(dòng)較復(fù)雜，有些學(xué)者認(rèn)為它可能呈非線性變化，可利用神經(jīng)網(wǎng)絡(luò)法來(lái)進(jìn)行短期電價(jià)預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)法能夠以任意精度逼近連續(xù)函數(shù)，而不需要事先假定嘗試性模型。LSTM （Long Short Term Memory）是一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它引入自循環(huán)的思想，自循環(huán)的權(quán)重視上下文而定，使梯度長(zhǎng)時(shí)間持續(xù)流動(dòng)，從而解決梯度消失問(wèn)題，在時(shí)間序列預(yù)測(cè)方面有更強(qiáng)的能力。

售電市場(chǎng)的日前電價(jià)預(yù)測(cè)需要預(yù)測(cè)的步長(zhǎng)較長(zhǎng)，一般在24個(gè)以上，RNN并不能滿足需求。LSTM在循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上進(jìn)行了一些節(jié)點(diǎn)的添加，也就是所謂的閥門節(jié)點(diǎn)。閥門節(jié)點(diǎn)總的來(lái)說(shuō)只有輸入、輸出和遺忘閥門，這些閥門通過(guò)打開(kāi)或者關(guān)閉將網(wǎng)絡(luò)狀態(tài)選擇性的記憶下來(lái)。輸入閥門決定了輸入的信息，它會(huì)呈現(xiàn)出類似生物上學(xué)到的細(xì)胞結(jié)構(gòu)，決定當(dāng)前時(shí)刻有多少信息可以輸入到細(xì)胞狀態(tài)。閥門節(jié)點(diǎn)利用sigmoid平滑函數(shù)將網(wǎng)絡(luò)的記憶態(tài)激活作為輸入計(jì)算。

LSTM單元最初設(shè)計(jì)的目的， 是解決RNN存在的梯度消失問(wèn)題和長(zhǎng)距離依賴問(wèn)題， 它的默認(rèn)行為是記住過(guò)去很長(zhǎng)時(shí)間的信息而不是學(xué)習(xí)到什么。在標(biāo)準(zhǔn)的RNN中結(jié)構(gòu)是一個(gè)tanh激活函數(shù)層，而在LSTM結(jié)構(gòu)中將tanh激活函數(shù)層替換為L(zhǎng)STM單元。允許通過(guò)的信息概率由當(dāng)前的輸入和前一個(gè)隱藏狀態(tài)決定，LSTM單元通過(guò)三個(gè)閥門結(jié)構(gòu)控制網(wǎng)絡(luò)對(duì)數(shù)據(jù)的記憶或遺忘狀態(tài)，從而可以人為設(shè)定參數(shù)預(yù)測(cè)較長(zhǎng)時(shí)間電價(jià)數(shù)據(jù)。

參考文獻(xiàn)：

[1]周明，嚴(yán)正，倪以信，等。含誤差預(yù)測(cè)校正的 ARIMA 電價(jià)預(yù)測(cè)新方法[J]。中國(guó)電機(jī)工程學(xué)報(bào)，2004，24（ 12） ： 63 - 68

[2]王瑞慶，王晛，李渝曾?；跁r(shí)間序列 ARMAX 模型的短期電價(jià)預(yù)測(cè)方法[J]。華東電力，2009，37（ 5） ： 727 - 730

[3]劉正國(guó)，付祥明，高伏英，等。基于神經(jīng)網(wǎng)絡(luò)的浙江發(fā)電市場(chǎng)清算電價(jià)預(yù)測(cè)方法[J]。電力系統(tǒng)自動(dòng)化，2002，26（ 9） ： 49 - 52

[4]張顯，王錫凡。短期電價(jià)預(yù)測(cè)綜述[J]。電力系統(tǒng)自動(dòng)化，2006，30（ 3） ： 92 - 99

作者簡(jiǎn)介：姚翰林（1996—），男，漢族，江蘇鹽城人，學(xué)歷：2019級(jí)在讀研究生（學(xué)號(hào)1971826），單位：東北大學(xué)秦皇島分校，研究方向：智能電動(dòng)汽車;秦皇島市郵編066000