计及特征信息的自适应短期电价预测模型OA

随着我国新能源装机容量历史性超过火电,电价的多样化特征更加突出,如何提高电价预测精度对于电力市场参与者变得空前重要。为此,文章提出了一种考虑特征信息的自适应短期电价混合预测模型。首先,利用改进变分模态分解-样本熵(improved variational mode decomposition-sample entropy,IVMD-SE)的组合数据预处理模型实现电价序列的分解与重构。其次,对周期性特征较为明显的子序列采用季节性差分自回归滑动平均模型(seasonal autoregressive integrated moving average,SARIMA)进行预测,对非线性特征较明显的子序列使用鲸鱼优化的长短期记忆神经网络(whale optimization algorithm-long short-term memory,WOA-LSTM)进行预测。最后,将各分量预测值加总求和得到最终的电价预测结果。并依托澳大利亚电力市场数据设置多组对比实验,与基准模型相比,所提模型的误差指标在不同地区与不同季节的条件下均能达到最低。