本发明涉及电价预测，特别是涉及一种基于双层vmd分解和ssa-lstm的电价预测方法。
背景技术：
1、在电力市场中，电能可以像其他普通商品一样在市场环境下自由交易，因此能够反映电力供求关系的电价成为电力市场中最重要的要素之一。近年来，许多研究人员已经证明，要实现电价精准预测的难度很大，因为电价在很大程度上取决于多种因素。电能作为一种特殊的商品，其价格因受到市场供需、电力成本、负荷以及季节等多种因素的影响而具有非线性和非平稳性的特点。加上电能不能大规模储存以及必须满足时刻供需平衡，因此电价具有很大的波动性。精准的电价预测不仅可以提升市场在调节能源资源配置上的效率和提高电网的优化调度能力，还能为各方市场参与者制定和调整市场决策从而获得相应的经济效益提供重要依据。因此，准确的电价预测对于整个电力系统和市场参与者来说具有十分重要的参考意义。
2、现有的电价预测方法众多，其中最受关注的方法为混合预测方法。该方法一般由多种算法组合而成，且具有非常复杂的预测框架，通常由数据分解算法以及预测模型组成。使用较为普遍的分解算法有小波变换(wt)、经验模态分解(emd)、改进经验模态分解(iemd)、变分模态分解(vmd)等。预测模型有自回归积分移动平均(arima)、支持向量机(svm)、人工神经网络(ann)、随机森林(rf)、递归神经网络(rnn)等。
3、然而上述数据分解算法及模型在处理时间序列问题时的能力还存在不足之处：wt缺乏自适应性，不能很好地实现电价序列的分解；emd、iemd存在模态混叠的情况，会影响最终的分解效果；vmd虽能自适应地实现电价序列的分解，但是对于分解所得的残差项中所含有的丰富信息不能进一步提取；arima虽能通过差分变化减少电价波动，但是对存在异方差的电价序列的拟合效果较差；svm具有较好泛化能力和非线性拟合能力，但存在处理大规模数据困难的缺点；ann存在易过度学习陷入局部最优的缺点，其泛化能力还有待提升；rf在一些噪音较大的回归问题上表现不如人意，缺少对时序数据时间相关性的考虑；rnn在处理时间序列方面有独特优势，但在机器学习过程中会出现梯度消失和梯度爆炸的问题。上述方法在处理电价序列的非线性和非平稳性特征时的能力都比较有限，难以进一步提取电价序列中所隐含的丰富信息。
技术实现思路
1、本发明的目的在于克服现有技术的不足，提供一种基于双层vmd分解和ssa-lstm的电价预测方法，能够提取电价序列中所隐含的丰富信息，并通过麻雀搜索算法优化长短期及以神经网络的超参数，提高了电价预测的精度。
2、本发明的目的是通过以下技术方案来实现的：一种基于双层vmd分解和ssa-lstm的电价预测方法，包括以下步骤：
3、s1.将原始电价序列划分为训练集和测试集，并设置第一层vmd分解和第二层vmd分解的参数；
4、s2.对原始电价序列进行第一层vmd分解,得到本征模态函数imf和残差分量imf-res；
5、s3.对残差分量imf-res进行第二层vmd分解；
6、s4.对vmd分解得到的子序列进行归一化处理；
7、s5.搭建lstm神经网络，在对原始电价序列进行vmd分解得到的子序列基础上，基于麻雀搜索算法ssa优化lstm超参数；
8、s6.基于优化得到的lstm超参数，进行电价预测。
9、本发明的有益效果是：本发明能够提取电价序列中所隐含的丰富信息，并通过麻雀搜索算法优化长短期及以神经网络的超参数，提高了电价预测的精度。
技术特征：1.一种基于双层vmd分解和ssa-lstm的电价预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于双层vmd分解和ssa-lstm的电价预测方法，其特征在于：所述步骤s1中，将原始电价序列划分为训练集和测试集时，训练集和测试集的长度比例5:1，第一层vmd分解和第二层vmd分解的参数包括分解个数k和惩罚因子α；
3.根据权利要求2所述的一种基于双层vmd分解和ssa-lstm的电价预测方法，其特征在于：所述步骤s2中，假设原始电价序列由多个子序列构成，vmd分解时，将原始电价序列的每个子序列称为模态分量，每个模态分量具有不同的中心频率；
4.根据权利要求3所述的一种基于双层vmd分解和ssa-lstm的电价预测方法，其特征在于：所述步骤s3中，第二层vmd分解与第一层vmd分解的过程相同，进一步得到imf-res经vmd分解后的4个分量对应的本征模态函数imf’以及一个残余分量imf-res’；
5.根据权利要求1所述的一种基于双层vmd分解和ssa-lstm的电价预测方法，其特征在于：所述步骤s4包括：
6.根据权利要求1所述的一种基于双层vmd分解和ssa-lstm的电价预测方法，其特征在于：所述步骤s5包括以下子步骤：
7.根据权利要求1所述的一种基于双层vmd分解和ssa-lstm的电价预测方法，其特征在于：所述步骤s6包括：
技术总结本发明公开了一种基于双层VMD分解和SSA‑LSTM的电价预测方法，包括以下步骤：S1.将原始电价序列划分为训练集和测试集，并设置第一层VMD分解和第二层VMD分解的参数；S2.对原始电价序列进行第一层VMD分解,得到本征模态函数IMF和残差分量IMF‑res；S3.对残差分量IMF‑res进行第二层VMD分解；S4.对VMD分解得到的子序列进行归一化处理；S5.搭建LSTM神经网络，在对原始电价序列进行VMD分解得到的子序列基础上，基于麻雀搜索算法SSA优化LSTM超参数；S6.基于优化得到的LSTM超参数，进行电价预测。本发明能够提取电价序列中所隐含的丰富信息，并通过麻雀搜索算法优化长短期及以神经网络的超参数，提高了电价预测的精度。
技术研发人员：郭芳,邓尚云,黄广山,王瑞阳,严海贤,林梅金,陈佳源,黎浣仪
受保护的技术使用者：佛山科学技术学院
技术研发日：技术公布日：2024/1/14