姚翰林 汪晋宽

摘要：目前存在的电价预测方法对电价周期性变化规律利用度较低，预测步长较短，使得电价预测存在较大误差。本文提出时间序列法（ARIMA）和神经网络法（LSTM）对电力市场供给侧短期电价变化进行预测。其中神经网络法主要针对循环神经网络（RNN）的缺点和不足，将神经网络算法引入电价预测模型中，根据时间序列之间存在的相关关系对样本数据进行学习与训练，降低实验误差。基于深度学习的长短期记忆（LSTM）神经网络可以同时兼顾数据的时序性和非线性，包含的记忆单元能够有效的克服RNN梯度消失问题，使得模型更加适合电价预测，预测短期电价精度高。

关键词：电力价格; 时间序列;LSTM; 深度学习

一、背景技术

电价是电力市场的支点，电价的波动性，不确定性为电力市场注入了活力，同时也增加了电价预测难度。伴随着国内电力市场化的稳步推进，电价预测对电力市场管理者和电力市场参与者显得尤为重要。如果电力市场参与者能够快速准确地掌握电价的变化规律，从而有效预测电价、规避风险，则其在激烈的市场竞争中处于有利地位，并能够谋取更高的经济利润; 倘若市场管理者能掌握电价的预期走势，将有助于其制定行之有效的市场规则来合理运营电力市场。近年来各国政府大力推行电力市场化建设，吸引了越来越多的学者参与到电价预测研究之中，使得电价的预测精度得到了一定程度的提高。但电价本身特征决定了其受多重因素的影响，预测难度较大，当前电价预测精度远未达到电力市场参与者和管理者的要求， 因此对电价预测研究显得十分必要。近年来，关于电价的短期预测问题，国内外已有很多学者展开了深入研究并取得了一些成果。时间序列分析法和神经网络法最先被应用到电价的短期预测中。

二、電价特征分析

（1）波动强烈

电能跟一般商品的性质不同，因其不能够大量存储，只能通过实时维持供电平衡才能满足用户需求。夜晚低负荷时段，电价明显降低，用电高峰期时段，电价明显升高，因此可以总结出电价具有较强的波动性。电价不确定性决定了其预测难度要比电力负荷预测难度要大的多。

（2）多周期性

电力负荷是影响电价制定的重要因素，负荷变化将会直接影响电价的变化。电价的周期包含有日周期，周周期，季节性周期，由于本文主要对电价进行短期预测，所以不考虑季节性周期变化。电价所具有的周期性有利于算法模型对电价进行预测，因此选择可以提取电价周期性特征的预测模型是十分必要的。

（3）均值回复性

电价的确定与一般商品价格确定具有相似性，受供求关系的影响，电价不会稳定在一个恒定值，但也不会一直上升或者下降，而是在其实际价值附近波动，是一种动态平衡的状态。

三、基于ARIMA模型的短期电价预测

时间序列预测方法是以时间作为数据发展的横轴线，用时间标尺把历史数据进行排列，时间序列预测的方式可以非常好的挖掘数据的周期信息，电价是标准的时间序列，因此时间序列预测方法被广泛的应用在电价预测领域。由于大多数时间的电价是非平稳序列，所以ARIMA被广泛的采用，其对电价预测可以取得较好的精度。ARIMA模型的全称为自回归移动平均模型，是一种简单而又实用的时间序列预测方法。ARIMA（p，d，q）模型中AR是自回归模型，其中p对应自回归项，MA是移动平均模型，其中q对应移动平均项数，d差分次数。ARIMA在时间序列预测应用十分广泛，ARIMA对数据能够预测前提是预测数据必须为平稳序列，所以针对不平稳序列，需要对其差分，直到获得平稳序列为止。考虑电价具有波动性、多重周期性和均值回复性等特点，可根据历史电价建立ARIMA预测模型，并用建立的模型对未来电价进行预测。

时间序列分析法需要的历史观测数据相对较少，计算速度快，并能准确地反映电价变化的连续性，而且它的理论浅显、物理意义清晰。电价序列是一个以季、月、周、日为周期的时间序列，日周期是它的基本周期。在电价的短期预测中只需考虑星期周期性与日周期性。

四、基于LSTM模型的短期电价预测

电价序列波动较复杂，有些学者认为它可能呈非线性变化，可利用神经网络法来进行短期电价预测。神经网络法能够以任意精度逼近连续函数，而不需要事先假定尝试性模型。LSTM （Long Short Term Memory）是一种改进的循环神经网络结构，它引入自循环的思想，自循环的权重视上下文而定，使梯度长时间持续流动，从而解决梯度消失问题，在时间序列预测方面有更强的能力。

售电市场的日前电价预测需要预测的步长较长，一般在24个以上，RNN并不能满足需求。LSTM在循环神经网络结构的基础上进行了一些节点的添加，也就是所谓的阀门节点。阀门节点总的来说只有输入、输出和遗忘阀门，这些阀门通过打开或者关闭将网络状态选择性的记忆下来。输入阀门决定了输入的信息，它会呈现出类似生物上学到的细胞结构，决定当前时刻有多少信息可以输入到细胞状态。阀门节点利用sigmoid平滑函数将网络的记忆态激活作为输入计算。

LSTM单元最初设计的目的， 是解决RNN存在的梯度消失问题和长距离依赖问题， 它的默认行为是记住过去很长时间的信息而不是学习到什么。在标准的RNN中结构是一个tanh激活函数层，而在LSTM结构中将tanh激活函数层替换为LSTM单元。允许通过的信息概率由当前的输入和前一个隐藏状态决定，LSTM单元通过三个阀门结构控制网络对数据的记忆或遗忘状态，从而可以人为设定参数预测较长时间电价数据。

参考文献：

[1]周明，严正，倪以信，等。含误差预测校正的 ARIMA 电价预测新方法[J]。中国电机工程学报，2004，24（ 12） ： 63 - 68

[2]王瑞庆，王晛，李渝曾。基于时间序列 ARMAX 模型的短期电价预测方法[J]。华东电力，2009，37（ 5） ： 727 - 730

[3]刘正国，付祥明，高伏英，等。基于神经网络的浙江发电市场清算电价预测方法[J]。电力系统自动化，2002，26（ 9） ： 49 - 52

[4]张显，王锡凡。短期电价预测综述[J]。电力系统自动化，2006，30（ 3） ： 92 - 99

作者简介：姚翰林（1996—），男，汉族，江苏盐城人，学历：2019级在读研究生（学号1971826），单位：东北大学秦皇岛分校，研究方向：智能电动汽车;秦皇岛市邮编066000