一种基于深度学习的短期电价预测方法、系统、计算机及存储介质，涉及民用电价的预测领域。解决了现有短期民用电价预测模型具有很强的波动性和随机性，单方面从电价的波动无法准确的预测出价格的问题。所述方法包括：获取电价数据、湿度数据、电力负荷数据和用电日期，并进行拉伊达处理，获取去除异常后的数据；并获取去除异常的电价数据、湿度数据和电力负荷数据的线性关系；将去除异常后的数据进行归一化和小波变换处理；构建LSTM神经网络模型，获取电价预测结果；根据去除异常的电价数据、湿度数据和电力负荷数据的线性关系计算电价，并与所述预测结果进行加权平均，获取短期民用电价预测结果。本发明专利技术应用于电动汽车的预约充电领域。域。域。
【技术实现步骤摘要】
一种基于深度学习的短期电价预测方法、系统、计算机及存储介质
[0001]本专利技术涉及民用电价的预测领域，尤其涉及一种基于深度学习的短期电价预测方法。
技术介绍
[0002]随着电动汽车的不断增加，电动汽车的充电问题逐步变成了一个社会问题，相应的电价就成为电动汽车车主在充电时考虑的主要问题。若用户能提前预知某一时刻的电价，做好充电规划，在最优惠的时段进行预约充电，将大大降低充电成本。通过电价预测衍生的预约充电服务也可以让充电站提前获取充电站客流负载情况，提前做出电力调度和调整，保护电网安全。电价预测方法的研究对于充电用户的利益和充电站之间的电力调度都有着很大的价值。
[0003]目前在电力市场现货交易电价预测中应用较为广泛的方法包括：时间序列模型、人工神经网络预测法以及传统相似日法预测电价，但电价受供求关系、气候因素、供电途径、用电负荷等多方面因素的影响，具有很强的波动性和随机性，单方面从电价的波动无法准确的预测出价格，需要尽可能考虑多个方面的影响因素，找到各因素对电价潜在的影响程度。
技术实现思路
[0004]本专利技术针对现有短期民用电价预测模型具有很强的波动性和随机性，单方面从电价的波动无法准确的预测出价格的问题，提出了一种基于深度学习的短期电价预测方法。
[0005]本专利技术所述的一种基于深度学习的短期电价预测方法通过如下技术方案来实现，包括以下步骤：
[0006]获取电价数据、湿度数据、电力负荷数据和用电日期；
[0007]对所述电价数据、湿度数据和电力负荷数据进行拉伊达处理，获取去除异常后的数据；
[0008]根据所述去除异常后的数据，获取所述去除异常的电价数据、湿度数据和电力负荷数据的线性关系；
[0009]将所述去除异常后的数据进行归一化处理；
[0010]将所述归一化处理的数据进行小波变换处理；
[0011]根据所述小波处理后的数据构建LSTM神经网络模型；
[0012]根据所述LSTM神经网络模型获取电价预测结果；
[0013]根据所述去除异常的电价数据、湿度数据和电力负荷数据的线性关系计算电价，并与所述预测结果进行加权平均，获取短期民用电价预测结果。
[0014]进一步的，还提供一种优选方式，所述对所述电价数据、湿度数据和电力负荷数据进行拉伊达处理，获取去除异常后的数据，包括：
[0015]计算所述电价数据、湿度数据和电力负荷数据的方差和均值；
[0016]将与均值相差三倍的方差的数据判定为异常数据；
[0017]将所述异常数据替换为均值数据，完成拉伊达处理。
[0018]进一步的，还提供一种优选方式，所述将所述去除异常后的数据进行归一化处理，具体为：
[0019][0020]其中，d是归一化后的数据，d
i
为归一化前的当前数据，d
min
为所有数据中的最小值，d
max
为所有数据中的最大值。
[0021]进一步的，还提供一种优选方式，所述将所述归一化处理的数据进行小波变换处理，具体为：
[0022][0023]其中，WT(a,τ)为小波变换的结果，a为尺度因子，τ为平移量，f(t)为待分析信号，t为时域信号。
[0024]进一步的，还提供一种优选方式，根据所述小波处理后的数据构建LSTM神经网络模型，具体为：
[0025]所述LSTM神经网络模型包括输入层、LSTM隐藏层、全连接层和输出层；
[0026]所述输入层用于接收归一化后的数据，输出给LSTM隐藏层进行训练和预测；
[0027]所述隐藏层与输入层连接，用于接收数据，并预测下一时刻的输出数据，所述下一时刻的输出数据至全连接层；
[0028]所述全连接层与隐藏层连接，用于接收隐藏层输出的数据，并对隐藏层提取的特征进行处理和降维；
[0029]所述输出层与全连接层连接，用于将全连接层的输出进行加权和处理，最终输出预测结果。
[0030]基于同一专利技术构思，本专利技术还提供一种基于深度学习的短期电价预测系统，所述系统包括：
[0031]数据获取单元，用于获取电价数据、湿度数据、电力负荷数据和用电日期；
[0032]异常数据处理单元，用于对所述电价数据、湿度数据和电力负荷数据进行拉伊达处理，获取去除异常后的数据；
[0033]线性关系获取单元，用于根据所述去除异常后的数据，获取所述去除异常的电价数据、湿度数据和电力负荷数据的线性关系；
[0034]归一化单元，用于将所述去除异常后的数据进行归一化处理；
[0035]小波变换处理单元，用于将所述归一化处理的数据进行小波变换处理；
[0036]LSTM神经网络模型构建单元，用于根据所述小波处理后的数据构建LSTM神经网络模型；
[0037]电价预测单元，用于根据所述LSTM神经网络模型获取电价预测结果；
[0038]短期民用电价预测结果获取单元，用于根据所述去除异常的电价数据、湿度数据和电力负荷数据的线性关系计算电价，并与所述预测结果进行加权平均，获取短期民用电
价预测结果。
[0039]进一步的，还提供一种优选方式，所述异常数据处理单元，包括：
[0040]计算所述电价数据、湿度数据和电力负荷数据的方差和均值；
[0041]将与均值相差三倍的方差的数据判定为异常数据；
[0042]将所述异常数据替换为均值数据，完成拉伊达处理。
[0043]进一步的，还提供一种优选方式，所述归一化单元，具体为：
[0044][0045]其中，d是归一化后的数据，d
i
为归一化前的当前数据，d
min
为所有数据中的最小值，d
max
为所有数据中的最大值。
[0046]基于同一专利技术构思，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质用于储存计算机程序，所述计算机程序执行上述任一项所述的一种基于深度学习的短期电价预测方法。
[0047]基于同一专利技术构思，本专利技术还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据上述中任一项中所述的一种基于深度学习的短期电价预测方法。
[0048]本专利技术的有益之处在于：
[0049]本专利技术解决了现有短期民用电价预测模型具有很强的波动性和随机性，单方面从电价的波动无法准确的预测出价格的问题。
[0050]本专利技术所述的一种基于深度学习的短期电价预测方法，不同于传统的预测方法只考虑电价浮动规律来进行电价预测，本专利技术所述的方法将会对电价产生影响的湿度和电力负载作为影响电价的参考因素，同样利用LSTM神经网络善于找到时间序列数据规律性和趋势性的特点对其进行相同的预测，再根据它们之间存在的线性关系得出相应的电价预测结果。本专利技术利用小波变换对非平稳随机数据进行预处理，消除噪声对预测本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的短期电价预测方法，其特征在于，所述方法包括；获取电价数据、湿度数据、电力负荷数据和用电日期；对所述电价数据、湿度数据和电力负荷数据进行拉伊达处理，获取去除异常后的数据；根据所述去除异常后的数据，获取所述去除异常的电价数据、湿度数据和电力负荷数据的线性关系；将所述去除异常后的数据进行归一化处理；将所述归一化处理的数据进行小波变换处理；根据所述小波处理后的数据构建LSTM神经网络模型；根据所述LSTM神经网络模型获取电价预测结果；根据所述去除异常的电价数据、湿度数据和电力负荷数据的线性关系计算电价，并与所述预测结果进行加权平均，获取短期民用电价预测结果。2.根据权利要求1所述的一种基于深度学习的短期电价预测方法，其特征在于，所述对所述电价数据、湿度数据和电力负荷数据进行拉伊达处理，获取去除异常后的数据，包括：计算所述电价数据、湿度数据和电力负荷数据的方差和均值；将与均值相差三倍的方差的数据判定为异常数据；将所述异常数据替换为均值数据，完成拉伊达处理。3.根据权利要求1所述的一种基于深度学习的短期电价预测方法，其特征在于，所述将所述去除异常后的数据进行归一化处理，具体为：其中，d是归一化后的数据，d
i
为归一化前的当前数据，d
min
为所有数据中的最小值，d
max
为所有数据中的最大值。4.根据权利要求1所述的一种基于深度学习的短期电价预测方法，其特征在于，所述将所述归一化处理的数据进行小波变换处理，具体为：其中，WT(a,τ)为小波变换的结果，a为尺度因子，τ为平移量，f(t)为待分析信号，t为时域信号。5.根据权利要求1所述的一种基于深度学习的短期电价预测方法，其特征在于，根据所述小波处理后的数据构建LSTM神经网络模型，具体为：所述LSTM神经网络模型包括输入层、LSTM隐藏层、全连接层和输出层；所述输入层用于接收归一化后的数据，输出给LSTM隐藏层进行训练和预测；所述隐藏层与输入层连接，用于接收数据，并预测下一时刻的输出数据，所述下一时刻的输出数据至全连接层；所述全连接层与隐藏层连接，用于接收隐藏层输出的数据，并对隐藏层提取的特征进行...
【专利技术属性】
技术研发人员：王琳翰，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。