【技术实现步骤摘要】
本专利技术涉及电价预测，尤其涉及一种基于小波包分解的tcn-lstm组合电价预测方法。
技术介绍
1、在现代社会中，电力作为一种不可或缺的重要能源，其价格对社会经济发展有着深远的影响。随着能源技术的发展，尤其是大量可再生能源的加入，电力市场和电网安全面临着更多的波动和挑战。因此，对现货市场电价进行准确预测对市场参与者来说至关重要，不仅有助于他们制定交易策略和风险管理，还能够维持电力市场的稳定运行。
2、在此背景下，机器学习算法凭借其处理非线性序列的强大计算能力受到了广泛关注。经典的时间序列预测模型包括bp神经网络和卷积神经网络等。时间卷积神经网络(tcn)是基于卷积神经网络(cnn)的一种深度学习网络，它通过添加扩张因果卷积和残差链接等元素，具有强大的特征提取能力，有效处理时间序列数据。另一方面，长短期记忆神经网络(lstm)是基于循环神经网络(rnn)的改进模型，能够解决长时间序列训练中的梯度爆炸、梯度消失问题，以及长时间保存历史数据的问题。然而，传统的单一模型在处理电价预测时存在局限性，如cnn在池化过程中可能忽略整体与局部之间的关联性，而lstm处理长时间序列时则需处理巨大的计算量。
3、此外，电价预测中所需处理的数据规模庞大，时间序列中的噪声项可产生干扰，严重影响模型的预测效果。因此，预测前对数据进行处理至关重要。传统的序列信号去噪方法，如完全集成经验模态分解自适应噪声(ceemdan)、小波变换和经验模态分解等，可能会忽略局部信息的特征，或在处理时产生边界效应和模态混叠问题，从而影响预测结果。最
4、因此，为了提高预测模型的准确性，本专利技术提出了一种基于小波包分解的tcn-lstm组合电价预测模型。
技术实现思路
1、基于上述目的，本专利技术提供了一种基于小波包分解的tcn-lstm组合电价预测方法。
2、一种基于小波包分解的tcn-lstm组合电价预测方法，包括以下步骤：
3、s1：采集并预处理现货市场历史价格，形成原始时间序列数据集；
4、s2：基于s1预处理的数据集，采用小波包分解算法对时间序列数据集进行去噪处理；
5、s3：对时间序列数据的相关性进行分析；
6、s4：基于s2、s3所处理的时间序列数据，建立基于小波包分解的tcn-lstm组合预测模型；
7、s5：计算tcn-lstm组合预测模型的预测值与实际真实值之间的差异。
8、进一步的，所述s1中的预处理包括：
9、s11：数据清洗及划分，使用均值填充法进行检查补充，计算缺失值之前一段时间序列的平均值或中位数，用其替代缺失值，将数据集按照19:1的比例划分为训练集和测试集，其中，训练集用于模型的学习训练过程，测试集用于评估模型的性能；
10、s12：归一化数据，基于线性转换归一化对数据集进行归一化处理，将特征数据映射至[0,1]区间内，线性转换归一化处理计算为：
11、
12、其中，x为原始数据,x'为归一化数据，min表示原始数据的最小值，max表示原始数据的最大值；
13、反归一化处理计算为：
14、x”＝y'(max-min)+min
15、其中，y'为归一化的价格预测值,x”为反归一化后的实际价格预测值。
16、进一步的，所述s2中的小波包分解算法去噪处理具体包括：
17、s21：通过节点系数分解对信号进行全频分解，提取利用信号中所包含的信息；
18、s22：根据正交小波包基对应的小波包系数进行分解；
19、s23：对分解后得到的小波包信号进行阈值降噪；
20、s24：对处理后的小波包系数采用小波包重构算法得到重构信号。
21、进一步的，所述s21中的节点系数分解表示为：
22、
23、式中，和为第j层节点的分解系数；为小波包分解中第j-1层内节点j-1,n的分解系数；j为小波尺度参数，取值范围为(1，i)，l和p为平移参数；n为频率参数，表明相应节点所在的频率区间，取值范围为(0,2j-1)；hp-2l和gp-2l分别代表低通滤波器组和高通滤波器组。
24、进一步的，所述s22中使用一组正交小波系为基底进行小波变换，其中，正交小波系中的小波函数表示为：
25、
26、
27、
28、式中，n表示小波的阶数，为二项式系数。
29、进一步的，所述s23中采用db4小波函数对时间序列数据进行分解，使用硬阈值消噪方法，其消噪过程表示为：
30、其中，阈值j＝log2n，wj,k为分解后的小波系数，为降噪后的小波系数。
31、进一步的，所述s24中小波包重构算法包括将获得分解降噪后的时间序列的各频段信息进行重构，获得降噪后的时间序列，具体重构算法为：
32、
33、其中,为重构系数；hl-2p和gl-2p分别为低通滤波器组和高通滤波器组。
34、进一步的，所述s3中的对时间序列数据的相关性进行分析包括：
35、基于pearson相关系数法对各时间序列进行相关性分析，具体计算为：
36、
37、其中，r为相关系数，为序列s的平均值，为序列k的平均值，n表示数据样本的大小，当|r|的值越大，序列的相关性越强，反之则相关性越弱。
38、进一步的，所述s4中的tcn-lstm组合预测模型包括tcn预测模型以及lstm预测模型，其中，
39、s41：tcn预测模型具体包括：
40、s411：因果扩张卷积，通过对时间序列进行间隔采样增加模型的感受野，获取序列的长期依赖关系，感受野与卷积核及扩展系数关系表达为：
41、
42、其中,k为卷积核的大小；d为扩展系数,表明卷积窗口的大小；b为扩展基数；
43、当扩展因子d＝1时,输入的每个时间点均进行采样计算,当d＝2时则每两个输入时间点采样一个作为输入，在t时刻,扩展卷积运算为：
44、
45、其中,x为序列x中的元素；f表示滤波器；xt-di表示仅对该时刻之前的输入信息进行卷积计算；
46、s412：残差链接，利用残差卷积将下层提取的特征输入到高层以跨层输入数据，残差链接过程表示为：
47、y＝(x+f(x))
48、其中，y为tcn模型中的输出结果，x为模型的输入，f(x)为残差模块的输出；
49、激活函数为：
50、s42：lstm预测模型具体包括：
51、s421：决定丢本文档来自技高网...
【技术保护点】
1.一种基于小波包分解的TCN-LSTM组合电价预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于小波包分解的TCN-LSTM组合电价预测方法，其特征在于，所述S1中的预处理包括：
3.根据权利要求2所述的一种基于小波包分解的TCN-LSTM组合电价预测方法，其特征在于，所述S2中的小波包分解算法去噪处理具体包括：
4.根据权利要求3所述的一种基于小波包分解的TCN-LSTM组合电价预测方法，其特征在于，所述S21中的节点系数分解表示为：
5.根据权利要求3所述的一种基于小波包分解的TCN-LSTM组合电价预测方法，其特征在于，所述S22中使用一组正交小波系为基底进行小波变换，其中，正交小波系中的小波函数表示为：
6.根据权利要求3所述的一种基于小波包分解的TCN-LSTM组合电价预测方法，其特征在于，所述S23中采用db4小波函数对时间序列数据进行分解，使用硬阈值消噪方法，其消噪过程表示为：
7.根据权利要求3所述的一种基于小波包分解的TCN-LSTM组合电价预测方法，其特征在于，所述S
8.根据权利要求3所述的一种基于小波包分解的TCN-LSTM组合电价预测方法，其特征在于，所述S3中的对时间序列数据的相关性进行分析包括：
9.根据权利要求8所述的一种基于小波包分解的TCN-LSTM组合电价预测方法，其特征在于，所述S4中的TCN-LSTM组合预测模型包括TCN预测模型以及LSTM预测模型，其中，
10.根据权利要求9所述的一种基于小波包分解的TCN-LSTM组合电价预测方法，其特征在于，所述S5中的计算TCN-LSTM组合预测模型的预测值与实际真实值之间的差异具体如下：
...【技术特征摘要】
1.一种基于小波包分解的tcn-lstm组合电价预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于小波包分解的tcn-lstm组合电价预测方法，其特征在于，所述s1中的预处理包括：
3.根据权利要求2所述的一种基于小波包分解的tcn-lstm组合电价预测方法，其特征在于，所述s2中的小波包分解算法去噪处理具体包括：
4.根据权利要求3所述的一种基于小波包分解的tcn-lstm组合电价预测方法，其特征在于，所述s21中的节点系数分解表示为：
5.根据权利要求3所述的一种基于小波包分解的tcn-lstm组合电价预测方法，其特征在于，所述s22中使用一组正交小波系为基底进行小波变换，其中，正交小波系中的小波函数表示为：
6.根据权利要求3所述的一种基于小波包分解的tcn-lstm组合电价预测方法，其特征在于，所述s23中采用db4小波...
【专利技术属性】
技术研发人员：加鹤萍，郭宇辰，张晓斌，刘敦楠，杨争林，郑亚先，冯树海，曾丹，姚巽，
申请(专利权)人：华北电力大学，
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。