侯丙辛
（广东省能源集团有限公司）
0 引言
电力市场日前电价预测是电力企业安排竞价策略与开发其他产品的重要组成部分，因此预测日前电价至关重要。对于电力企业而言，获取实时电价可以保证供电的稳定性，从而优化供电模型，同时提高电力利用水平，降低电力系统维护费用［1］。但是，受到电力市场需求变化的影响，实时获取的电价可能会出现偏差，影响企业对电力资源做出调整的时间。因此，电力企业会结合历史数据与实际情况对电力市场日前电价进行预测［2］。根据预测结果，企业可以做出一系列的用电策略，来稳定电力市场竞争环境，减少其他企业出现电能垄断、操纵电价的问题。
长短期神经网络又称为LSTM，是Long Short-Term Memory的缩写形式［3］。该网络主要应用在处理数据与预测时间序列方面上，可以在提高预测精准度的同时，缩短预测时间，为相关领域的研究提供基础保障。因此，本文利用长短期神经网络，对电力市场日前电价进行预测［4］。在预测过程中，选取合适的电力市场需求数据，直接处理掉无效数据，以此保证最终预测结果的精准度。通过此项研究，旨在解决电价预测精度不高的问题，为电力市场的发展提供相关建议。
1 电力日前电价预测方法设计
1.1 采集电力市场日前电价数据
在进行电力日前电价预测之前，本文需要采集电力市场日前电价数据，作为电价预测的基础数据。本文采集的电价数据为交易中心公开披露数据，电价数据每隔15min记录一次，每天存在96个时刻的有效电价数据采集值［5］。真实的电价数据存在波动性，电价数据中经常出现异常值，对于电价的预测产生了不利影响。因此，本文在采集到电价数据之后，对电价异常数据存在的随机误差进行预处理，假设采集到的数据是N，预处理公式如下：
式中，δ为经过预处理之后得到的真实电价数据；n为电价异常特征值；Ni为第i个真实电价数据；ˉN为电价数据的均值［6］。电价数据预处理完成，即可保证采集到的电力市场日前电价数据更加真实有效。
1.2 基于长短期神经网络处理电价预测数据
在采集到的有效电价数据基础上，本文利用长短期神经网络对电价预测数据进行处理。长短期记忆神经网络的逻辑处理单元如图1所示。
图1 长短期记忆神经网络的逻辑处理单元
如图1所示，Vs表示输入数据值，Ms表示输入门，Qs表示记忆单元，fs表示输出门，ks表示忘记门，Ls表示输出数据值，V表示输入数据预处理向量，Q表示记忆数据处理向量。输入值Vs在进行数据处理的过程中，向输出门fs、预处理向量V、输入门Ms、忘记门ks等区域输入，将有效数据提取出来，无效数据忘记处理，最终得出的输出数据值Ls，就是最有效的数据［7］。使用长短期神经网络对电价预测数据处理过程中，输入门、忘记门、输出门的处理公式如下：
式中，Ms′表示输入门中待处理的数据；Ks′表示忘记门待处理的数据；fs′表示输出门待处理的数据；ki表示输入门有效数据的权值向量；Ls-1表示输出数据值Ls的前一个输出数据；Vs为输入数据值；bi为电价预测数据处理的相位向量；kf为忘记门中无效数据的权值向量；bf为忘记门中被遗忘的数据相位向量；k0为输出门中有效数据的权值向量；b0为输出门中有效数据的非零向量。电价数据被处理完成之后，即开始对电力市场日前电价进行预测。
1.3 构建电力市场日前电价预测模型
为了实现电力市场日前电价的精准预测，本文在采集电价基础数据、处理电价预测数据等基础上，构建出电价预测模型。在电价预测过程中，本文将长短期神经网络处理后预测数据，从单列数据转换为双列数据［8］。对于S时刻的电价，双列数据中对应的是S时刻与S＋1时刻的电价数据，由此将“无标签”数据转化成为“有标签”数据。在参数设置上，预测模型上存在输入层、忘记层、输出层等三个长短期神经网络逻辑单元，在激活函数下，对输入的电价数据进行精准预测。模型表达式如下：
式中，X表示电价预测模型表达式；ε表示激活函数；S、Y、T分别表示输入层、忘记层、输出层等三个长短期神经网络逻辑单元的最优参数。模型建立完成之后，对模型的损失函数进行分析，公式如下：
式中，g（X）表示损失函数；Xi表示模型第i个时刻的预测值；ˉX为模型预测平均值。根据g（X）所得结果，当g（X）＞1时，模型预测效果不佳；当g（X）≤1时，模型预测效果较为精准。因此，本文主要根据g（X）的结果，来判定预测模型的精准度，从根本上减少了其他步骤计算的时间，在缩短预测时间的同时，提高了预测精准度。
2 实验
为了验证本文设计的基于LSTM神经网络的电力市场日前电价预测方法是否具有实用价值，本文对上述方法进行实验验证。实验结果以传统电力市场日前电价预测方法与本文设计的基于长短期神经网络的电力市场日前电价预测方法进行对比的形式呈现，具体实验过程及实验结果如下所示。
2.1 实验过程
本文将近期电价变化数据作为主要实验对象，一天内6：00、12：00、18：00、24：00时的电价，均存在较为明显的波动，使用本文设计的预测方法之后，预测相对误差情况如图2所示。
图2 预测相对误差
分析图2可知，每天电价存在24个电价数据点，6：00、12：00、18：00、24：00时的电价呈现较大的变化趋势。因此，本文对6：00、12：00、18：00、24：00时刻的预测相对误差进行分析。由图2中可知，用电时刻未发生变化时，预测相对误差在0.30%左右，用电时刻在6：00时，预测相对误差在0.20%左右，用电时刻在12：00时，预测相对误差在0.18%左右，用电时刻在18：00时，预测相对误差在0.15%左右，用电时刻在24：00时，预测相对误差在0.08%左右。因此，使用本文设计的电力市场日前电价预测方法的预测误差较小，可以有效满足日益变化的电价市场需求。
2.2 实验结果
在上述实验条件下，本文选取出1000～8000kWh的用电量，这一段的实际电价各不相同。在其他条件均一致的情况下，将传统电力市场日前电价预测方法的电价预测值，与本文设计的基于长短期神经网络的电力市场日前电价预测方法的电价预测值进行对比，实验结果如下表所示。
表 实验结果
如表所示，电价的变化随着用电量的增加而减少，用电量越多，电价越低。在其他条件均一致的情况下，传统电力市场日前电价预测方法的电价预测值，与真实电价之间存在±0.3厘／kWh的差距，预测效果不佳，亟待进行进一步改进。而本文设计的基于长短期神经网络的电力市场日前电价预测方法的电价预测值，与真实电价之间相差±0.01厘／kWh。其中，用电量为4000kWh与6000kWh时，电价预测值与真实电价相一致。因此，使用本文设计的预测方法，电价预测效果更佳，达到了提升电力市场日前电价预测精准度的最终目标。
3 结束语
近些年来，电能资源在社会发展过程中占据着重要部分，为人们生活与科学发展提供了基础动力。随着国民经济水平的提升，人们对电能资源的要求不断发生变化，电力市场也发生了较大的变化。在使用新能源代替电能资源的大环境下，电价呈现波动变化取值。为了更进一步地为电力用户服务，本文设计了基于长短期神经网络的电力市场日前电价预测方法。从采集电价数据、处理数据、构建预测模型等方面，实现了日前电价的精准预测，为人们的生活提供了经济基础。
