基于DPSO-LSTM的电力价格预测模型及技术研究

准确的电力价格预测对电力市场参与主体的利益最大化、电力资源的充分利用具有重要作用。但电力价格数据高频性、高波动性的特点为电力价格预测带来了极大挑战。为提高电力价格预测精度,文章针对电力价格预测任务中的输入特征结构选择问题,提出了基于离散型粒子群优化算法的长短时记忆神经网络预测模型,通过整合长短时记忆神经网络的输入特征结构优化过程提高预测模型能力。结合澳大利亚新南威尔士州2019年电力价格数据,将所提模型与传统长短时记忆神经网络、循环神经网络、多层感知机进行对比,结果表明该方法能够自适应地进行输入选择,较稳定地输出更高精度的预测结果。