改进的综合指数平滑基于CNN-LSTM算法,预测未来一天的电价

科学领域:

• 能源经济学 能源经济学
• 人工智能的人工智能
• 时间序列分析时间序列分析

背景情况:

• 电力市场的放松管制刺激了短期交易的增长,需要准确的前一天价格预测,以便发电厂和消费者有效投标.
• 由于消费者竞标模式的动态,电价在很大程度上波动,这凸显了对强大的预测模型的需求.

研究的目的:

• 提出和评估一种修改后的指数式平滑-CNN-LSTM (卷积神经网络长期短期记忆) 方法,用于改进前一天电价预测.
• 通过印度能源交易所 (IEX) 的现实数据评估拟议的预测模型的性能.

主要方法:

• 该研究整合了指数式光滑来捕捉趋势和季节性,并与CNN-LSTM集成,用于模拟时间序列数据中的复杂空间和时间依赖性.
• 一种混合指数光滑-CNN-LSTM模型被开发和测试在前一天的电力市场数据上.

主要成果:

• 拟议的指数式光滑-CNN-LSTM模型实现了优异的预测性能,其平均绝对误差 (MAE) 为0.11,根平均平方误差 (RMSE) 为0.17,平均绝对百分比误差 (MAPE) 为1.53%.
• 混合模型与单个指数式光滑,LSTM和CNN-LSTM技术相比,显示出更高的准确性.

结论:

• 开发的指数式平滑-CNN-LSTM方法为短期市场参与者在前一天电价预测方面取得了重大进展.
• 该模型的有效性表明,它可能适用于金融,零售,医疗保健和制造业等各个行业的时间序列预测挑战.