• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于WPD和雙重注意力機制TCN的短期電價預測

    2022-07-01 09:19:42魏云冰童東兵
    電工電能新技術(shù) 2022年6期
    關(guān)鍵詞:波包電價注意力

    黃 圓,魏云冰,童東兵,徐 浩

    (上海工程技術(shù)大學電子電氣工程學院,上海 201620)

    1 引言

    電價是對競爭激烈的電力市場運營狀況及交易結(jié)果最直接的反映,因此,精確的短期電價預測有助于電力系統(tǒng)優(yōu)化調(diào)度,幫助市場主體制定合理的競價決策,從而達到利益最大化、成本最小化和風險最低化。

    電價預測主要采用傳統(tǒng)方法和人工智能方法等[1]。傳統(tǒng)方法主要包括自回歸方法[2]、廣義自回歸條件異方差方法[3]和灰色預測方法[4]等。隨著人工智能在各個領(lǐng)域中得到廣泛的應(yīng)用,支持向量機(Support Vector Machine,SVM)[5]、隨機森林[6]、長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)[7-10]等模型在電價預測中表現(xiàn)較為出色。文獻[11]采用改進多層級門控LSTM,雖然解決了梯度爆炸問題,并增強了提取和分析電價序列特征的能力,但LSTM不能進行并行運算,導致預測耗時較長。隨著人工智能的發(fā)展,具有可并行計算結(jié)構(gòu)優(yōu)勢的時間卷積神經(jīng)網(wǎng)絡(luò)(Temporal Convolutional Network,TCN)可以有效解決上述問題。TCN神經(jīng)網(wǎng)絡(luò)已經(jīng)在工業(yè)過程故障預測[12]、風電功率預測[13]等領(lǐng)域取得了較好的表現(xiàn)。

    雖然TCN模型為時間序列預測提供了思路,但在電價預測時存在忽略實際運行中各輸入特征的關(guān)聯(lián)性,并且TCN在處理歷史信息上表現(xiàn)較差,因此,需要對TCN進行優(yōu)化處理。由于注意力機制模型在衡量輸入特征的重要程度上已經(jīng)取得了較好的效果[14],所以在利用TCN模型預測電價時引入特征和時序2個維度注意力機制。首先,在輸入側(cè)引入特征注意力機制TCN(Feature Attention mechanism based TCN,F(xiàn)A-TCN),挖掘電價與其影響因素輸入特征之間的關(guān)聯(lián)性,突出關(guān)鍵輸入特征;其次,在輸出側(cè)引入時序特征注意力機制TCN(Temporal Attention mechanism based TCN,TA-TCN),挖掘不同歷史時刻對待預測時刻的重要性,獲取歷史關(guān)鍵時刻點信息。

    由于電價時間序列的高頻和非平穩(wěn)性,對數(shù)據(jù)進行預處理能夠提高預測精確度[15]。小波包分解(Wavelet Packet Decomposition,WPD)[16]能夠很好地處理帶有高頻信號的數(shù)據(jù),被廣泛應(yīng)用于各種模型的數(shù)據(jù)處理階段。

    本文提出一種基于WPD和雙重注意力機制TCN(Dual-stage Attention mechanism based TCN,DA-TCN)的短期電價預測模型。采用WPD剔除電價數(shù)據(jù)中高頻噪聲部分;再將經(jīng)過WPD處理過后的電價數(shù)據(jù)與其影響因素數(shù)據(jù)輸入TCN網(wǎng)絡(luò)進行預測,引入雙重注意力機制突出關(guān)鍵輸入特征及歷史關(guān)鍵時刻信息的影響力;最后,進行實例仿真實驗,結(jié)果表明本文方法在電價預測中精度更高、穩(wěn)定性更好。

    2 小波包分解與重構(gòu)算法原理

    小波包分析相較于小波分析進步之處在于其可以對全頻進行分解,并且分解結(jié)果更為精細。

    尺度函數(shù)φ(t)和小波函數(shù)ψ(t)兩者的關(guān)系可表示為:

    (1)

    進一步遞推,定義下列公式:

    (2)

    (3)

    小波包分解的實質(zhì)是隨機利用共軛正交濾波器將信號分割到不同頻段上,每經(jīng)過一次濾波,信號長度就減少1/2。

    (4)

    而在對復雜的非線性電價序列進行小波包分解重構(gòu)時,應(yīng)先確定適合的小波基函數(shù)和分解層數(shù),以實現(xiàn)對電價序列的去噪處理。

    3層小波包分解示意圖如圖1所示。圖1中原始電價序列S分解為S(1,0)和S(1,1),S(1,0)繼續(xù)分解為S(2,0)和S(2,1),以此類推,逐層分解,則經(jīng)過M層小波包分解后的電價序列可表示為:

    圖1 3層小波包分解圖Fig.1 3-layer wavelet packet decomposition diagram

    S=S(M,0)+S(M,1)+…+S(M,2M-2)+S(M,2M-1)

    (5)

    式中,S(M,0),S(M,1),…,S(M,2M-2),S(M,2M-1)分別為信號經(jīng)過M層小波包分解后的子頻帶電價序列。

    本文進行小波包分解重構(gòu)短期電價序列的步驟為:①確定最優(yōu)小波基;②選用合適的分解層數(shù),確定分解層數(shù);③設(shè)定適用電價序列分解的小波包分解系數(shù)的閾值;④根據(jù)電價序列的分解特征信息和系數(shù)進行小波包分解重構(gòu)。

    3 基于DA-TCN的預測模型

    3.1 TCN網(wǎng)絡(luò)

    TCN網(wǎng)絡(luò)融合了一維卷積網(wǎng)絡(luò)、擴張卷積和因果卷積,在時間序列預測問題上擁有很好的表現(xiàn)。TCN中的卷積網(wǎng)絡(luò)具有可并行計算的特性,能夠有效解決耗時過長的問題。

    TCN網(wǎng)絡(luò)應(yīng)用于短期電價預測的任務(wù)中,主要具有以下特點:①為滿足短期電價預測的要求,TCN網(wǎng)絡(luò)具有時間因果性,即當前模型輸出只與過去相關(guān)而與未來無關(guān);②適用于短期電價的TCN網(wǎng)絡(luò)的輸出序列長度可任意調(diào)整;③多層TCN網(wǎng)絡(luò)雖深度淺但記憶距離長。

    TCN因果擴張卷積結(jié)構(gòu)如圖2所示。TCN的擴張卷積結(jié)構(gòu)最特殊之處在于其具體形式由卷積核和擴張系數(shù)決定。卷積核和擴張系數(shù)分別從網(wǎng)絡(luò)上層輸入元素的個數(shù)和距離兩個角度改變TCN網(wǎng)絡(luò)的形式。圖2中,設(shè)網(wǎng)絡(luò)輸入為x=[x1,x2,…,xk],輸出為y=[y1,y2,…,yk],擴張系數(shù)p隨著網(wǎng)絡(luò)深度呈指數(shù)性增大,即p=2r,r為網(wǎng)絡(luò)層數(shù),且擴張系數(shù)越大,信息提取范圍就越大。因此,TCN卷積通過搭建相對較少的層,就能獲得相對較大的感受野。

    圖2 TCN因果擴張卷積結(jié)構(gòu)Fig.2 Causal dilated convolutional structure of TCN

    TCN網(wǎng)絡(luò)神經(jīng)元的感受野,即網(wǎng)絡(luò)記憶長度,由卷積核大小、擴張系數(shù)和卷積層數(shù)決定,則擴張卷積運算后的第s個運算值為:

    (6)

    式中,x為輸入序列;“*”為卷積運算;u為卷積核大?。籪(i)為卷積核中的第i個元素[17];xs-p·i為輸入序列中與卷積核相對應(yīng)運算的元素。

    為滿足電價預測中的時間因果關(guān)系,對每層卷積層進行零填充,以保證輸出張量與輸入張量具有相同的長度。為使TCN的擴張卷積更符合電價預測要求,在網(wǎng)絡(luò)每層引入填充系數(shù)來保證因果卷積。填充系數(shù)可描述為:

    qr=(r-1)p

    (7)

    式中,qr為填充系數(shù)。

    TCN殘差模塊包含基礎(chǔ)的TCN因果擴張卷積層、權(quán)值規(guī)范化層(Weight Norm)、激活函數(shù)Relu和Dropout層,N個殘差模塊結(jié)構(gòu)如圖3所示。

    圖3 殘差塊結(jié)構(gòu)Fig.3 Structure of residual block

    權(quán)值規(guī)范化可以消除梯度爆炸問題,并且能有效加快計算速度;為使TCN網(wǎng)絡(luò)具有非線性且不過于簡單,采用Relu激活函數(shù),在Relu激活層后加入Dropout層來防止過擬合,以此達到正則化效果。通過1×1的卷積調(diào)整殘差張量維度不同的問題。

    3.2 注意力機制

    注意力機制源于對人腦如何分配注意力的模擬,與神經(jīng)網(wǎng)絡(luò)結(jié)合的具體表現(xiàn)為改變隱含層的特征權(quán)重[18]。注意力機制對影響結(jié)果較大的關(guān)鍵特征賦予更多的權(quán)重,減少甚至忽略其他影響較小的非關(guān)鍵特征的權(quán)重,以此提高模型的合理性與穩(wěn)定性。

    3.2.1 FA-TCN預測模型

    將輸入的負荷、發(fā)電量、溫度、濕度和日類型的時序序列數(shù)據(jù)設(shè)為X=[x1x2…xK]T=[x1x2…x5],展開可表示為:

    (8)

    為獲取不同因素對電價的影響程度,即權(quán)重大小,采用特征注意力機制來量化權(quán)重,其結(jié)構(gòu)如圖4所示。

    圖4 特征注意力機制Fig.4 Feature attention mechanism

    特征注意力機制的輸入由時間序列特征值、前一時刻神經(jīng)網(wǎng)絡(luò)隱含層的狀態(tài)值hk-1和當前時刻輸入特征xn組成。特征注意力機制的計算公式可表示為:

    (9)

    對其進行歸一化處理,計算公式如下:

    (10)

    (11)

    隱含層狀態(tài)值hk則更新為:

    hk=f1(hk-1,Xk)

    (12)

    式中,f1為TCN網(wǎng)絡(luò)單元,輸入為考慮關(guān)聯(lián)度大小的加權(quán)特征值。

    特征注意力機制在短期電價預測中表現(xiàn)為通過多層感知機分析出不同輸入?yún)⒘繉︻A測信息的重要程度,量化電價影響因素(負荷、發(fā)電量、溫度、濕度和日類型)輸入特征影響力的權(quán)重,突出關(guān)鍵特征,弱化相關(guān)度較小的特征。

    3.2.2 TA-TCN預測模型

    經(jīng)過TCN網(wǎng)絡(luò)得到的電價預測值隨著時間序列的增加,其預測結(jié)果會越發(fā)不準確,因此在TCN網(wǎng)絡(luò)輸出側(cè)加入時序注意力機制,挖掘與電價相關(guān)的歷史時間序列狀態(tài)信息,獲取相應(yīng)的權(quán)重以及對當前時刻電價數(shù)據(jù)的影響程度,其結(jié)構(gòu)如圖5所示。

    圖5 時序注意力機制Fig.5 Temporal attention mechanism

    (13)

    式中,Vd和Wd為時序注意力機制神經(jīng)元權(quán)重;Ud為偏置項。

    (14)

    (15)

    將電價數(shù)據(jù)yk與ck結(jié)合作為TCN網(wǎng)絡(luò)的預測輸入y′k,即:

    y′k=W′[yk;ck]+b′

    (16)

    式中,W′和b′分別為TCN網(wǎng)絡(luò)前端融合輸入的權(quán)重和偏置。

    時序注意力機制計算了歷史關(guān)鍵時刻信息的權(quán)重,得到k時刻隱含層狀態(tài)值h′k:

    h′k=f1(h′k-1,y′k-1)

    (17)

    則預測結(jié)果,即K+1時刻電價數(shù)據(jù)yK+1可表示為:

    (18)

    式中,Wy和bw分別為TCN網(wǎng)絡(luò)權(quán)重和偏置;Vy和by分別為整個網(wǎng)絡(luò)在維度變換前的權(quán)重和偏置;θ為網(wǎng)絡(luò)參數(shù)的集合,采用梯度下降法求解[19]。

    時序注意力機制在短期電價預測中充分考慮電價情況受歷史狀態(tài)影響比較大且不同時刻的電價情況影響力不同等問題,通過量化每一歷史時刻狀態(tài)信息對當前預測結(jié)果的影響程度,自適應(yīng)處理歷史狀態(tài)信息,強化相關(guān)時刻狀態(tài)信息的影響力。

    4 短期電價預測模型

    電價高頻特性的存在往往使得預測模型表現(xiàn)不佳,預測精度難以提高,因此,需對預測模型的輸入進行數(shù)據(jù)預處理。而小波包分解相較于小波分解適用于電價序列的特點在于其可對電價序列全頻進行分解,并且能夠自適應(yīng)地選擇相應(yīng)頻帶與電價序列頻譜相匹配,能夠很好地解決電價序列存在的高頻噪聲,掌握并保留細節(jié)信息,提高電價序列的時域分辨率,從而降低電價序列噪聲部分對預測模型的干擾,提升預測效果。

    此外,由于電價序列的高波動性,非線性和不規(guī)則性的特點,相較于傳統(tǒng)模型在掌握特征和處理電價序列的不規(guī)則性方面表現(xiàn)較差,而深度學習對復雜問題具有普遍的適應(yīng)性,并具有突出捕捉特征的能力。TCN網(wǎng)絡(luò)在時間預測問題中擁有很好的效果,能夠有效地解決梯度消失或者梯度爆炸問題,并且具有并行計算、低內(nèi)存消耗和通過改變感受野來控制序列記憶長短等優(yōu)勢,更適用于電價預測。但TCN網(wǎng)絡(luò)在實際應(yīng)用中往往會忽略各輸入特征的關(guān)聯(lián)性且在處理歷史信息上表現(xiàn)較差,而在實際生活中電價會隨著電力生產(chǎn)量、電力消費量等要素的變化而變化,且電價受歷史價格影響較大,忽略歷史電價信息將導致預測精度不佳。因此,為解決TCN網(wǎng)絡(luò)的缺陷并探索電價的變化規(guī)律,在TCN網(wǎng)絡(luò)基礎(chǔ)上引入雙重注意力機制,自適應(yīng)挖掘并量化電價相關(guān)影響因素,以及歷史電價狀態(tài)信息與電價的內(nèi)在聯(lián)系,突出關(guān)鍵影響因素和關(guān)鍵歷史時刻電價信息的影響力,從而提高TCN網(wǎng)絡(luò)預測的精確度。

    基于上述分析,本文提出一種基于小波包分解和雙重注意力機制TCN短期電價預測模型,模型具體流程如圖6所示。

    圖6 DA-TCN模型流程Fig.6 Flow chart of DA-TCN model

    預測模型主要分為4個步驟。

    (1)利用WPD方法對電價數(shù)據(jù)進行分解,得到n個低頻和高頻子序列。

    (2)對不同頻率的子序列進行重構(gòu)處理,剔除高頻部分,再將剩余序列重構(gòu)成新的電價序列。以此來減少高頻噪聲和隨機波動數(shù)據(jù)對模型預測精確性影響。

    (3)在新的電價及其影響因素序列進行預測模型之前,應(yīng)先對其進行歸一化處理,將數(shù)據(jù)映射到[-1,1]上,公式為:

    (19)

    式中,x為原始數(shù)據(jù);xmin為x的最小值;xmax為x的最大值;x′為歸一化后的值。

    (4)對歸一化后的電價數(shù)據(jù)構(gòu)建TCN預測模型,引入雙重注意力機制,在輸入側(cè)引入特征注意力機制TCN,挖掘電價與其相關(guān)影響因素特征量之間的關(guān)聯(lián)性;在輸出側(cè)引入時序注意力機制TCN,突出關(guān)鍵歷史時刻點信息。利用梯度下降法求解網(wǎng)絡(luò)模型的參數(shù),建立基于DA-TCN預測模型。最后,再將DA-TCN模型的預測輸出值反歸一化得到預測電價數(shù)據(jù)。

    5 實例分析

    本文選取2018年1月1日~2018年4月2日澳大利亞新南威爾士州電力市場實時數(shù)據(jù)作為數(shù)據(jù)集(數(shù)據(jù)來源:https://www.aemo.com.au)。數(shù)據(jù)采集頻率為每半小時1次。每個時刻數(shù)據(jù)包含電價($/(MW·h))、負荷(MW)、發(fā)電量(MW·h)、溫度(℃)、濕度(%)和日類型(工作日為1,休息日為0)。

    5.1 小波包分解重構(gòu)電價結(jié)果

    在進行WPD分解重構(gòu)之前,應(yīng)先確定小波基函數(shù),選擇合適的小波基函數(shù)能夠使去噪效果更好。目前普遍采用的小波基函數(shù)主要有Haar、Dmey、CoifN、BiorNr.Nd、和SymN等小波基函數(shù)。為確定適合本文電價數(shù)據(jù)的最優(yōu)小波基函數(shù),現(xiàn)采用不同小波基函數(shù)進行小波包分解重構(gòu),計算其信噪比和相關(guān)系數(shù)來評價各小波基函數(shù),評價指標結(jié)果見表1。

    表1 各種小波基函數(shù)的評價指標Tab.1 Evaluation metrics for various wavelet basis functions

    從表1中可以看出:不同小波基函數(shù)處理電價數(shù)據(jù)具有不同的信噪比和相關(guān)系數(shù)。經(jīng)過Sym6小波處理后的電價數(shù)據(jù)信噪比和相關(guān)系數(shù)都為最大,說明去噪效果好且去噪后的數(shù)據(jù)和原始數(shù)據(jù)關(guān)聯(lián)性大。分解層數(shù)影響著去噪效果。分解層數(shù)過少,將導致數(shù)據(jù)中只有少部分的高頻數(shù)據(jù)被分解出來[20],但分解層數(shù)太多也會去噪過度,導致有用信息被去除。因此,本文采用Sym6小波基函數(shù),默認閾值,進行3層小波包分解處理,具體波形如圖7所示。

    圖7 不同頻段下的電價波形Fig.7 Electricity price waveforms at different frequency bands

    圖7中,S(3,7)為小波包分解出得到的最高頻部分,其中包含了大量隨機波動和噪聲部分,這些部分會對預測造成較大的影響,因此將其剔除。將剩余的7個子序列重構(gòu)成新的電價序列,作為新的樣本集與影響電價的相關(guān)數(shù)據(jù)共同輸入到雙重注意力機制的TCN預測模型中進行訓練學習。

    5.2 基于DA-TCN的預測結(jié)果

    為了提高建模的準確度,對實驗數(shù)據(jù)進行劃分,將2018年1月1日~4月1日電價及其影響因素數(shù)據(jù)作為訓練集,4月2日24 h的電價作為測試集,并對電價及其影響因素數(shù)據(jù)進行歸一化處理。實驗中基于TCN網(wǎng)絡(luò)的模型設(shè)置輸入維度均為6,輸出維度為1;卷積核大小為2;batch size設(shè)為32,Dropout取0.2,殘差模塊個數(shù)為6;在注意力機制中,設(shè)置3層隱含層,每層隱含元個數(shù)為5,T設(shè)置為50,在時間注意力機制中,設(shè)置3層隱含層,時序隱含元個數(shù)設(shè)置為50。學習率設(shè)置為0.001,批尺寸設(shè)置為30,epoch設(shè)置為100。所有模型優(yōu)化算法均為Adam,損失函數(shù)均為均方誤差(Mean Squared Error,MSE)。

    評價指標采用均方根誤差(Root Mean Square Error,RMSE)、平均絕對百分比誤差(Mean Absolute Percentage Error,MAPE),計算公式為:

    (20)

    (21)

    式中,N為預測點個數(shù);yk為第k個真實值;y′k為第k個預測值。

    5.3 預測結(jié)果分析

    5.3.1 注意力機制預測結(jié)果分析

    為了對DA-TCN模型性能進行分析,設(shè)經(jīng)過WPD處理后的電價序列及其影響因素數(shù)據(jù)為輸入,將DA-TCN模型預測結(jié)果與TCN模型、FA-TCN模型、TA-TCN模型的預測結(jié)果進行對比。各模型整體預測的評價指標值見表2,各模型24 h預測結(jié)果曲線圖如圖8所示。

    表2 各模型預測誤差對比Tab.2 Comparison of prediction error between different models

    圖8 24 h電價預測曲線Fig.8 24-hour electricity price prediction curve

    由表2可以看出,DA-TCN模型的eMAPE值為1.95 %,相比于TCN、TA-TCN和FA-TCN分別減少了1.02 %、0.73 %和0.80 %,eRMSE值也比其他的模型要小,說明DA-TCN模型具有較好的普適性,能夠很好地適用于一天24 h電價變化規(guī)律,該模型還擁有較強的魯棒性和穩(wěn)定性,更符合實際情況。由圖8可看出,DA-TCN模型在24 h電價預測中表現(xiàn)優(yōu)異,預測電價曲線與實際曲線最為貼合。

    結(jié)合表2和圖8對比分析可知,相比于TCN模型,F(xiàn)A-TCN預測模型關(guān)聯(lián)了各種因素特征量對電價的影響權(quán)重,不但將各影響因素的權(quán)重平均化,而且在各個時刻自動挖掘負荷、發(fā)電量、溫度、濕度及日類型對電價的權(quán)重,并對各影響因素的權(quán)重進行量化修正處理,突出關(guān)鍵影響因素,從而提高了預測精度。對比TCN模型、FA-TCN模型和TA-TCN模型可發(fā)現(xiàn),TCN模型和FA-TCN模型預測的24 h電價曲線與實際曲線都有不同程度的偏差,但TA-TCN通過對提前一天時間序列信號的加權(quán),在整體和關(guān)鍵時刻點預測值都與實際值接近。顯然,由預測結(jié)果及誤差分析得出,雙重注意力機制既挖掘了輸入特征的權(quán)重,又考慮了時間序列數(shù)據(jù)間的依賴關(guān)系,在短期電價預測中取得了較好的表現(xiàn)。

    各模型24 h電價預測相對誤差對比如圖9所示。

    圖9 24 h電價預測相對誤差曲線Fig.9 Relative error curve of 24-hour electricity price forecast

    從圖9中可以看出,DA-TCN模型整體誤差遠低于其他模型,效果最好,沒有引入注意力機制的TCN模型在很多時刻誤差較大,整體誤差曲線的波動也較大,表現(xiàn)最差。在某些關(guān)鍵時刻點,辟如8:00、17:00和20:00等時刻,DA-TCN模型表現(xiàn)最好,TA-TCN模型誤差也很小,F(xiàn)A-TCN模型和TCN模型表現(xiàn)較差,這是由于時序注意機制連接了歷史關(guān)鍵時刻信息,保證了關(guān)鍵時刻預測表現(xiàn),而FA-TCN模型只是突出了關(guān)鍵特征的影響,并不能記憶歷史時刻信息,在短時預測方面稍遜于TA-TCN模型。結(jié)合了兩種注意力機制的DA-TCN模型在整體預測及關(guān)鍵時刻點預測都表現(xiàn)優(yōu)異,誤差曲線也較為平穩(wěn)。

    5.3.2 特征關(guān)聯(lián)性分析

    為驗證特征注意力機制挖掘各特征量的關(guān)聯(lián)性,對訓練完成的模型進行實驗,提取某日24 h的特征分析情況。關(guān)聯(lián)熱力圖如圖10所示。每個小格的顏色深淺代表電價與對應(yīng)特征的關(guān)聯(lián)性大小。顏色越深,表示該特征權(quán)重系數(shù)越大,關(guān)聯(lián)性越強;顏色越淺,表示該特征權(quán)重系數(shù)越小,關(guān)聯(lián)越弱。

    圖10 電價關(guān)聯(lián)特征熱力圖Fig.10 Association heat map of load electricity price

    由圖10可以看出,負荷對應(yīng)的熱力圖顏色最深,與電價的關(guān)聯(lián)性最大,其次是發(fā)電量和日類型,而溫度和濕度對電價的影響相對較弱,但在午間時分,溫度與電價的關(guān)聯(lián)性顯著增大,此時的實際電價也增高,這與電價實際情況一致。顯然,通過特征注意力機制可有效提取各特征量信息。

    5.4 預測性能對比

    為驗證本文方法的有效性,采用SVM、LSTM以及DA-TCN模型進行對比實驗分析,其中SVM采用徑向基函數(shù);LSTM網(wǎng)絡(luò)設(shè)置輸入維度為6,輸出維度為1;隱含層維度和時間步長為10的單層隱含層。分別進行單獨預測模型以及與WPD組合預測模型實驗,其預測結(jié)果見表3。

    表3 各模型預測性能Tab.3 Prediction performance between different models

    由表3可知,相比于LSTM、TCN、DA-TCN模型,WPD+LSTM、WPD+TCN、WPD+DA-TCN模型的預測精度都有一定的提高,不僅說明了WPD方法能夠有效剔除高頻噪聲部分,還證明了數(shù)據(jù)預處理融合組合預測方法的預測性能優(yōu)于單個預測模型。本文所提方法預測的eRMSE為1.52 $/(MW·h),eMAPE為1.95 %,誤差遠小于不考慮注意力機制且未使用WPD處理的TCN模型(eMAPE為3.69 %,eRMSE為3.27 $/(MW·h))。相比于其他6種模型,本文方法無論是預測精度還是模型平穩(wěn)性方面表現(xiàn)最優(yōu),預測結(jié)果與實際電價最為接近。

    6 結(jié)論

    針對電力市場中電價受諸多因素影響以及電價數(shù)據(jù)本身的高頻、非平穩(wěn)性等問題,本文提出了一種基于WPD和雙重注意力機制TCN的短期電價預測模型。首先采用小波包分解重構(gòu)電價序列,很好地減少了噪聲信號對模型預測的干擾。然后在TCN預測模型中引入雙重注意力機制,很好地解決了TCN模型在電價預測時存在忽略實際運行中各輸入特征的關(guān)聯(lián)性,以及在處理歷史信息上表現(xiàn)較差的問題。特征注意力機制挖掘電價與其影響因素的相關(guān)性,優(yōu)化TCN模型的輸入,提高整體預測精度;時序注意力機制挖掘當前時刻電價與歷史關(guān)鍵時刻信息的關(guān)聯(lián)度,優(yōu)化TCN模型的輸出,提高了關(guān)鍵時刻點預測精度。經(jīng)實驗對比驗證,本文所提模型誤差均小于對比模型,預測結(jié)果更接近真實值,在短期電價預測的應(yīng)用中得到了初步驗證,并取得了較好的效果。

    猜你喜歡
    波包電價注意力
    讓注意力“飛”回來
    德國:電價上漲的背后邏輯
    能源(2018年10期)2018-12-08 08:02:40
    基于小波包Tsallis熵和RVM的模擬電路故障診斷
    探索電價改革
    商周刊(2018年16期)2018-08-14 01:51:52
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    可再生能源電價附加的收支平衡分析
    爭議光伏標桿上網(wǎng)電價
    能源(2016年11期)2016-05-17 04:57:24
    基于小波包變換的電力系統(tǒng)諧波分析
    小波包理論與圖像小波包分解
    如何舔出高潮| 久久这里只有精品中国| 有码 亚洲区| 毛片一级片免费看久久久久| 嘟嘟电影网在线观看| 国产激情偷乱视频一区二区| 日韩人妻高清精品专区| 综合色av麻豆| 99久久精品国产国产毛片| 少妇人妻一区二区三区视频| 中文字幕熟女人妻在线| 久久精品久久久久久久性| 亚洲三级黄色毛片| 亚洲第一区二区三区不卡| 一区福利在线观看| 最后的刺客免费高清国语| 干丝袜人妻中文字幕| 国产成人午夜福利电影在线观看| 欧美日本亚洲视频在线播放| 天美传媒精品一区二区| 能在线免费观看的黄片| 少妇的逼水好多| 国产免费一级a男人的天堂| 色吧在线观看| 久久久久九九精品影院| 男女那种视频在线观看| 国产成人精品久久久久久| 久久久久久伊人网av| 国产精品久久久久久av不卡| 尤物成人国产欧美一区二区三区| 亚洲一区二区三区色噜噜| 国产精品国产三级国产av玫瑰| 少妇猛男粗大的猛烈进出视频 | 国产一区二区在线观看日韩| 日韩av在线大香蕉| 亚洲欧美精品综合久久99| 国产精品99久久久久久久久| 男人舔女人下体高潮全视频| 日韩欧美精品免费久久| 免费观看精品视频网站| 国内少妇人妻偷人精品xxx网站| 久久精品影院6| 久久午夜亚洲精品久久| 天堂av国产一区二区熟女人妻| 亚洲中文字幕日韩| 精品久久久久久久久av| 日本撒尿小便嘘嘘汇集6| 久久久欧美国产精品| 日韩av不卡免费在线播放| 亚洲欧洲日产国产| 麻豆精品久久久久久蜜桃| 日韩欧美在线乱码| 18禁黄网站禁片免费观看直播| 一级毛片久久久久久久久女| 蜜桃亚洲精品一区二区三区| 老熟妇乱子伦视频在线观看| 久久久久久久久大av| 能在线免费看毛片的网站| 国产精品永久免费网站| 国产一级毛片七仙女欲春2| 久久精品国产清高在天天线| 国产片特级美女逼逼视频| 91在线精品国自产拍蜜月| 婷婷精品国产亚洲av| 少妇被粗大猛烈的视频| 中国美女看黄片| 国产久久久一区二区三区| 少妇高潮的动态图| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 免费电影在线观看免费观看| 亚洲国产精品成人久久小说 | 高清午夜精品一区二区三区 | kizo精华| 26uuu在线亚洲综合色| 搡老妇女老女人老熟妇| 亚洲国产精品久久男人天堂| 亚洲中文字幕日韩| 国产精品爽爽va在线观看网站| 一级黄片播放器| 日韩成人伦理影院| 国产极品天堂在线| 亚洲欧美日韩卡通动漫| 观看免费一级毛片| 日韩av不卡免费在线播放| or卡值多少钱| 又爽又黄无遮挡网站| 日韩国内少妇激情av| 日本色播在线视频| 国模一区二区三区四区视频| 成人综合一区亚洲| 国产亚洲5aaaaa淫片| 久久综合国产亚洲精品| 高清毛片免费看| 国产精品一区二区在线观看99 | 欧美日韩一区二区视频在线观看视频在线 | 偷拍熟女少妇极品色| 日本黄色片子视频| 亚洲经典国产精华液单| 天堂√8在线中文| 国产片特级美女逼逼视频| 99精品在免费线老司机午夜| 欧美日本亚洲视频在线播放| 欧美成人a在线观看| 国产乱人偷精品视频| 亚洲中文字幕日韩| or卡值多少钱| 99热这里只有精品一区| 免费观看在线日韩| 成人特级av手机在线观看| 最近2019中文字幕mv第一页| 欧美激情久久久久久爽电影| 日韩欧美三级三区| 国产麻豆成人av免费视频| 亚洲性久久影院| 国产不卡一卡二| 最后的刺客免费高清国语| 黄色欧美视频在线观看| 此物有八面人人有两片| 毛片一级片免费看久久久久| 国产日韩欧美在线精品| 亚洲乱码一区二区免费版| 亚洲av第一区精品v没综合| 中文字幕制服av| 一级黄色大片毛片| 国产一区二区亚洲精品在线观看| 99久国产av精品| 国产精品1区2区在线观看.| 色吧在线观看| 久久人人爽人人片av| 不卡视频在线观看欧美| 国产精品久久久久久精品电影| 99久久精品国产国产毛片| 日韩一区二区视频免费看| 国产极品天堂在线| 天天躁日日操中文字幕| 成人欧美大片| 久久精品久久久久久噜噜老黄 | 亚洲人成网站高清观看| 此物有八面人人有两片| 久久午夜福利片| 亚洲人成网站高清观看| 97人妻精品一区二区三区麻豆| 卡戴珊不雅视频在线播放| av黄色大香蕉| 国产极品天堂在线| 久久午夜福利片| 亚洲三级黄色毛片| 看非洲黑人一级黄片| 一边摸一边抽搐一进一小说| 99久久精品一区二区三区| 2021天堂中文幕一二区在线观| 久久6这里有精品| 久久久a久久爽久久v久久| 午夜福利高清视频| 一区二区三区四区激情视频 | 亚洲最大成人av| 国产精品蜜桃在线观看 | 91在线精品国自产拍蜜月| 国产综合懂色| 欧美+亚洲+日韩+国产| 深爱激情五月婷婷| 99热这里只有是精品50| 国产精品福利在线免费观看| 好男人视频免费观看在线| 日韩视频在线欧美| 久久99蜜桃精品久久| av卡一久久| 成人美女网站在线观看视频| eeuss影院久久| 亚洲精品国产av成人精品| 小蜜桃在线观看免费完整版高清| 18禁黄网站禁片免费观看直播| 男人的好看免费观看在线视频| 看片在线看免费视频| av免费观看日本| 99久久精品国产国产毛片| 亚洲成av人片在线播放无| 看非洲黑人一级黄片| 亚洲四区av| 91狼人影院| 亚洲综合色惰| 嘟嘟电影网在线观看| 日本黄色视频三级网站网址| 听说在线观看完整版免费高清| 嘟嘟电影网在线观看| 成人特级黄色片久久久久久久| 久久久精品欧美日韩精品| 欧洲精品卡2卡3卡4卡5卡区| 午夜福利在线在线| 久久九九热精品免费| 在线播放无遮挡| 亚洲综合色惰| 91精品国产九色| 亚洲一区二区三区色噜噜| 欧美日韩乱码在线| 看片在线看免费视频| 在线观看一区二区三区| 久久久久性生活片| 国产午夜福利久久久久久| 国产精品精品国产色婷婷| 国产av一区在线观看免费| 精品人妻一区二区三区麻豆| 亚洲av中文av极速乱| 欧美在线一区亚洲| 午夜视频国产福利| 亚洲一级一片aⅴ在线观看| 夜夜夜夜夜久久久久| 99视频精品全部免费 在线| 一级毛片电影观看 | 中文字幕久久专区| 国产伦精品一区二区三区视频9| 成人av在线播放网站| 日本熟妇午夜| 99在线人妻在线中文字幕| 99热全是精品| 成年女人看的毛片在线观看| 女人十人毛片免费观看3o分钟| 欧美最黄视频在线播放免费| 久久久久久久久大av| 国产精品一二三区在线看| 你懂的网址亚洲精品在线观看 | 99久国产av精品| 国产女主播在线喷水免费视频网站 | 亚洲欧美日韩无卡精品| 1024手机看黄色片| h日本视频在线播放| 日韩强制内射视频| 亚洲三级黄色毛片| 在线免费观看的www视频| a级毛色黄片| 亚洲中文字幕日韩| 亚洲高清免费不卡视频| 国产伦理片在线播放av一区 | 国产久久久一区二区三区| 亚洲av中文av极速乱| 国产成人影院久久av| 免费av观看视频| 丰满人妻一区二区三区视频av| 亚洲电影在线观看av| 在线观看美女被高潮喷水网站| av在线老鸭窝| 男女做爰动态图高潮gif福利片| 国产麻豆成人av免费视频| 人体艺术视频欧美日本| 亚洲aⅴ乱码一区二区在线播放| av专区在线播放| 日韩制服骚丝袜av| 老司机福利观看| 麻豆久久精品国产亚洲av| 卡戴珊不雅视频在线播放| 在线国产一区二区在线| 天堂√8在线中文| 亚洲精品乱码久久久v下载方式| 日韩av不卡免费在线播放| 能在线免费看毛片的网站| 欧美人与善性xxx| 又粗又硬又长又爽又黄的视频 | 国产精品福利在线免费观看| 国产精品嫩草影院av在线观看| 日韩,欧美,国产一区二区三区 | 午夜激情欧美在线| 亚洲成人久久性| 欧美成人a在线观看| 91狼人影院| 有码 亚洲区| 中文在线观看免费www的网站| 黄片无遮挡物在线观看| 久久精品夜色国产| 日韩欧美 国产精品| av卡一久久| 国产成人一区二区在线| 九色成人免费人妻av| 亚洲国产精品国产精品| 色噜噜av男人的天堂激情| 51国产日韩欧美| 高清午夜精品一区二区三区 | 麻豆久久精品国产亚洲av| 亚洲高清免费不卡视频| 亚洲色图av天堂| 青春草亚洲视频在线观看| 亚洲人成网站高清观看| 亚洲欧美成人综合另类久久久 | 亚洲欧美日韩东京热| 久久久久久国产a免费观看| 日韩欧美国产在线观看| 在线观看一区二区三区| 男人狂女人下面高潮的视频| 自拍偷自拍亚洲精品老妇| 亚洲国产精品成人久久小说 | 99热6这里只有精品| 国产精品久久久久久久电影| 99riav亚洲国产免费| 亚洲,欧美,日韩| 久久久久久国产a免费观看| 日本一本二区三区精品| 日韩欧美三级三区| 国产色爽女视频免费观看| 国内揄拍国产精品人妻在线| 亚洲av不卡在线观看| 日日啪夜夜撸| 国产成人aa在线观看| 天堂中文最新版在线下载 | 黄色一级大片看看| av视频在线观看入口| 国产亚洲精品av在线| 色哟哟·www| 国产成人精品一,二区 | 欧美人与善性xxx| 丰满乱子伦码专区| 少妇的逼水好多| 国产国拍精品亚洲av在线观看| 日韩欧美国产在线观看| av免费在线看不卡| 又爽又黄a免费视频| 久久精品国产自在天天线| 99热这里只有是精品在线观看| 国产乱人视频| 少妇人妻精品综合一区二区 | 能在线免费看毛片的网站| 老熟妇乱子伦视频在线观看| 久久韩国三级中文字幕| 成年版毛片免费区| 免费人成视频x8x8入口观看| 网址你懂的国产日韩在线| 我要搜黄色片| 久久久久免费精品人妻一区二区| 偷拍熟女少妇极品色| 在线国产一区二区在线| 听说在线观看完整版免费高清| 免费一级毛片在线播放高清视频| 欧美一区二区国产精品久久精品| 日韩视频在线欧美| 床上黄色一级片| 啦啦啦观看免费观看视频高清| 91麻豆精品激情在线观看国产| 99久久人妻综合| 少妇被粗大猛烈的视频| 蜜桃久久精品国产亚洲av| www日本黄色视频网| 一级av片app| 亚洲自拍偷在线| 99热这里只有是精品在线观看| 波多野结衣高清无吗| 简卡轻食公司| 男人舔奶头视频| 日韩 亚洲 欧美在线| 成人毛片60女人毛片免费| 男人和女人高潮做爰伦理| 高清午夜精品一区二区三区 | 国产精品久久久久久亚洲av鲁大| a级毛色黄片| 亚洲精品日韩在线中文字幕 | 日韩精品有码人妻一区| 色尼玛亚洲综合影院| 亚洲美女视频黄频| 高清在线视频一区二区三区 | 亚洲国产欧美人成| 日韩在线高清观看一区二区三区| 亚洲精品国产成人久久av| 麻豆一二三区av精品| 有码 亚洲区| 欧美成人一区二区免费高清观看| .国产精品久久| 一区二区三区免费毛片| 99视频精品全部免费 在线| 一级毛片我不卡| 欧美区成人在线视频| 18禁裸乳无遮挡免费网站照片| 国产精品1区2区在线观看.| 嫩草影院入口| 亚洲中文字幕日韩| 国产片特级美女逼逼视频| 99久久久亚洲精品蜜臀av| 国产亚洲精品久久久com| 亚洲中文字幕日韩| av女优亚洲男人天堂| 身体一侧抽搐| 国产黄色视频一区二区在线观看 | 舔av片在线| 免费一级毛片在线播放高清视频| 舔av片在线| 成人永久免费在线观看视频| 欧美zozozo另类| 国产毛片a区久久久久| 69av精品久久久久久| 国产精品国产高清国产av| 成人午夜高清在线视频| 国产白丝娇喘喷水9色精品| 丝袜美腿在线中文| 欧美最新免费一区二区三区| 国产亚洲av嫩草精品影院| 欧美日韩一区二区视频在线观看视频在线 | 最近最新中文字幕大全电影3| 亚洲一级一片aⅴ在线观看| 国产在线精品亚洲第一网站| АⅤ资源中文在线天堂| 人人妻人人看人人澡| 中国国产av一级| 中国美白少妇内射xxxbb| 亚洲av一区综合| 看免费成人av毛片| 欧美成人一区二区免费高清观看| 不卡一级毛片| 秋霞在线观看毛片| 男人舔奶头视频| 99在线视频只有这里精品首页| 麻豆久久精品国产亚洲av| videossex国产| 成年版毛片免费区| 夜夜爽天天搞| av.在线天堂| 给我免费播放毛片高清在线观看| 99久久久亚洲精品蜜臀av| 最近的中文字幕免费完整| 久久久午夜欧美精品| 女人被狂操c到高潮| 看非洲黑人一级黄片| 日本在线视频免费播放| 久久久久久久久久黄片| 国产激情偷乱视频一区二区| 超碰av人人做人人爽久久| 日本熟妇午夜| 性色avwww在线观看| av.在线天堂| 成人性生交大片免费视频hd| 日本五十路高清| 国产一级毛片在线| 菩萨蛮人人尽说江南好唐韦庄 | 久久亚洲国产成人精品v| 日韩成人av中文字幕在线观看| 久久鲁丝午夜福利片| 日韩av在线大香蕉| 国产午夜福利久久久久久| 熟女人妻精品中文字幕| 亚洲国产精品sss在线观看| 成人亚洲精品av一区二区| 久久久久久伊人网av| 亚洲欧美日韩高清在线视频| a级毛片免费高清观看在线播放| 日韩在线高清观看一区二区三区| 欧美zozozo另类| 人体艺术视频欧美日本| 亚洲成人久久爱视频| av在线观看视频网站免费| 女的被弄到高潮叫床怎么办| 99久久中文字幕三级久久日本| 欧美最黄视频在线播放免费| 久久综合国产亚洲精品| .国产精品久久| 一本一本综合久久| 欧美日本亚洲视频在线播放| 亚洲图色成人| 少妇的逼好多水| 久久久久免费精品人妻一区二区| 中国国产av一级| 国产激情偷乱视频一区二区| 大型黄色视频在线免费观看| 麻豆精品久久久久久蜜桃| 少妇被粗大猛烈的视频| 国产v大片淫在线免费观看| 又粗又爽又猛毛片免费看| 精品无人区乱码1区二区| 欧美日本亚洲视频在线播放| 少妇熟女欧美另类| 波多野结衣高清无吗| 嘟嘟电影网在线观看| 国产成人91sexporn| 啦啦啦观看免费观看视频高清| 国产一区二区三区在线臀色熟女| 国产毛片a区久久久久| 国产亚洲av嫩草精品影院| 亚洲精品乱码久久久久久按摩| 中出人妻视频一区二区| 亚洲一级一片aⅴ在线观看| 国产激情偷乱视频一区二区| 一区二区三区四区激情视频 | 麻豆精品久久久久久蜜桃| 看非洲黑人一级黄片| 国产高清三级在线| 黄色视频,在线免费观看| 三级经典国产精品| 国产精品久久久久久精品电影小说 | 少妇丰满av| 亚洲人成网站高清观看| 国产精品女同一区二区软件| 人人妻人人澡人人爽人人夜夜 | 国国产精品蜜臀av免费| 伊人久久精品亚洲午夜| 男插女下体视频免费在线播放| 亚洲精品亚洲一区二区| 午夜精品国产一区二区电影 | 高清在线视频一区二区三区 | 久久韩国三级中文字幕| 国产高潮美女av| 一级av片app| 99久久中文字幕三级久久日本| 小蜜桃在线观看免费完整版高清| 少妇猛男粗大的猛烈进出视频 | 欧美成人免费av一区二区三区| 国产蜜桃级精品一区二区三区| 国产欧美日韩精品一区二区| а√天堂www在线а√下载| 久久久久久久久久久免费av| 能在线免费观看的黄片| 男人舔女人下体高潮全视频| 成人一区二区视频在线观看| av在线播放精品| 午夜福利在线观看免费完整高清在 | 亚洲国产高清在线一区二区三| 亚洲人与动物交配视频| 亚洲欧美成人综合另类久久久 | 日韩精品青青久久久久久| 国产91av在线免费观看| 久久精品影院6| 日本熟妇午夜| 精品一区二区三区视频在线| 日韩中字成人| 欧美一级a爱片免费观看看| 青春草亚洲视频在线观看| 成人亚洲欧美一区二区av| 51国产日韩欧美| 久久这里只有精品中国| 波多野结衣巨乳人妻| 国产精品久久久久久av不卡| 日韩一本色道免费dvd| 欧美另类亚洲清纯唯美| 成年女人永久免费观看视频| 国产精品国产高清国产av| av女优亚洲男人天堂| 3wmmmm亚洲av在线观看| 成人欧美大片| 欧美成人a在线观看| 久久精品人妻少妇| 内地一区二区视频在线| 成人特级av手机在线观看| 国语自产精品视频在线第100页| 国产真实乱freesex| 18禁黄网站禁片免费观看直播| 国内精品久久久久精免费| 日本免费a在线| 欧美日韩一区二区视频在线观看视频在线 | 日日摸夜夜添夜夜添av毛片| 欧美激情在线99| 国内少妇人妻偷人精品xxx网站| 午夜精品国产一区二区电影 | 69av精品久久久久久| 成人毛片a级毛片在线播放| 校园春色视频在线观看| 国国产精品蜜臀av免费| av福利片在线观看| 国产日本99.免费观看| 美女国产视频在线观看| 色5月婷婷丁香| 18禁裸乳无遮挡免费网站照片| 自拍偷自拍亚洲精品老妇| 真实男女啪啪啪动态图| 亚洲av第一区精品v没综合| 悠悠久久av| 成年av动漫网址| 久久久精品94久久精品| 美女脱内裤让男人舔精品视频 | 国产爱豆传媒在线观看| 欧洲精品卡2卡3卡4卡5卡区| 中文字幕熟女人妻在线| 日本黄色视频三级网站网址| 蜜桃亚洲精品一区二区三区| 床上黄色一级片| 人人妻人人澡人人爽人人夜夜 | 观看美女的网站| 亚洲中文字幕一区二区三区有码在线看| 久久久国产成人精品二区| 又粗又硬又长又爽又黄的视频 | 在线观看美女被高潮喷水网站| 不卡一级毛片| 精品99又大又爽又粗少妇毛片| 成人特级av手机在线观看| 国产老妇女一区| 欧美3d第一页| 床上黄色一级片| av福利片在线观看| 亚洲一区高清亚洲精品| АⅤ资源中文在线天堂| 人人妻人人澡人人爽人人夜夜 | 嫩草影院新地址| 两个人的视频大全免费| 别揉我奶头 嗯啊视频| 狂野欧美激情性xxxx在线观看| 夜夜看夜夜爽夜夜摸| 国产精品蜜桃在线观看 | 成人美女网站在线观看视频| 丝袜美腿在线中文| 国产精品综合久久久久久久免费| 啦啦啦啦在线视频资源| 变态另类丝袜制服| 三级经典国产精品| 夜夜夜夜夜久久久久| 天堂√8在线中文| av天堂中文字幕网| 男人狂女人下面高潮的视频| 成年女人永久免费观看视频| 九九在线视频观看精品| 女人被狂操c到高潮| 国产精品三级大全| 全区人妻精品视频| 中文字幕免费在线视频6| 亚洲精品国产成人久久av| 国产午夜福利久久久久久| 成年av动漫网址| 美女xxoo啪啪120秒动态图| 日韩欧美 国产精品| 日韩欧美国产在线观看| 日日干狠狠操夜夜爽| 日韩精品青青久久久久久| 国产成人精品一,二区 | 国产高潮美女av|