8、基于二次分解的新型深度学习集成模型用于短期电价预测

基于二次分解的新型深度学习集成模型用于短期电价预测

1. 电价预测模型概述

随着全球电力市场交易模式的不断创新，高精度的电价预测受到了广泛关注。目前，电价预测模型主要分为以下三类：
- 物理模型 ：通过基本物理信息近似模拟电价变化，但需要大量计算成本来建立合适的物理方程。
- 统计模型 ：基于历史电价数据推测市场未来发展趋势，主要用于线性序列预测，对非线性序列预测偏差较大。
- 人工智能模型 ：随着计算机信息技术的快速发展，人工智能算法在时间序列预测领域得到了成功应用，如人工神经网络（ANN）、卷积神经网络（CNN）和循环神经网络（RNN）等，其中RNN能高效学习序列的非线性特征。

此外，混合算法通常比单一算法具有更好的预测性能，常用的时间序列预处理算法包括经验小波变换（EWT）和带自适应噪声的完整集合经验模态分解（CEEMDAN）。在时间序列预测中，参数优化对预测模型的性能影响很大，贝叶斯优化（BO）算法是一种优秀的机器学习模型超参数调优方法。

2. HMD - CNNLSTM - Elman模型介绍

2.1 模型框架

为了获得真实可靠的预测结果，提出了一种基于混合模式分解（HMD）、卷积长短期记忆网络（CNNLSTM）、Elman神经网络和贝叶斯优化（BO）的混合模型用于电价预测。该模型的整体框架包括以下三个步骤：
1. 使用CEEMDAN分解原始电价数据，用样本熵（SE）测量分解后子序列的复杂度，SE值小的稳定子序列由Elman进行预测。
2. 复杂子序列需进一步通