基于IMIFS-VMD和ROA-LSTM的日前电价预测方法

摘要

为了深度挖掘电价序列中所蕴含的特征与信息，进一步提升日前电价的预测准确率，提出一种基于改进互信息特征选取（improve mutual information feature selection,IMIFS）、变分模态分解（variational mode decomposition,VMD）和红鸢优化算法（red kite optimization algorithm,ROA）优化长短记忆网络（long short term memory,LSTM）相结合的混合日前电价预测模型。首先，通过IMIFS对原始多元特征集进行降维,提取出包含维度最小且电价信息丰富的特征集，同时，利用VMD对电价序列进行有效分解，减轻电价序列的波动性；其次,引入ROA对LSTM中阈值与权重进行优化，提升算法的全局搜索与局部寻优能力；最后，通过算例验证IMIFS-VMD和ROA-LSTM日前电价预测模型效果，结果表明所提模型X_RMSE、X_MAE和R²分别为2.532元/（MW h）、1.956元/（MW h）和98.06%，较其他电价预测模型具有较高的预测准确率。

关键词

日前电价预测 / 改进互信息特征选取 / 变分模态分解 / 长短记忆网络 / 红鸢优化算法