基于注意力机制的CNN-LSTM短期电价预测

吉兴全，曾若梅，张玉敏，宋 峰，孙鹏凯，赵国航

基于注意力机制的CNN-LSTM短期电价预测

吉兴全1，曾若梅1，张玉敏1，宋 峰2，孙鹏凯1，赵国航1

(1.山东科技大学电气与自动化工程学院，山东 青岛 266590；2.国家电网山东电力公司烟台供电公司，山东 烟台 264000)

短期电价预测结果的准确性对存在多元化竞争格局的电力市场具有重要意义。为提高在电价跳跃点和尖峰点的预测精度及预测效率，针对多因素融合影响的电价序列与其影响因素间隐含的非线性关系，提出了一种基于ATT-CNN-LSTM的短期电价预测方法。首先，采用灰色关联度分析法分析负荷因素与电价之间的关联程度，筛选出关联度较高的数据作为最优模型输入。其次，通过注意力机制(Attention, ATT)自适应分配输入数据的权重，以权重大小区分强弱特征数据。再利用卷积神经网络(Convolution Neural Networks, CNN)对数据集进行二次特征提取及降维处理，优化输入长短期记忆神经网络(Long Short-Term Memory, LSTM)中的数据，从而提升LSTM网络的预测精度与训练速度。对澳大利亚电力市场的实测数据进行算例分析，通过与其他主流算法对比，验证了所提方法具有更高的预测精度和计算效率。

注意力机制；卷积神经网络；长短期记忆神经网络；电价预测；灰色关联度分析

0 引言

我国目前已初步形成了电力市场主体的多元化竞争格局，开放了竞争性环节电力价格。电价是电力市场的核心，掌握短期电价的变化趋势可以提高售电主体的收益，用户可以提前做好生产计划以降低成本，因此短期电价预测成为电力市场的焦点。

目前对短期电价的预测方法可分为两类，第一类为时间序列法[1]，即利用电价时间序列的相关性，通过已有样本建立电价时间序列模型，从而进行样本外电价预测的方法[2]。较为经典的时间序列模型有累积式自回归滑动平均(Auto Regressive Integrated Moving Average, ARIMA)模型[3]和广义自回归条件异方差(Generalized Auto Regressive Conditional Heteroskedastic, GARCH)模型[4]等。时间序列法具有建模简单与易于实施的特点[5]。文献[6]在ARIMA电价预测模型的基础上，同时对电价预测模型的误差进行预测，并用预测的误差修正电价提高整体预测精度，但该方法需要不断增加模型的阶数以达到精度要求。文献[7]提出一种基于小波变换和非参数GARCH模型的时间序列电价预测方法，用小波变换将原始数据分解重构后用ARIMA建模预测，再利用非参数GARCH模型对预测残差的随机波动率建模以修正预测电价。但此类方法只适用于电价波动小的简单电力市场，并且无法处理非线性和多变量关系。第二类为神经网络法，常用的有BP神经网络[8]、极限学习机[9]、支持向量机[10]及随机森林[11]等，处理多变量问题是神经网络法的优势，其不仅可以找出电价序列与电价影响因素的隐式映射关系，还能降低预测时间，提高预测精度。然而传统单一神经网络模型如循环神经网络(Recurrent Neural Network, RNN)无法处理大数据量的数据集，易出现梯度消失和梯度爆炸现象，导致预测精度越来越难以满足电力市场的要求。因此，如何改进神经网络模型以提高电价预测精度成为问题的关键。

为提高神经网络模型的预测性能，文献[12]提出将注意力机制(Attention, ATT)与门控循环单元(Gate Recurrent Unit, GRU)组合的短期电价预测模型，注意力机制能改善前馈神经网络不能处理时序数据的缺陷，GRU网络虽能提升预测的速度，但运行结果不稳定。文献[13]将经验模态分解(Empirical Mode Decomposition, EMD)与长短期记忆神经网络(Long Short-Term Memory, LSTM)相结合，将电价序列提取为周期分量和趋势分量，用LSTM网络分别预测后，再用支持向量回归(Support Vector Regression, SVR)叠加预测序列，生成预测价格序列。但是对“尖峰”电价等序列异常值处理效果不佳，并且未考虑负荷量等影响因素。文献[14]提出基于图卷积神经网络与LSTM网络的时空预测算法，通过建立描述地域分布的电力市场数据并使用图卷积神经网络提取所研究区域和周围地区的信息后，将信息构成时间序列输入到LSTM网络进行预测，利用北欧电力交易所运营数据进行算例分析，该算法可以有效地融入统一电力市场的地域信息从而提升算法的预测性能。

电价与负荷量之间存在一定的相关性，同时上一时刻的电价与该时刻电价也存在密切关系。 LSTM网络善于发现和利用长序列数据的内在规律，在预测精度方面具有优势[15]，但是当特征量较大时，LSTM的性能会因为过拟合而下降，且所需时间较长，因此不能直接输入带有大量特征的电价数据，需要先对输入的时序数据进行特征提取[16]。卷积神经网络(Convolution Neural Networks, CNN)对输入的时序数据只能捕捉局部信息，必须通过层叠来获取全局的联系增强视野，而注意力机制可以灵活地捕捉全局与局部的联系，补齐CNN的短板。基于此，本文提出基于注意力机制的CNN-LSTM短期电价预测模型，以解决传统电价预测模型存在的计算效率低、在电价跳跃点与尖峰点预测精度不高的问题。通过澳大利亚实测数据进行仿真分析，验证了本文预测模型可有效提高在电价跳跃点和尖峰点的预测精度及整体预测效率。

1 方法介绍

CNN具有局部连接、权重共享等特点，优化了输入LSTM模型的电价序列，但依旧难以解决长序列依赖问题，而加入ATT可以捕捉长序列中的依赖关系，同时能有效突出影响电价的因素，故本文提出基于ATT的CNN-LSTM短期电价预测模型。

1.1 ATT

基于ATT的计算步骤如下所述。

1) 对Query和Key进行相似度计算

2) 对相似度进行归一化

3) 加权求和

式中，表示权值。

1.2 卷积神经网络

CNN的基本结构由输入层、卷积层、池化层、全连接层以及输出层构成[18]。图2为卷积神经网络示意图，卷积层通过卷积核提取输入电价时间序列的不同特征。池化层位于卷积层之后，通过池化操作减少卷积层间的连接数量，对电价时间序列进行降维和二次特征提取，两者合称为卷积单元。最后经过全连接层汇总所有卷积单元提取的局部特征，并进行分类。

图2 卷积神经网络示意图

CNN能从数据中自动学习特征，并且具有局部连接、权值共享、池化操作以及多层结构的特点[19]，大大降低了电价预测模型的复杂程度，通过梯度下降的优化方法，减少过拟合，有更强的泛化能力。对于某些序列的处理，这种一维卷积神经网络的效果可以媲美循环神经网络，而且计算代价要小很多[20]。卷积层、池化层以及全连接层的计算公式分别为

1.3 LSTM模型

LSTM通过门结构来控制传输状态，分为遗忘门、选择记忆门和输出门，如图3所示。

图3 LSTM网络结构图

遗忘门决定上一单元状态被遗忘的程度，可表示为

选择记忆门与一个激活函数控制加入新信息的范围。利用遗忘门与选择记忆门输出的共同作用更新本单元的单元状态。

输出门控制当前单元被过滤的程度，可表示为

2 灰色关联度

3 ATT-CNN-LSTM模型设计

3.1 数据归一化处理

电价和负荷的量纲不同，数值差别较大。为了保证不同变量对输出值的影响力相同，同时保证收敛速度，提升模型精度，对电价与负荷进行归一化处理，将其数值归算到[-1, 1]。

为了使输出的电价预测值具有现实意义，需对输出数据进行反归一化处理，计算公式为

3.2 模型参数设计

ATT-CNN-LSTM预测模型的参数设置为：卷积层数为1，过滤器数为16，卷积核的大小为5×5，学习率为0.0009，训练轮数为400，批训练大小为32，优化器为Adam[23]。参数选定方法为网格搜索法。

3.3 评价指标选取

本文选取平均绝对误差(Mean Absolute Error, MAE)与均方根误差(Root Mean Squared Error, RMSE)作为衡量预测精度的指标。MAE的计算公式为

RMSE的计算公式为

3.4 ATT-CNN-LSTM模型求解

考虑到扩大视野需要叠加多层卷积区的缺陷，为了弥补CNN只有局部卷积感受视野，本文模型将ATT与CNN结合，对输入的时间序列样本进行一次特征提取后，作为CNN卷积层的输入，能够减少CNN计算量的同时加快特征提取的速度。CNN进行二次特征提取后，对输出的时间序列进行降维处理。由于LSTM网络的模型结构相对复杂，因此输入长时间序列时，模型训练耗时较长，而将ATT-CNN提取特征并降维后的时间序列输入到LSTM中，在提升LSTM预测精度的同时，也可以减少LSTM的运行时间。ATT-CNN-LSTM预测模型求解的流程如图4所示。

图4 ATT-CNN-LSTM模型流程图

基于ATT-CNN-LSTM短期电价预测模型的主要步骤如下。

步骤1：相关性分析。分析影响电价的负荷和电价因素，确定输入序列。

步骤2：数据预处理。对输入的时间序列进行归一化处理。

步骤3：特征提取。将归一化后的时间序列用ATT-CNN提取其重要特征。

步骤4：电价预测。将ATT-CNN处理过的时间序列输入到LSTM单元进行模型训练。

步骤5：输出。把预测出的数据反归一化并输出结果。

通过上述步骤，达到提高预测精度及计算效率的目的。

4 算例分析

本文选取澳大利亚电力市场2010年1月1日至2011年4月13日的实测数据作为数据集，该数据集包括电价和实时负荷时间序列，每30 min进行一次采样，剔除掉异常数据后共包含20 352个时段[24]。所有实验均基于Windows10操作系统，软件为PYTHON，CPU为Inter I7-8700k，3.2 GHz，GPU为Intel GTX-1660TI，并采用GPU进行训练与测试。预测模型中应用的训练集、测试集所选取的具体时段和时段数如表1所示。

表1 时段表

4.1 电价数据特征

电价具有较强的波动性，根据波动率强弱可将电力市场分为稳定市场(如英国市场)、近似稳定市场(如新西兰市场)和不稳定市场(如澳大利亚市场)[2]，波动率高的市场电价更难预测。

电价也具有跳跃和价格尖峰特性。电力市场中常出现价格的非正常跳跃、零电价和价格尖峰，高风电渗透率下电源结构复杂的澳大利亚市场曲线有较多的价格尖峰[25]，如图5所示。价格跳跃和价格尖峰给电价预测带来了巨大的挑战，现有的方法很难预测出价格跳跃的准确时间和跳跃高度[2]。为了体现本文模型在跳跃点、尖峰点的预测效果，选用波动率高、价格尖峰多的澳大利亚市场实测数据进行算例分析。

图5 澳大利亚市场电价曲线

4.2 数据相关性分析

表2 输入样本与电价相关系数表

由表2可知，负荷量与选定时刻电价的相关系数在3天前已趋于稳定；历史电价与选定时刻电价的相关系数在前5天时已达到0.9以上，其后虽略有波动，但幅度不大。在当天前3个时刻的负荷量与选定时刻电价的相关系数都维持在0.8以上，且随时间逐渐增加，而前两个时刻的电价与选定时刻电价的相关系数接近1。综上所述，本文使用前3天的负荷量、前5天的电价、当天前3个时刻负荷量、当天前两个时刻电价以及选定时刻历史电价作为模型输入。

4.3 整体预测效果分析

为了验证本文所提ATT-CNN-LSTM模型具有更强的学习能力，预测结果更精准，分别采用ATT-CNN-LSTM模型、LSTM模型及CNN-LSTM模型对澳大利亚电价进行300 h的电价预测，并对3种预测结果进行对比分析，如图6所示。

图6 不同预测模型的结果整体对比

由图6可知，3种预测模型的预测值与实际值相比整体趋势一致，而本文所提ATT-CNN-LSTM模型预测值更为贴近真实值，LSTM模型预测值偏离真实值较大。主要原因在于，CNN能从原始输入序列中进行网络学习，避免手工提取特征导致误差积累的缺点；而在CNN前加入ATT环节，可优先提取重要信息，优化输入LSTM网络的数据，因此ATT-CNN-LSTM网络中能更有效地提取输入电价、负荷量时间序列的特征，使预测精度提升。

为进一步展现本文所提ATT-CNN-LSTM模型在整体预测精度上的优越性，表3列出了3种模型的MAE与RMSE。

表3 不同预测模型的评价指标对比

由表3可见，ATT-CNN-LSTM模型的MAE分别比LSTM模型和CNN-LSTM模型减少27%和6%；RMSE分别比LSTM模型和CNN-LSTM模型减少19%和6%。这是因为ATT可捕捉长序列中的依赖关系，弥补了传统LSTM模型的不足，因此对于长输入序列，ATT-CNN-LSTM的预测精度相比于传统LSTM预测模型与CNN-LSTM预测模型更高，评价指标更佳。说明了该算法具有良好的精确性。

4.4 电价跳跃点与尖峰点分析

为进一步证明本文所提预测模型在电价跳跃点与尖峰点处的优越性，选取33个跳跃跨度大、突变速度快的典型电价跳跃点与尖峰点时刻进行展示。ATT-CNN-LSTM模型、CNN-LSTM模型与真实值拟合效果如图7所示。

图7 两种预测模型典型电价跳跃点、尖峰点对比图

由图7可知，权重的大小与特征是否明显呈正相关的特性，故ATT在重要特征点分配更大的权重，使得ATT-CNN-LSTM模型预测结果在每一个典型电价跳跃点和尖峰点的预测电价与真实电价几乎吻合，而CNN-LSTM模型预测结果在典型电价跳跃点、尖峰点处的值与真实值的偏差较大。

表4列出了两种算法的MAE与RMSE。由表4可见，ATT-CNN-LSTM预测模型在电价尖峰点和跳跃点处的MAE与RMSE分别比CNN-LSTM预测模型降低了0.3032和0.2674。因为ATT在电价尖峰点与跳跃点上分配的权重更大，故ATT-CNN-LSTM预测模型在电价跳跃点和尖峰点表现出良好性能。

表4 典型电价跳跃点、尖峰点的评价指标对比

4.5 计算效率分析

为了验证本模型在计算效率方面的优势，分别记录了3种预测模型预测10次300时段所需的平均时间，如表5所示。

由表5可知，在预测数量相同的情况下，ATT- CNN-LSTM预测模型的平均运行时间比CNN-LSTM与LSTM模型分别减少了0.34 s与0.48 s。这是因为ATT与CNN相结合后，在提取时序数据的特征上会更有效率，同时ATT的每一步计算不依赖于上一步的计算结果，可以与CNN一样并行处理，故ATT-CNN-LSTM预测模型的计算效率高于其他模型。

表5 不同预测模型平均运行时间对比

5 结论

为解决传统电价预测模型在电价跳跃点和尖峰点预测精度低，同时存在计算效率低的问题，本文提出一种基于注意力机制的CNN-LSTM短期电价预测方法。通过澳大利亚电力市场的算例分析可得出以下结论。

ATT-CNN-LSTM预测模型相比CNN-LSTM和LSTM预测模型，不仅能提高整体预测结果的精度，而且能提高电价跳跃点和尖峰点的预测精度，同时在计算效率上有所提升。因此，验证了本文所提模型在提高短期电价预测精度与计算效率上的有效性。

目前我国正在大力构建以新能源为主体的新型电力系统，新能源发电具有波动大的特点，给短期电价预测带来挑战。本文暂未考虑发电侧的影响，将光伏、风力等新能源发电作为短期电价预测的影响因素是下一步工作的重点。

[1] 武伟, 刘希玉, 杨怡, 等. 时间序列分析方法及ARMA, GARCH两种常用模型[J]. 计算机技术与发展, 2010, 20(1): 247-249, 253.

WU Wei, LIU Xiyu, YANG Yi, et al. Analysis method of time array and two model of ARMA and GARCH[J]. Computer Technology and Development, 2010, 20(1): 247-249, 253.

[2] 张显, 王锡凡. 短期电价预测综述[J]. 电力系统自动化, 2006, 30(3): 92-101.

ZHANG Xian, WANG Xifan. Review of the short-term electricity price forecasting[J]. Automation of Electric Power Systems, 2006, 30(3): 92-100.

[3] AMINI M H, KARGARIAN A, KARABASOGLU O. ARIMA-based decoupled time series forecasting of electric vehicle charging demand for stochastic power system operation[J]. Electric Power Systems Research, 2016, 140: 378-390.

[4] LI Qi, CHEN Huaping, ZHU Fukang. Robust estimation for Poisson integer-valued GARCH models using a new hybrid loss[J]. Journal of Systems Science & Complexity, 2021, 34(4): 1578-1596.

[5] 熊高峰, 韩鹏, 聂坤凯. 时间序列分解在短期电价分析与预测中的应用[J]. 电力系统及其自动化学报, 2011, 23(3): 95-100.

XIONG Gaofeng, HAN Peng, NIE Kunkai. Application of time series decomposition to short term electricity price analysis and forecasting[J]. Proceedings of the CSU-EPSA, 2011, 23(3): 95-100.

[6] 周明, 严正, 倪以信, 等. 含误差预测校正的ARIMA电价预测新方法[J]. 中国电机工程学报, 2004, 24(12): 67-72.

ZHOU Ming, YAN Zheng, NI Yixin, et al. A novel ARIMA approach on electricity price forecasting with the improvement of predicted error[J]. Proceedings of the CSEE, 2004, 24(12): 67-72.

[7] 邓佳佳, 黄元生, 宋高峰. 基于非参数GARCH的时间序列模型在日前电价预测中的应用[J]. 电网技术, 2012, 36(4): 190-196.

DENG Jiajia, HUANG Yuansheng, SONG Gaofeng. Day-ahead electricity price forecasting using time series model based on nonparametric generalized auto regressive conditional heteroskedasticity[J]. Power System Technology, 2012, 36(4): 190-196.

[8] SZKUTA B R, SANABRIA L A, DILLON T S. Electricity price short-term forecasting using artificial neural networks[J]. IEEE Transactions on Power Systems, 1999, 14(3): 851-857.

[9] 靳果, 朱清智, 孟阳, 等. 基于多层极限学习机的电能质量扰动多标签分类算法[J]. 电力系统保护与控制, 2020, 48(8): 96-105.

JIN Guo, ZHU Qingzhi, MENG Yang, et al. Power quality disturbances multi-label classification algorithm based on a multi-layer extreme learning machine[J]. Power System Protection and Control, 2020, 48(8): 96-105.

[10] HOU K, SHAO G, WANG H, et alResearch on practical power system stability analysis algorithm based on modified SVM[J]. Protection and Control of Modern Power Systems, 2018, 3(2): 119-125.

[11] 魏勤, 陈仕军, 黄炜斌, 等. 利用随机森林回归的现货市场出清价格预测方法[J]. 中国电机工程学报, 2021, 41(4): 1360-1367.

WEI Qin, CHEN Shijun, HUANG Weibin, et al. Forecasting method of clearing price in spot market by random forest regression[J]. Proceedings of the CSEE, 2021, 41(4): 1360-1367.

[12] 谢谦, 董立红, 厍向阳. 基于Attention-GRU的短期电价预测[J]. 电力系统保护与控制, 2020, 48(23): 154-160.

XIE Qian, DONG Lihong, SHE Xiangyang. Short-term electricity price forecasting based on Attention-GRU[J]. Power System Protection and Control, 2020, 48(23): 154-160.

[13] 勾玄, 肖先勇. 基于经验模式分解与LSTM神经网络的短期电价预测模型[J]. 西安理工大学学报, 2020, 36(1): 129-134.

GOU Xuan, XIAO Xianyong. Short-term electricity price forecasting model based on empirical mode decomposition and LSTM neural network[J]. Journal of Xi’an University of Technology, 2020, 36(1): 129-134.

[14] 韩升科, 胡飞虎, 陈之腾. 基于GCN-LSTM的日前市场边际电价预测[J]. 中国电机工程学报, 2021, 41(6): 1-12.

HAN Shengke, HU Feihu, CHEN Zhiteng. Day ahead market marginal price forecasting based on GCN-LSTM[J]. Proceedings of the CSEE, 2021, 41(6): 1-12.

[15] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521: 436-444.

[16] LI W, BECKER D M. Day-ahead electricity price prediction applying hybrid models of LSTM-based deep learning methods and feature selection algorithms under consideration of market coupling[J]. Energy, 2021, 237.

[17] 李明扬, 孔芳. 融入自注意力机制的社交媒体命名实体识别[J]. 清华大学学报(自然科学版), 2019, 59(6): 461-467.

LI Mingyang, KONG Fang. Social media named entity recognition incorporating self-attention mechanisms[J]. Journal of Tsinghua University (Science and Technology), 2019, 59(6): 461-467.

[18] 王维博, 张斌, 曾文入, 等. 基于特征融合一维卷积神经网络的电能质量扰动分类[J]. 电力系统保护与控制, 2020, 48(6): 53-60.

WANG Weibo, ZHANG Bin, ZENG Wenru, et al. Power quality disturbance classification of one-dimensional convolutional neural networks based on feature fusion[J]. Power System Protection and Control, 2020, 48(6): 53-60.

[19] TENG Hui, HASSAN A S. Construction and drug evaluation based on convolutional neural network system optimized by grey correlation analysis[J]. Computational Intelligence and Neuroscience, 2021: 1-9.

[20] 刘忠, 陈星宇, 邹淑云, 等. 计及碳排放的风-光-抽水蓄能系统容量优化配置方法[J]. 电力系统自动化, 2021, 45(22): 9-18.

LIU Zhong, CHEN Xingyu, ZOU Shuyun, et al. Optimal capacity configuration method for wind-photovoltaic- pumped-storage system considering carbon emission[J]. Automation of Electric Power Systems, 2021, 45(22): 9-18.

[21] 梁涛, 杨改文, 董玉兰. 基于灰色关联度的变权组合模型的齿轮箱温度故障预测[J]. 太阳能学报, 2020, 41(12): 199-207.

LIANG Tao, YANG Gaiwen, DONG Yulan. Gearbox temperature fault prediction based on variable weight combination model based on gray correlation[J]. Acta Energiae Solaris Sinica, 2020, 41(12): 199-207.

[22] 王浩, 王艳, 纪志成. 基于SAIGM-KELM的短期风电功率预测[J]. 电力系统保护与控制, 2020, 48(18): 78-87.

WANG Hao, WANG Yan, JI Zhicheng. Short-term wind power forecasting based on SAIGM-KELM[J]. Power System Protection and Control, 2020, 48(18): 78-87.

[23] CHANG Zihan, ZHANG Yang, CHEN Wenbo. Electricity price prediction based on hybrid model of Adam optimized LSTM neural network and wavelet transform[J]. Energy, 2019, 187.

[24] RODRIGEZ C, ANDERS G. Energy price forecasting in the Ontario competitive power system market[J]. IEEE Transactions on Power Systems, 2004, 19(1): 366-374.

[25] 李军徽, 冯喜超, 严干贵, 等. 高风电渗透率下的电力系统调频研究综述[J]. 电力系统保护与控制, 2018, 46(2): 163-170.

LI Junhui, FENG Xichao, YAN Gangui, et al. Survey on frequency regulation technology in high wind penetration power system[J]. Power System Protection and Control, 2018, 46(2): 163-170.

[26] HU A S, LIE T T, GOOI H B. Load forecast for customers under real time pricing systems[C] // International Conference on Electric Utility Deregulation and Restructuring and Power Technologies, April 4-7, 2000, London, UK: 538-543.

CNN-LSTM short-term electricity price prediction based on an attention mechanism

JI Xingquan1, ZENG Ruomei1, ZHANG Yumin1, SONG Feng2, SUN Pengkai1, ZHAO Guohang1

(1. College of Electrical Engineering and Automation, Shandong University of Science and Technology, Qingdao 266590, China;2. Yantai Power Supply Company, State Grid Shandong Electric Power Company, Yantai 264000, China)

The accuracy of short-term electricity price forecasts is of great significance to the electricity market with a diversified competitive landscape. To improve prediction accuracy and efficiency at the jump and peak points of electricity price, a short-term electricity price prediction method based on ATT-CNN-LSTM is proposed for the implied nonlinear relationship between the electricity price series influenced by the fusion of multiple direct and influencing factors. First, the grey correlation degree analysis method is used to analyze the correlation degree between load factors and electricity prices, and the data with a higher correlation degree is selected as the optimal model input. Secondly, the weight of the input data is adaptively allocated through the attention mechanism (ATT), and the strong and weak feature data are distinguished by the weights. Then, a convolution neural network (CNN) is used to perform secondary feature extraction and dimensionality reduction of the data set to optimize the data input into the long short-term memory (LSTM) network, thereby improving the prediction accuracy and training speed of the LSTM network. The actual measurement data of the Australian electricity market is used for a case study, and the comparison with other mainstream algorithms verifies that the proposed method has higher prediction accuracy and computational efficiency.

attention mechanism; convolutional neural network; long-short term memory neural network; electricity price forecast;grey relation analysis

10.19783/j.cnki.pspc.211472

国家自然科学基金青年项目资助(52107111)；山东省自然科学基金青年项目资助(ZR2021QE117)；青岛西海岸新区2020年科技项目资助(源头创新专项)(2020-92)

This work is supported by the Youth Fund of National Natural Science Foundation of China (No. 52107111).

2021-11-01；

2022-04-18

吉兴全(1970—)，男，博士，教授，研究方向为配电网优化、状态估计和故障诊断；E-mail: xqji@sdust.edu.cn

曾若梅(1997—)，女，硕士研究生，研究方向为智能算法在电力系统中的应用；E-mail: suzuln@163.com

张玉敏(1986—)，女，通信作者，博士，讲师，研究方向为电力系统经济运行、优化调度和电力市场。E-mail: zhangyumin@mail.sdu.cn

(编辑 许 威)