基于迁移学习的CEEMDAN-VMD二次分解与多尺度建模在短期电力市场价格趋势预测中的应用

《Scientific Reports》：Transfer learning based CEEMDAN-VMD secondary decomposition and multi-scale modeling for short-term electricity market price trend forecasting

　　

摘要

本文提出了一种基于迁移学习的短期电力市场价格趋势预测框架，该框架以具有自适应噪声的完全集成经验模态分解（CEEMDAN）与变分模态分解（VMD）的二次分解以及多尺度建模为核心。该框架整合了注意力机制、多尺度卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM），并将其命名为CEEMDAN-VMD-MultiScale-Att-CNN-BiLSTM（注意力-卷积神经网络-双向长短期记忆），以突出其核心创新特性。首先，利用CEEMDAN和VMD方法对原始电力市场价格序列进行二次分解，降低了预测的复杂性；然后构建了一个包含注意力层、多尺度CNN层和BiLSTM层的基本预测模型，并通过分层迁移学习优化模型参数；最后，利用最优参数模型预测各频率的电力市场价格序列，并重构最终的价格趋势预测值。实验观察结果表明，多尺度Att-CNN-BiLSTM算法在测试数据集和实际场景实验中均表现出持续的性能提升，尤其是在预测电力市场价格突变点和峰值点时具有更高的准确性。该框架的核心创新在于构建了适用于非平稳电力价格序列的CEEMDAN-VMD二次分解策略以及多尺度特征建模机制，有效克服了传统模型在反映电力价格数据独特特征方面的局限性。