在市场化环境中,电价信号是市场参与者关注的焦点,它不仅是交易决策关键参考因素,而且是市场管理者的重要监管指标。因此,电价预测也是学术研究的热点。伴随着北京、广州两个国家级电力现货市场的先后建立,市场化程度进一步推进,短期交易电价的研究成为了交易者实现利润最大化、规避市场风险的有效手段。由于电力商品是非储存性商品,价格弹性弱,同时影响电价的长短期因素复杂多变,形成了交易电价的高波动性、非线性、价格尖峰等特点,上述特点使得传统方法在短期交易电价预测中效果不是十分理想。这些难以用规则化方式进行表示的特征是影响电价预测效果的一个重要原因。发源于上世纪的机器学习算法具有学习特征表征的能力,即从原始数据中提取模式的能力,对于这种能力的不断研究是深度学习算法发展的内在动力。近几年来,伴随着计算能力的提升,深度学习算法在处理具有非线性、波动聚集性的时序序列上效果突出。该技术已经被电力行业研究人员应用在负荷预测、盗窃电识别、变压器故障识别等方面。本文基于深度学习技术的最新发展成果,基于真实交易电价数据对短期交易电价预测领域的相关问题进行了新的尝试和创新,主要内容包括:(1)分析了影响电价波动的长/短期因素、电价波动特点,研究了电价尖峰特性形成的原因;将电价波动与传统金融资产波动特点进行对比分析并挖掘其异同点。在电价数据处理方面,结合了电力市场本身特点,对传统规范化方法加以改进。在提高电价尖峰预测能力方面,引入量化金融领域中的资产价格跳跃识别算法以识别电价跳跃采样点,以此为基础提高总样本中跳跃样本占比。随后,在特征提取与构造环节,基于最大互相关系数和希伯特-黄变换算法进行特征的挑选与构造。(2)建立了基于改进粒子群的随机森林短期交易电价预测模型,将改进粒子群算法和随机森林模型结合,凭借改进粒子群算法的全局搜索能力对随机森林算法的框架和树模型超参数进行寻优,验证了模型的有效性。(3)传统机器学习算法难以学习抽象的高维度特征,本文引入深度学习算法的最新研究成果,建立了多层长短期记忆神经网络模型和带注意力分配机制的长短期记忆神经网络模型,基于日前小时级别交易电价数据,与改进粒子群算法的随机森林模型进行实验对比,研究表明深度学习模型在模型的泛化能力方面具有明显的优势,具有更强的预测精度。