[发明专利]一种配电网负荷分类模型的建立方法

说明书

技术领域

本发明属于配电网分类技术领域，具体涉及一种基于深度学习网络算法的配电网负荷分类模型的建立方法。

背景技术

随着我国经济的快速发展与人民生活水平的日益提高，用户用电量表现出增长的态势，各行业的快速发展使得用户用电需求趋于多元化，对供电的要求也日益提高。负荷的合理分类对于负荷特性分析、电网负荷预测、用户行为分析、电网调度、电网规划和业扩报装等都有着重要作用。

近年来，深度学习网络快速发展，对学术领域产生了重大影响，在多个领域都得到了广泛应用。深度信念网络(Deep Belief Nets，DBN)是由一系列受限波尔兹曼机(Restricted Boltzmann Machine，RBM)组成的深度学习网络，其由Geoffrey Hinton在2006年提出。作为一种生成模型，DBN通过训练其神经元间的权重，从而让整个神经网络按照最大概率来生成训练数据。为避免对深度学习网络整体训练的难题，深度信念网络将整体训练拆分为自下向上的逐层对RBM进行无监督训练，再通过神经网络学习算法自上向下对网络进行有监督训练。这样能够解决深层次网络的训练时间问题，又可以避免陷入局部最优解的问题，最终能够获得效果更好的参数值。

发明内容

基于以上背景，本发明提供了一种高效准确的基于深度学习网络算法的配电网负荷分类模型的建立方法。

为实现以上目的，本发明的技术方案如下：

一种配电网负荷分类模型的建立方法，依次包括以下步骤：

步骤A、基于深度学习网络算法建立负荷分类初始模型，其中，所述负荷分类初始模型为包含两个隐层的DBN模型，且其输出层采用softmax函数压缩输出；

步骤B、采用训练数据集训练步骤A得到的负荷分类初始模型，得到训练模型；

步骤C、采用测试数据集测试步骤B得到的训练模型，若测试结果满足要求，则以该训练模型作为配电网负荷分类模型，否则返回步骤A，调整参数后再次训练，直至测试结果满足要求。

所述步骤A依次包括以下步骤：

步骤A1、根据所需分类负荷的特性曲线属性确定负荷分类初始模型的输入层、隐层、输出层的节点数，其中，所述输入层的节点数为负荷特性曲线的数据个数，输出层的节点数为负荷分类的类别数；

步骤A2、设定负荷分类初始模型的训练参数，该训练参数包括每层RBM网络的自我检查频次、初始学习效率、训练数据集的迭代训练次数。

所述步骤B依次包括以下步骤：

步骤B1、根据营销系统数据，收集不同行业、不同季节、工作日与非工作日的日典型负荷特性曲线与年典型负荷特性曲线，并根据负荷特性曲线横坐标个数的不同对曲线进行初步分类，确定负荷分类的类别数，其中，横坐标个数为DBN模型的输入层节点数，负荷分类的类别数为DBN模型的输出层节点数；

步骤B2、根据步骤B1得到的数据建立训练数据集，其中，所述训练数据集包括输入数据集X与输出数据集Y；

步骤B3、采用z-score标准化法对输入数据集X进行归一化处理；

步骤B4、根据步骤A2设定的参数对每层RBM网络单独采用自下向上的非监督学习法进行预训练；

步骤B5、先将预训练后的每层RBM网络组合成新的DBN模型，然后利用步骤B2得到的训练数据集、根据步骤A2设定的训练参数、采用自上向下的有监督学习法对该DBN模型进行训练，得到训练模型；

所述步骤C依次包括以下步骤：

步骤C1、依次按照步骤B1、B2所述方法建立测试数据集，其中，所述测试数据集包括输入数据集Xt与输出数据集Yt；

步骤C2、按照步骤B3所述方法对输入数据集Xt进行归一化处理；

步骤C3、先将输入数据集Xt输入步骤B得到的训练模型中，然后将训练模型的输出结果与输出数据集Y、输出数据集Yt对应进行比较，统计训练数据集与测试数据集的分类正确率，若测试数据的正确率满足要求，则配电网负荷分类模型建立完毕，否则返回步骤A，调整参数后再次训练，直至测试数据的正确率满足要求。

所述步骤B3采用以下公式进行归一化处理：

式中，X_i为输入数据集中的某一样本，μ_i为X_i中样本数据的均值，σ_i为X_i中样本数据的标准差，i＝1,2,…,n，n为样本容量。

与现有技术相比，本发明的有益效果为：