[发明专利]一种基于深度学习的电力系统短期负荷预测方法

权利要求书

1.一种基于深度学习的电力系统短期负荷预测方法，其特征在于，包括离线训练预测模型阶段和在线预测阶段，所述离线训练预测模型阶段包括下列步骤：

步骤1：获取历史日的历史负荷、星期类型、节假日、气象信息等数据，并进行归一化和编码等预处理；

步骤2：将步骤1预处理后的数据作为输入特征，采用对比散度（CD）算法和反向传播（BP）算法对深度信念网络（DBN）进行离线训练，构建负荷预测模型；

所述在线预测阶段包括以下步骤：

步骤3：将待预测日的历史负荷、星期类型、节假日、气象信息等数据，按照步骤1的方法进行归一化和编码等预处理得到特征向量；

步骤4：将步骤3得到的特征向量输入步骤2得到的负荷预测模型进行预测，获得24小时后的预测负荷。

2.根据权利要求1所述的基于深度学习的电力系统短期负荷预测方法，其特征在于，所述步骤1包括：

步骤101：从气象部门获得每天的平均气温，从电力部分获得历史负荷，包括历史日前7天每天24小时整点的负荷；

步骤102：构建历史日15维特征向量，包括：历史日前7天同一时刻的负荷，历史日前1天的平均负荷，历史日前1天前3小时的整点负荷，星期类型，节假日标志，历史日和历史日前1天的平均气温；

步骤103：对历史日特征向量每一维的数据，根据其最大值和最小值归一化到[0, 1]范围。

3.根据权利要求1所述的基于深度学习的电力系统短期负荷预测方法，其特征在于，所述步骤2包括：

步骤201：采用CD算法逐层训练构成DBN的RBM；

步骤202：在DBN的最后一层设置BP网络，接收RBM的输出特征向量作为它的输入特征向量，有监督地训练获得BP网络权值，对整个DBN的参数进行微调。