[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

说明书

本发明公开了一种基于深度学习的电力系统短期负荷预测方法。首先，获取历史负荷、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后作为输入特征，采用对比散度算法对由堆叠受限玻尔兹曼机构成的深度信念网络逐层学习并提取深层特征，最后采用反向传播算法对整个深度信念网络的参数进行微调，即由离线训练构建负荷预测模型。对电力系统24小时后的负荷进行在线预测，得到预测负荷。本发明提高了电力系统短期负荷预测的精度。

技术领域

本发明属于电力系统预测与控制技术领域，尤其涉及一种基于深度学习的电力系统短期负荷预测方法。

背景技术

电力系统负荷预测按照预测期限的不同，分为长期预测、中期预测、短期预测、超短期预测。短期负荷预测不但为电力系统的安全、经济运行提供保障，也是市场环境下编排调度计划、供电计划、交易计划的基础。

现有的短期负荷预测方法，如回归分析法、时间序列法、卡尔曼滤波法、灰色预测法、人工神经网络法、小波分析法、支持向量机等方法，主要集中在浅层学习，在有限的样本和计算单元下对复杂函数的逼近能力有限，难以提取负荷序列的深层次特征，模型的泛化性能受到了限制，阻碍了预测精度的进一步提高。

发明内容

本发明所要解决的技术问题是，提供一种基于深度学习的电力系统短期负荷预测方法，避免浅层神经网络容易出现的过拟合和局部极小值问题，提高短期负荷预测的精度。

本发明具体采用以下技术方案解决上述技术问题：

一种基于深度学习的电力系统短期负荷预测方法，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CD算法和BP算法对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。

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。

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。

本发明的有益效果在于，利用深度学习模型具有非常好的信息表达能力、鲁棒性和泛化性的特点，避免浅层神经网络容易出现的过拟合和局部极小值问题，提高电力系统24小时短期负荷预测的精度。

附图说明

图1是本发明实施例的一种基于深度学习的电力系统短期负荷预测方法的整体流程图。

图2是本发明实施例的RBM示意图。

具体实施方式