[发明专利]分布式内存并行计算优化深度信念网络的短期负荷预测方法

说明书

本发明涉及一种分布式内存并行计算优化深度信念网络的短期负荷预测方法。包括以下步骤：1.RDD读取负荷历史数据；结合负荷的周期特性，读取负荷预测输入数据到Spark RDD集合；2.采用改进并行粒子群算法将其分为不同子群，并对惯性权重和加速因子进行改进计算；在分布式内存计算Spark平台上对深度信念网络模型的权值参数W和偏置值B进行优化，选择使得适应度值最小的粒子坐标向量值[W,B]作为改进粒子群算法的输出；3.利用步骤S2中优化得到的DBN参数[W，B]，使用优化的DBN网络对负荷序列建立负荷预测模型，进行短期负荷预测。本发明方法有效地提高了短期负荷预测精度和海量数据处理能力，能够较好地解决电力系统负荷预测问题，具有很强鲁棒性和强泛化能力。

技术领域

本发明属于配电网负荷预测技术领域，更具体地，涉及一种分布式内存并行计算优化深度信念网络的短期负荷预测方法。

背景技术

电力系统负荷预测是实现电力系统安全经济运行和电网科学管理的基础，准确的负荷预测是安排电力生产调度、提高电力系统自动化运行水平的重要决策依据，在保证电力系统规划与可靠、经济运行、提高发电设备利用率等方面具有十分重要的意义。随着各类传感器和智能设备数量的不断增加，设备中进行获取和传输的负荷数据也发生着指数级的增长。因此，有必要研究负荷预测的新方法及新技术，以提高负荷预测精度与可靠性，满足工程技术要求。

目前用于短期负荷预测的方法主要分为统计学方法和人工智能方法两大类。统计学方法包括多元线性回归、自回归和自回归移动平均等。该类方法模型简单，但只能对少量影响因素及样本数据进行处理，对原始时间序列的平稳性要求较高。人工智能方法包括灰色系统、模糊逻辑、支持向量机和人工神经网络等，其中反向传播神经网络方法和SVM方法应用最为广泛。BP神经网络具有很强的自学习能力和复杂的非线性函数拟合能力，但由于其网络初始参数由随机初始化得到，导致BP神经网络泛化能力差、易陷入局部最优。SVM方法能够较好地解决传统算法中存在的非线性、高维数、局部最小值等问题，但在处理大数据量下的时间序列预测方面，存在收敛速度慢和预测精度低的缺点。