[发明专利]一种基于深度信念网络的电力负荷预测方法及系统

权利要求书

1.一种基于深度信念网络的电力负荷预测方法，其特征在于，采用稀疏自编码神经网络对电力负荷的历史数据进行聚合处理；基于受限玻尔兹曼机，构建复合优化的深度信念网络预测模型；所述深度信念网络预测模型，其从输入至输出依次包括：高斯-伯努利受限玻尔兹曼机、伯努利-伯努利受限玻尔兹曼机和线性回归输出层，其先采用无监督训练方法进行预训练，再采用加冲量项的BP算法进行参数微调；将聚合处理后的历史数据输入所述深度信念网络预测模型中进行预测。

2.根据权利要求1所述的基于深度信念网络的电力负荷预测方法，其特征在于，电力负荷的历史数据采集时综合考虑日期、天气以及需求侧管理信息的因素，对每一种数据类型进行划分，形成输入特征向量。

3.根据权利要求1所述的基于深度信念网络的电力负荷预测方法，其特征在于，在采用稀疏自编码神经网络对数据进行聚合处理前，对电力负荷的历史数据进行归一化预处理。

4.根据权利要求1所述的基于深度信念网络的电力负荷预测方法，其特征在于，所述稀疏自编码神经网络采用两层或三层神经网络；其中，两层神经网络包括输入层和输出层，三层神经网络包括输入层、隐藏层及输出层。

5.根据权利要求1所述的基于深度信念网络的电力负荷预测方法，其特征在于，所述高斯-伯努利受限玻尔兹曼机和所述伯努利-伯努利受限玻尔兹曼机均采用两层构建，两层包括可见层和隐藏层，两层之间的单元互相连接，同层单元两两之间不存在连接。

6.一种基于深度信念网络的电力负荷预测系统，其特征在于，包括数据预处理单元和深度信念网络预测模型单元；其中：所述数据预处理单元，其包括稀疏自编码神经网络子单元，所述稀疏自编码神经网络子单元输入电力负荷的历史数据并进行聚合处理；所述深度信念网络预测模型单元，其从输入至输出依次包括：高斯-伯努利受限玻尔兹曼机、伯努利-伯努利受限玻尔兹曼机和线性回归输出层，其先采用无监督训练模式进行预训练，再采用加冲量项的BP算法进行参数微调，其输入所述数据预处理单元处理后的历史数据，其输出电力负荷的预测值。

7.根据权利要求6所述的基于深度信念网络的电力负荷预测系统，其特征在于，所述数据预处理单元还包括归一化预处理子单元；所述归一化预处理子单元对电力负荷的历史数据进行归一化预处理，其处理后的数据输出至所述稀疏自编码神经网络子单元。

8.根据权利要求6所述的基于深度信念网络的电力负荷预测系统，其特征在于，所述稀疏自编码神经网络子单元包括两层或三层神经网络；其中，两层神经网络包括输入层和输出层，三层神经网络包括输入层、隐藏层及输出层。

9.根据权利要求6所述的基于深度信念网络的电力负荷预测系统，其特征在于，所述高斯-伯努利受限玻尔兹曼机和所述伯努利-伯努利受限玻尔兹曼机均包括两层，分别为隐藏层和可见层，两层之间的单元互相连接，同层单元两两之间不存在连接。

10.根据权利要求9所述的基于深度信念网络的电力负荷预测系统，其特征在于，所述深度信念网络预测模型单元在训练时，所述高斯-伯努利受限玻尔兹曼机和所述伯努利-伯努利受限玻尔兹曼机各自分别堆叠一层临时输出层，然后各自采用无监督训练模式进行预训练，再采用加冲量项的BP算法进行参数微调。