[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

说明书

本发明公开了一种基于深度信念网络的电力负荷预测方法，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。本发明还公开了一种基于深度信念网络的电力负荷预测系统。本发明可更好地挖掘历史负荷数据的规律性，从而提高预测的效率，同时可充分考虑不同因素的影响，提高了预测精度。

技术领域

本发明涉及一种电力负荷预测方法及系统，特别涉及一种基于深度信念网络的电力负荷预测方法及系统。

背景技术

目前，对电力系统的管理调度来说，短期负荷预测可以说是最为重要的，其可以为发电计划提供数据支持，来确定最满足经济要求、安全要求、环境自然要求和设备限制要求的发电计划，确保电力系统的经济安全运行。目前，随着电力系统的不断发展完善，对电网短期负荷预测提出了更高的要求。虽然已经有了比较成熟的传统方法，但是传统方法普遍有预测精准度不高的问题，预测出来的结果虽然有着一定的参考价值，但是还远远达不到电力企业的期望水平。

随着现代科学理论研究的不断进步，出现了新一批的新兴电力负荷预测手段，如神经网路理论、模糊数学、支持向量机等，这些都是电力负荷预测的进步和发展，在预测精度上都有了进一步的提高。然而在现有技术中，单一的智能预测方法难以应对多维数据给预测精度和效率带来的挑战，而基于深度信念网络的预测方法综合多种数据处理方法与智能算法，可以取得较好的预测精度和效率。

发明内容

本发明为解决公知技术中存在的技术问题而提供一种基于深度信念网络的电力负荷预测方法及系统。

本发明为解决公知技术中存在的技术问题所采取的技术方案是：一种基于深度信念网络的电力负荷预测方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

本发明还提供一种基于深度信念网络的电力负荷预测系统，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。

进一步地，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。