[发明专利]一种基于温度模糊处理和DBN的短期负荷预测方法

权利要求书

1.一种基于温度模糊处理和DBN的短期负荷预测方法，其特征在于：包括以下步骤：

步骤S1：对数据进行预处理：对提供的历史数据进行归一化处理，对提供的温度数据进行模糊处理，对日期类型进行量化处理；

步骤S2：根据步骤S1中的处理后的数据训练深度置信网络，确定模型的训练样本的输入输出，利用样本数据训练DBN模型；

步骤S3：根据步骤S2训练的DBN模型，输入测试数据的输入数据，然后得到输出，即得到负荷预测结果。

步骤S4：采用数据进行验证，并分析预测结果。

2.根据权利要求1所述的一种基于温度模糊处理和DBN的短期负荷预测方法，其特征在于：步骤S1中所述对历史数据进行归一化处理的具体内容为：

式中：y_i代表归一化后的历史日最大负荷；x_i、x_imax和x_imin分别代表历史日的日最大负荷以及其最大值和最小值。

3.根据权利要求1所述的一种基于温度模糊处理和DBN的短期负荷预测方法，其特征在于：步骤S1中所述的对温度数据进行模糊处理的具体内容为：

引入三角形隶属度函数对温度数据进行模糊处理，具体处理公式如下：

式中：f代表模糊处理后的温度数据；x表示温度数据；l、m和n均表示选取的温度界限。

4.根据权利要求1所述的一种基于温度模糊处理和DBN的短期负荷预测方法，其特征在于：所述步骤S2的具体内容为：所述深度置信网络由多个受限玻尔兹曼机堆叠而成，其训练过程包括预训练和微调；

所述预训练利用无监督的学习方式，分别训练每一层的受限玻尔兹曼机，确保特征向量映射到不同特征空间时能够最大限度保留特征信息；预训练中的权重利用非监督贪婪逐层方法获得；

所述预训练具体包括以下步骤：

步骤SA：利用输入的样本数据训练首层受限玻尔兹曼机，其中样本数据输入为处理后的历史数据和预测日当日的天气因素作为输入，输出为预测日当日的日最大负荷；

步骤SB：将训练得到的隐含层激活概率作为下层受限玻尔兹曼机的输入；

步骤SC：重复前面两个步骤直至整个DBN模型完成训练；

所述微调具体为：对于所述预测模型，在其最后一层设置BP神经网络，该网络输入为各层受限玻尔兹曼机的输出，将误差反向传播，微调整个深度置信网络，使整个网络映射最优。

5.根据权利要求4所述的一种基于温度模糊处理和DBN的短期负荷预测方法，其特征在于：步骤SB中所述激活概率的计算内容为：

DBN模型中每层受限玻尔兹曼机是由两层神经元组成，上层为隐藏层，下层为可视层，其组合能量和概率计算公式如下：

式中：E(h,v；θ)和P(h,v；θ)分别表示其组合能量和概率；Z_θ表示归一化函数；h_i和分别代表对应的隐藏层节点的状态和偏执值；v_j和分别代表对应的可视层节点的状态和偏执值；θ为该受限玻尔兹曼机参数；m、n分别表示对应层的节点个数；w_ij表示两节点间的权重；

采用对比散度法来近似采样更新权值，又因为受限玻尔兹曼机中各神经元状态彼此独立，因此得出其激活概率计算公式如下：

6.根据权利要求1所述的一种基于温度模糊处理和DBN的短期负荷预测方法，其特征在于：步骤S3中所述的具体内容为：

将处理后的待预测日的前几日的日最大负荷和当日的天气因素输入步骤S2中训练好的DBN模型，输出即为待预测日的日最大负荷。

7.根据权利要求4所述的一种基于温度模糊处理和DBN的短期负荷预测方法，其特征在于：步骤S4中所述对预测结果进行分析的具体内容为：

采用平均绝对误差作为误差评价指标，具体计算公式如下：

式中：t_i和p_i分别表示真实值和预测值，N为预测个数。