[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

说明书

本发明涉及一种基于温度模糊处理和DBN的短期负荷预测方法，在负荷预测时综合考虑了天气因素、历史数据和日期类型对精度的影响，首先对全部数据进行预处理，然后用DBN算法进行负荷预测，DBN的预训练中的权重借助非监督贪婪逐层方法获得，然后其通过BP神经网络进行微调，克服了BP网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点。本发明能综合考虑天气和日期类型对负荷预测的影响，并建立DBN负荷预测模型，具有较高预测精度。

技术领域

本发明涉及负荷预测领域，特别是一种基于温度模糊处理和DBN的短期负荷预测方法。

背景技术

电力系统的负荷预测是基于大量历史数据，充分考虑系统的运行特性、增容决策、天气变化与社会影响等因数，对未来某特定时刻或者特定日期的负荷进行预测，其中负荷指的是电力的需求量(功率)或用电量。提高负荷预测的精度需要考虑天气等因素对用电负荷影响。根据不同预测目的，可将负荷预测分为四种类型：(1)长期负荷预测，是指预测未来3到5年或更长时间的负荷，主要用于电网改造及扩建的长远规划。(2)中期负荷预测，是指预测月到年的负荷，用于制定机组的运行及检修计划。(3)短期负荷预测，是指预测日负荷或者周负荷，用于安排对应的调度及供电计划。(4)超短期负荷预测，是指预测未来几分钟到1h的负荷，主要用于预防和紧急处理。

目前负荷预测的方法主要分为传统的方法和基于人工智能的预测方法两大类，智能算法的迅速发展为预测提供了理论基础，包括神经网络、粒子群算法(PSO)、支持向量机法、决策树等。其中统计分析方法时间序列法是主要借助历史数据之间的关系来预测未来数据；神经网络中BP算法借助训练大量数据提取其潜在的信息来预测未来数据。BP算法用于负荷预测时，精度较高，但存在收敛慢、容易陷入局部最优的缺点。

发明内容

有鉴于此，本发明的目的是提供一种基于温度模糊处理和DBN的短期负荷预测方法，充分考虑天气和日期类型等影响因素对负荷预测精度的影响，经验证，具有较高预测精度。

本发明采用以下方案实现：一种基于温度模糊处理和DBN的短期负荷预测方法，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。

进一步地，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。

进一步地，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。

进一步地，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；