[发明专利]一种基于深度神经网络的电力负荷预测方法

权利要求书

1.一种基于深度神经网络的电力负荷预测方法，其特征在于，包括以下步骤：

(1)采集历史负载数据；

(2)使用多个并行卷积神经网络CNN组件来处理历史负载数据，使深度神经网络模型自动地从原始数据中学习特征表示，得到序列数据；

(3)使用多个具有不同滤波器大小的并行卷积神经网络CNN分量，将并行结构引入深度神经网络模型DNN中；

(4)通过递归神经网络处理序列数据得到一个隐藏的对应状态列表；

(5)将其他类型的特征纳入到我们的预测模型中作为模型的DNN部分的输入，进行负荷预测。

2.根据权利要求1所述的一种基于深度神经网络的电力负荷预测方法，其特征在于，所述步骤2在深度神经网络模型DNN的第一层中执行特征学习和特征提取，使用具有局部连接的接收域的内核，充当转换输入信号的过滤器，从原始输入中学习各种特性，使用多个并行卷积神经网络对历史负荷序列进行转换，以获得后续负荷预测的各种特征。

3.根据权利要求1所述的一种基于深度神经网络的电力负荷预测方法，其特征在于，所述步骤3将并行结构引入深度神经网络模型DNN中，而不是以级联方式叠加到DNN深度神经网络模型层，深度神经网络模型DNN从输入的历史负载序列中学习更丰富的特性，获得更丰富的特性。

4.根据权利要求1所述的一种基于深度神经网络的电力负荷预测方法，其特征在于，所述步骤4中递归神经网络对输入序列{x1,x2,…,xn}使用递归式：

h_t＝f(h_t-1，x_t)

x_t是时间t的输入，h_t是隐藏状态，将其视为所有时间t之前的输入。

5.根据权利要求4所述的一种基于深度神经网络的电力负荷预测方法，其特征在于，所述步骤4为解决梯度消失和爆炸问题，长短期记忆网络LSTM引入递推函数f，并按以下方式计算隐藏状态：

i_t＝σ(W_I·[h_t-1，，x_t]+b_i)

f_t＝σ(W_f·[h_t-1，，x_t]+b_f)

C_t＝f_t*C_t-1+i_t*C_t

o_t＝σ(W_o·[h_t-1，，x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中，i_t，f_t和o_t分别是输入门、遗忘门和输出门；C_t是单元状态，代表候选单元状态；W和B是LSTM单元的参数，通过将输入序列{x1，x2，…，xn}输入到RNN中，得到一个隐藏的对应状态列表{h1，h2，…，hn}作为输出。

6.根据权利要求5所述的一种基于深度神经网络的电力负荷预测方法，其特征在于，所述隐藏状态的平均值用作整个输入序列的特征表示。

7.根据权利要求1所述的一种基于深度神经网络的电力负荷预测方法，其特征在于，所述步骤5中其他类型的特征包括天气信息、假日以及预测的特定时间和日期。

8.根据权利要求7所述的一种基于深度神经网络的电力负荷预测方法，其特征在于，所述天气信息通过收集每日最高和最低温度，并直接使用温度作为数值特征的两个维度；假日通过获得每年的公共假日，将它们用作二进制特性，其中值1表示一天是假日，而0表示不是假日；预测的特定时间和日期被视为分类特征，并分别以24维和7维向量表示。