[发明专利]基于深度置信网络及多源信息融合的负荷密度预测方法

权利要求书

1.一种基于深度置信网络及多源信息融合的负荷密度预测方法，其特征在于，包括：

通过建立地理信息系统获取空间负荷并进行数据预处理得到负荷元胞样本；

对负荷元胞样本进行多源信息融合得到标准负荷元胞样本库；

基于深度置信神经网络对负荷元胞样本库进行无监督训练，再进行有监督的反向调优训练，得到预测模型；

应用所述预测模型输出电力系统空间负荷密度。

2.根据权利要求1所述的基于深度置信网络及多源信息融合的负荷密度预测方法，其特征在于，所述通过建立地理信息系统获取空间负荷并进行数据预处理得到负荷元胞样本，包括：根据用地仿真、负荷密度、经济计量、历史负荷数据生成负荷元胞样本。

3.根据权利要求2所述的基于深度置信网络及多源信息融合的负荷密度预测方法，其特征在于，所述对负荷元胞样本进行多源信息融合得到标准负荷元胞样本库，包括：

对预处理过的元胞进行特征提取得到元胞特征信息；

然后按特征信息对多源元胞进行分类、聚集和综合，产生特征矢量；

利用特征级融合所述特征矢量，并输出所述特征矢量融合后的属性说明。

4.根据权利要求1所述的基于深度置信网络及多源信息融合的负荷密度预测方法，其特征在于，所述方法还包括：

对非结构化的元胞特征信息进行结构化处理。

5.根据权利要求1所述的基于深度置信网络及多源信息融合的负荷密度预测方法，其特征在于，对负荷元胞样本库进行无监督训练，包括：

采用RBM模型对负荷元胞样本库进行无监督训练；

并采用ReLU函数构成RBM模型的激活函数；

对空间负荷元胞样本进行抽样并计算激活概率，得到RBM模型的权重值和偏置值，所述权重值为RBM模型可见层和隐藏层神经元之间的连接权重，所述偏置值为RBM模型可见层和隐藏层的神经元偏置向量。

6.根据权利要求5所述的基于深度置信网络及多源信息融合的负荷密度预测方法，其特征在于，所述进行有监督的反向调优训练，包括：

利用前向传播算法得到预测模型输出层的激活值和输出值向量；

再利用后向误差传播算法修正预测模型的权重值和偏置值。

7.根据权利要求6所述的基于深度置信网络及多源信息融合的负荷密度预测方法，其特征在于，所述利用前向传播算法得到预测模型输出层的激活值和输出值向量，包括：

利用所述RBM模型的权重值和偏置值，判断输出层每个隐藏层神经元的激活状态；

逐层向后传播，并逐个计算隐藏层各神经元的激活值，并采用ReLU函数进行标准化；

计算输出层的激活值和输出值向量。

8.根据权利要求7所述的基于深度置信网络及多源信息融合的负荷密度预测方法，其特征在于，所述再利用后向误差传播算法修正预测模型的权重值和偏置值，包括：

利用反向误差传播算法重新计算预测模型的权重值和偏置值

根据所述输出层的激活值和输出值向量计算预测模型的平方误差向量；

根据所述平方误差向量采用梯度下降法修正预测模型的权重值和偏置值。

9.根据权利要求1所述的基于深度置信网络及多源信息融合的负荷密度预测方法，其特征在于，所述负荷元胞样本包括：元胞特征信息与饱和负荷密度。