[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

说明书

本发明提供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，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。基于多源融合并通过深度置信神经网络进行电力系统的空间负荷预测，提高空间负荷预测精度。

技术领域

本发明属于深度学习技术领域，具体涉及基于深度置信网络及多源信息融合的负荷密度预测方法。

背景技术

随着社会经济建设和日常生活对电力的需求越来越大,电力系统的运行负荷越来越来重,电力系统建设也朝着低碳清洁、安全可再生的方向发展。

空间负荷预测作为电力系统规划的基础环节，其结果用来确定供电设备应当配置的容量及其最佳位置，大力提高了电力系统建设的经济性。空间负荷预测是目前城市电网规划和建设领域中一个重要的研究课题，因为其基础性，在城市电网规划中占据着重要的地位，对规划质量起着关键的作用。

然而，实际工程中所应用的空间负荷预测方法，通常都是直接在历史负荷数据年最大值的基础上进行预测，并未充分考虑到历史负荷数据及空间电力负荷，导致预测结果精度较低。故传统方法进行空间负荷预测时，一般根据某一指标负荷预测的负荷，通过对原始负荷数据进行分析，预测未来各个时刻的负荷，不能充分挖掘不同属性负荷元胞的多源信息特征，以致结果精确度有待提高。

在数据方面，多源融合技术得到重视，在不同的信息抽象层次上体现，所述信息抽象层次包括像素层、特征层和决策层；分层结构并行处理，保持信息的准确性。达到将多种信息加以综合，消除多种信息之间存在的冗余和矛盾，加以互补，改善可靠性和准确性，提高数据使用效率。

发明内容

针对现有技术的上述不足，本发明提供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，以解决上述技术问题。

本发明提供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，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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。