[发明专利]一种基于CSO优化深度信念网络的负荷预测方法

权利要求书

1.基于CSO优化深度信念网络的负荷预测方法，包括以下步骤：

步骤1：寻找冷热电负荷的影响因素，对能源数据进行预处理，之后计算能源需求影响因素互信息；

步骤2：改进灰色关联分析方法，求出能源需求距离相似度，能源需求的趋势相似度，构建能源需求的综合相似度模型；

步骤3：利用深度信念网络和纵横交叉算法，考虑光伏发电的园区能源需求进行预测。

2.根据权利要求1所述的基于CSO优化深度信念网络的负荷预测方法，其特征为：所述步骤1进一步包括如下内容：

选取温度、湿度、风速和风向4个气象因素的平均值、最大值和最小值，影响因素作为冷热电负荷预测模型的影响因素，表示为

H＝[h₁,...h_i,...h_n]

式中：H表示影响因素集合；表示第i个影响因素矩阵；n＝12表示影响因素个数；

对数据进行处理选用平均插值法和归一化计算方法,平均插值法的计算方法如下：

式中：x_i为经过修复或补齐的数据；x_i-1和x_i+1为异常或缺失数据前后的数据；

归一化计算的方法如下：

式中：x_i为经过归一化的数值；为原始数值；和分别为第j个影响因素矩阵最小值和最大值；

利用误差最小原则选择冷热电负荷对应的影响因素用以相似日选取，由于互信息描述了不同随机变量之间相互依赖的关联程度，所以此处选用互信息来描述冷热电负荷及其影响因素数据集之间的依赖的相互关系：

m＝1,2,...,t

式中：I(h_i,h_v)为冷热电负荷影响因素和冷热电负荷的互信息值；h_im为第i个影响因素在第m个时刻的值；h_vm为冷热电负荷在第m个时刻的值；p(h_im)和p(h_vm)为h_im和h_vm的边缘分布；p(h_im,h_vm)为概率密度函数；h_i,h_v表示为