[发明专利]一种基于CSO优化深度信念网络的负荷预测方法

说明书

基于CSO优化深度信念网络的负荷预测方法，包括以下步骤：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；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；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。本发明采用具有深层神经结构的深度信念网络构建预测模型，提高了预测精度；针对相似日选取，提出了一种改进灰色关联分析方法，从距离和趋势2个角度出发，计算样本集的与待预测日综合相似度，并设定一阈值有效地对相似日样本集进行选取。

技术领域

本发明涉及一种预测方法，尤其是涉及一种基于CSO优化深度信念网络的负荷预测方法

背景技术

伴随着国民经济的快速增长，能源的消耗逐年递增，面对能源短缺和环境危机在全球范围内逐步延伸，寻求新的可替代能源、提高清洁能源的使用比例在全球范围内得到了普遍认同。

为应对能源不足及带来的污染问题，光伏发电、风力发电、水电等技术成熟的发电方式得到广泛应用，其发展得到了大力支持。然而，光电等清洁能源发电过程中的间歇性和随机性导致在大规模并网时候出现电压、功率波动等问题，严重影响电网安全经济。一般而言，清洁能源大多地处偏僻，接入电网相对困难，造成了大量的弃风、弃光问题，分布式能源就地消纳成为急需解决的问题。以园区为代表的区域级多能互补系统，用电密度大，范围相对集中，可以有效地就地消纳电能与耦合多种能源，逐渐成为综合能源系统的重要载体。

现有技术如：刘琪琛等提出基于并行随机森林回归算法(Spark platform andparallel random forest regression,SP-RFR)的短期电力负荷预测方法(《电力建设》，2017，38(10)：84-92.),通过3次弹性分布式数据集(resilient distributed datasets,RDD)转换实现单机随机森林算法的并行化改进方法。

王玥等针对能量组织中小样本日前负荷概率预测问题,提出基于pinball损失函数的深度长短时记忆(long short-termmemory,LSTM)网络概率预测方法(《电网技术》，2019，43(9)：3053-3060.)。

然而，该现有技术只考虑精细化预测模型，忽略了输入不同对输出的影响，预测精度的提高有限。

因此，如何提供一种能够改进目前能源需求预测影响因素繁多、构建模型复杂、预测精度不足的问题，使能效提升最大化的综合能源系统规划算法是本领域技术人员亟需解决的问题。

发明内容

本发明提出了一种改进灰色关联分析和纵横交叉(crisscross optimization，CSO)算法优化深度信念网络的多能互补系统需求预测方法。针对冷热电负荷受多种影响因素作用，首先通过互信息方法计算不同影响因素重要程度，利用最小误差理论筛选出适当的影响因素；其次考虑到传统的灰色关联分析存在“假相关”情况，提出一种从距离和趋势两个角度考虑的综合相似度的改进灰色关联分析方法，计算并选取待预测冷热电负荷相似日；最后采用深度信念网络构建预测模型，利用纵横交叉算法优化模型关键性参数实现冷热电负荷预测，其技术方案如下：

基于CSO优化深度信念网络的负荷预测方法，其特征为：包括如下步骤：

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。

有益效果

(1)采用具有深层神经结构的深度信念网络构建预测模型，提高了预测精度；