[发明专利]一种基于深度学习的电力系统短期负荷预测方法

摘要

本发明公开了一种基于深度学习的电力系统短期负荷预测方法。首先，获取历史负荷、星期类型、节假日、气象信息等数据，并进行归一化和编码等预处理后作为输入特征，采用对比散度算法对由堆叠受限玻尔兹曼机构成的深度信念网络逐层学习并提取深层特征，最后采用反向传播算法对整个深度信念网络的参数进行微调，即由离线训练构建负荷预测模型。对电力系统24小时后的负荷进行在线预测，得到预测负荷。本发明提高了电力系统短期负荷预测的精度。

主权项

1.一种基于深度学习的电力系统短期负荷预测方法，其特征在于，包括离线训练预测模型阶段和在线预测阶段，所述离线训练预测模型阶段包括下列步骤：步骤1：获取历史日的历史负荷、星期类型、节假日、气象信息等数据，并进行归一化和编码等预处理；步骤2：将步骤1预处理后的数据作为输入特征，采用对比散度（CD）算法和反向传播（BP）算法对深度信念网络（DBN）进行离线训练，构建负荷预测模型；所述在线预测阶段包括以下步骤：步骤3：将待预测日的历史负荷、星期类型、节假日、气象信息等数据，按照步骤1的方法进行归一化和编码等预处理得到特征向量；步骤4：将步骤3得到的特征向量输入步骤2得到的负荷预测模型进行预测，获得24小时后的预测负荷。