CN110119826A - 一种基于深度学习的电力系统短期负荷预测方法 - Google Patents
一种基于深度学习的电力系统短期负荷预测方法 Download PDFInfo
- Publication number
- CN110119826A CN110119826A CN201810114487.4A CN201810114487A CN110119826A CN 110119826 A CN110119826 A CN 110119826A CN 201810114487 A CN201810114487 A CN 201810114487A CN 110119826 A CN110119826 A CN 110119826A
- Authority
- CN
- China
- Prior art keywords
- load
- history
- day
- feature vector
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000013277 forecasting method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims description 11
- 238000002203 pretreatment Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
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。
Description
技术领域
本发明属于电力系统预测与控制技术领域,尤其涉及一种基于深度学习的电力系统短期负荷预测方法。
背景技术
电力系统负荷预测按照预测期限的不同,分为长期预测、中期预测、短期预测、超短期预测。短期负荷预测不但为电力系统的安全、经济运行提供保障,也是市场环境下编排调度计划、供电计划、交易计划的基础。
现有的短期负荷预测方法,如回归分析法、时间序列法、卡尔曼滤波法、灰色预测法、人工神经网络法、小波分析法、支持向量机等方法,主要集中在浅层学习,在有限的样本和计算单元下对复杂函数的逼近能力有限,难以提取负荷序列的深层次特征,模型的泛化性能受到了限制,阻碍了预测精度的进一步提高。
发明内容
本发明所要解决的技术问题是,提供一种基于深度学习的电力系统短期负荷预测方法,避免浅层神经网络容易出现的过拟合和局部极小值问题,提高短期负荷预测的精度。
本发明具体采用以下技术方案解决上述技术问题:
一种基于深度学习的电力系统短期负荷预测方法,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CD算法和BP算法对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。
所述步骤1包括:
步骤101:从气象部门获得每天的平均气温,从电力部分获得历史负荷,包括历史日前7天每天24小时整点的负荷;
步骤102:构建历史日15维特征向量,包括:历史日前7天同一时刻的负荷,历史日前1天的平均负荷,历史日前1天前3小时的整点负荷,星期类型,节假日标志,历史日和历史日前1天的平均气温;
步骤103:对历史日特征向量每一维的数据,根据其最大值和最小值归一化到[0, 1]范围。
所述步骤2包括:
步骤201:采用CD算法逐层训练构成DBN的RBM;
步骤202:在DBN的最后一层设置BP网络,接收RBM的输出特征向量作为它的输入特征向量,有监督地训练获得BP网络权值,对整个DBN的参数进行微调。
本发明的有益效果在于,利用深度学习模型具有非常好的信息表达能力、鲁棒性和泛化性的特点,避免浅层神经网络容易出现的过拟合和局部极小值问题,提高电力系统24小时短期负荷预测的精度。
附图说明
图1是本发明实施例的一种基于深度学习的电力系统短期负荷预测方法的整体流程图。
图2是本发明实施例的RBM示意图。
具体实施方式
本发明提供一种基于深度学习的电力系统短期负荷预测方法,下面结合附图和实施例对本发明作详细说明。
本发明针对相关技术短期负荷预测容易出现的过拟合和局部极小值问题,在实施例中,将短期负荷预测的相关影响因素作为深度学习模型的输入,通过深度学习对短期负荷进行预测。下面对实施例的方案进行详细描述。
本实施例采用的深度学习模型是DBN结构,是基于3个隐层的非线性网络。
图1是基于深度学习的电力系统短期负荷预测方法的整体流程图,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,具体做法如下:
(1) 从气象部门获得每天的平均气温,从电力部分获得历史负荷,包括历史日前7天每天24小时整点的负荷;
(2) 构建历史日15维特征向量,包括:历史日前7天同一时刻的负荷,历史日前1天的平均负荷,历史日前1天前3小时的整点负荷,星期类型(周一到周五取1,周六周日取2),节假日标志(节假日取1,非节假日取0),历史日和历史日前1天的平均气温;
(3) 对历史日特征向量每一维的数据,根据其最大值和最小值归一化到[0, 1]范围。
步骤2、将步骤1预处理后的数据作为输入特征,采用CD算法和BP算法对DBN进行离线训练,构建负荷预测模型,具体做法如下:
步骤201:采用CD算法逐层训练构成DBN的RBM;
步骤202:在DBN的最后一层设置BP网络,接收RBM的输出特征向量作为它的输入特征向量,有监督地训练获得BP网络权值,对整个DBN的参数进行微调。
进一步的,步骤201包括以下步骤:
步骤S1:给定训练样本x0,隐层单元个数m,学习率ε,最大训练周期T。令可见层单元的初始状态v1= x0,连接权重矩阵W、可见层的偏置向量a、隐层的偏置向量b为随机选取的较小数值。
步骤S2:对t=1,2,…, T,重复步骤S3- S11。
步骤S3:对所有隐单元j=1,2,…, m,重复步骤S4和S5。
步骤S4:计算P(h1j|v1),即
。
步骤S5:从条件分布P(h1j|v1)中抽样h1j ∈{0,1}。
步骤S6:对所有可见单元i=1,2,…, n,重复步骤S7和S8。
步骤S7:计算P(v2i=1|h1),即
。
步骤S8:从条件分布P(v2i|h1)中抽样v2i ∈{0,1}。
步骤S9:对所有隐单元j=1,2,…, m,重复步骤S10。
步骤S10:计算P(h2j|v2),即
。
步骤S11:按下面的表达式更新各个参数:
其中,P(hk.=1|vk)(k=1,2)是m维列向量,其第j个元素为P(hkj=1|vk)。
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。
图2是本发明实施例的RBM示意图,采用步骤201描述的过程进行训练。
显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
Claims (3)
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。
2.根据权利要求1所述的基于深度学习的电力系统短期负荷预测方法,其特征在于,所述步骤1包括:
步骤101:从气象部门获得每天的平均气温,从电力部分获得历史负荷,包括历史日前7天每天24小时整点的负荷;
步骤102:构建历史日15维特征向量,包括:历史日前7天同一时刻的负荷,历史日前1天的平均负荷,历史日前1天前3小时的整点负荷,星期类型,节假日标志,历史日和历史日前1天的平均气温;
步骤103:对历史日特征向量每一维的数据,根据其最大值和最小值归一化到[0, 1]范围。
3.根据权利要求1所述的基于深度学习的电力系统短期负荷预测方法,其特征在于,所述步骤2包括:
步骤201:采用CD算法逐层训练构成DBN的RBM;
步骤202:在DBN的最后一层设置BP网络,接收RBM的输出特征向量作为它的输入特征向量,有监督地训练获得BP网络权值,对整个DBN的参数进行微调。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810114487.4A CN110119826A (zh) | 2018-02-06 | 2018-02-06 | 一种基于深度学习的电力系统短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810114487.4A CN110119826A (zh) | 2018-02-06 | 2018-02-06 | 一种基于深度学习的电力系统短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110119826A true CN110119826A (zh) | 2019-08-13 |
Family
ID=67519358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810114487.4A Pending CN110119826A (zh) | 2018-02-06 | 2018-02-06 | 一种基于深度学习的电力系统短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119826A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689168A (zh) * | 2019-09-03 | 2020-01-14 | 全球能源互联网研究院有限公司 | 一种用电负荷预测方法及预测装置 |
CN110895773A (zh) * | 2019-11-29 | 2020-03-20 | 合肥工业大学 | 一种基于广义需求侧资源的dbn电网负荷预测方法及装置 |
CN111476441A (zh) * | 2020-05-29 | 2020-07-31 | 南方电网科学研究院有限责任公司 | 一种电动汽车充电设备负荷预测方法及相关装置 |
CN111931994A (zh) * | 2020-07-20 | 2020-11-13 | 深圳供电局有限公司 | 一种短期负荷及光伏功率预测方法及其系统、设备、介质 |
CN112052983A (zh) * | 2019-11-20 | 2020-12-08 | 沈阳工业大学 | 一种基于信息物理融合的分布式电储热装置负荷预测方法 |
CN113077105A (zh) * | 2021-04-16 | 2021-07-06 | 国网安徽省电力有限公司 | 一种长假日负荷预测方法及装置 |
CN116415734A (zh) * | 2023-04-18 | 2023-07-11 | 浙江浙达能源科技有限公司 | 一种基于深度学习的超短期负荷预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
CN106447133A (zh) * | 2016-11-03 | 2017-02-22 | 上海交通大学 | 一种基于深度自编码网络的短期电力负荷预测方法 |
CN106709820A (zh) * | 2017-01-11 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于深度置信网络的电力系统负荷预测方法及装置 |
-
2018
- 2018-02-06 CN CN201810114487.4A patent/CN110119826A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
CN106447133A (zh) * | 2016-11-03 | 2017-02-22 | 上海交通大学 | 一种基于深度自编码网络的短期电力负荷预测方法 |
CN106709820A (zh) * | 2017-01-11 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于深度置信网络的电力系统负荷预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
PING LIU 等: "《Facial Expression Recognition via a Boosted Deep Belief Network》", 《IEEE》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689168A (zh) * | 2019-09-03 | 2020-01-14 | 全球能源互联网研究院有限公司 | 一种用电负荷预测方法及预测装置 |
CN110689168B (zh) * | 2019-09-03 | 2024-04-16 | 全球能源互联网研究院有限公司 | 一种用电负荷预测方法及预测装置 |
CN112052983A (zh) * | 2019-11-20 | 2020-12-08 | 沈阳工业大学 | 一种基于信息物理融合的分布式电储热装置负荷预测方法 |
CN110895773A (zh) * | 2019-11-29 | 2020-03-20 | 合肥工业大学 | 一种基于广义需求侧资源的dbn电网负荷预测方法及装置 |
CN111476441A (zh) * | 2020-05-29 | 2020-07-31 | 南方电网科学研究院有限责任公司 | 一种电动汽车充电设备负荷预测方法及相关装置 |
CN111931994A (zh) * | 2020-07-20 | 2020-11-13 | 深圳供电局有限公司 | 一种短期负荷及光伏功率预测方法及其系统、设备、介质 |
CN113077105A (zh) * | 2021-04-16 | 2021-07-06 | 国网安徽省电力有限公司 | 一种长假日负荷预测方法及装置 |
CN113077105B (zh) * | 2021-04-16 | 2023-11-24 | 国网安徽省电力有限公司 | 一种长假日负荷预测方法及装置 |
CN116415734A (zh) * | 2023-04-18 | 2023-07-11 | 浙江浙达能源科技有限公司 | 一种基于深度学习的超短期负荷预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119826A (zh) | 一种基于深度学习的电力系统短期负荷预测方法 | |
CN105631483B (zh) | 一种短期用电负荷预测方法及装置 | |
Almalaq et al. | A review of deep learning methods applied on load forecasting | |
Hu et al. | Hybrid filter–wrapper feature selection for short-term load forecasting | |
Lv et al. | A long Short-Term memory cyclic model with mutual information for hydrology forecasting: A Case study in the xixian basin | |
Hadavandi et al. | An improved sales forecasting approach by the integration of genetic fuzzy systems and data clustering: Case study of printed circuit board | |
CN110210993B (zh) | 基于循环神经网络模型的城市短期燃气负荷预测方法 | |
CN105427138A (zh) | 基于神经网络模型的产品市场占有率分析方法及系统 | |
CN112465256A (zh) | 一种基于Stacking模型融合的楼宇用电量预测方法和系统 | |
Yang et al. | A New Strategy for Short‐Term Load Forecasting | |
CN107977735A (zh) | 一种基于深度学习的城市日用水量预测方法 | |
CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
CN109034500A (zh) | 一种多时序协同的中期电力负荷预测方法 | |
Xiao et al. | Online sequential extreme learning machine algorithm for better predispatch electricity price forecasting grids | |
Fatema et al. | Electricity demand and price forecasting model for sustainable smart grid using comprehensive long short term memory | |
Perea et al. | New memory-based hybrid model for middle-term water demand forecasting in irrigated areas | |
Mu et al. | An improved LSTM-Seq2Seq-based forecasting method for electricity load | |
Agga et al. | Short-term load forecasting: based on hybrid CNN-LSTM neural network | |
CN109034453A (zh) | 一种基于多标记神经网络的短期电力负荷预测方法 | |
Yang et al. | Prediction of grain yield based on spiking neural networks model | |
CN114997475A (zh) | 一种基于Kmeans的融合模型光伏发电短期预测方法 | |
US20220092697A1 (en) | Deep Learning from Earning Calls for Stock Price Movement Prediction | |
Tran et al. | Effects of Data Standardization on Hyperparameter Optimization with the Grid Search Algorithm Based on Deep Learning: A Case Study of Electric Load Forecasting | |
Sergeev et al. | Improving accuracy of machine learning based short-term load forecasting models with correlation analysis and feature engineering | |
Reid et al. | Forecasting natural events using axonal delay |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190813 |