WO2019141040A1 - 一种短期电力负荷预测方法 - Google Patents

一种短期电力负荷预测方法 Download PDF

Info

Publication number
WO2019141040A1
WO2019141040A1 PCT/CN2018/122401 CN2018122401W WO2019141040A1 WO 2019141040 A1 WO2019141040 A1 WO 2019141040A1 CN 2018122401 W CN2018122401 W CN 2018122401W WO 2019141040 A1 WO2019141040 A1 WO 2019141040A1
Authority
WO
WIPO (PCT)
Prior art keywords
layer
deep belief
prediction model
belief network
network prediction
Prior art date
Application number
PCT/CN2018/122401
Other languages
English (en)
French (fr)
Inventor
王锐
张晓瑜
何敏藩
王珏
王炯琦
伍国华
戎海武
熊彦
Original Assignee
佛山科学技术学院
佛山市有义家科技有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 佛山科学技术学院, 佛山市有义家科技有限公司 filed Critical 佛山科学技术学院
Publication of WO2019141040A1 publication Critical patent/WO2019141040A1/zh

Links

Images

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Definitions

  • the present invention relates to the field of power system technologies, and more particularly to a power load prediction method.
  • Short-term load forecasting is an important part of power load forecasting, and it plays a vital role in the operation of traditional and open power systems.
  • short-term load forecasting is an effective tool for the economic and reliable operation of power systems.
  • Many operational decisions are based on the results of load forecasting, such as scheduling of power generation production, reliability and safety analysis and maintenance planning. Therefore, short-term load forecasting is an important market participant in the increasingly competitive power market. Improving the accuracy of short-term load forecasting can not only improve the accuracy of planning and scheduling, but also reduce the operating costs of the power system.
  • the change of load is a process of random variation.
  • the load value is non-stationary and nonlinear, and there is a lot of interference, which makes the accuracy of load prediction difficult to improve.
  • load forecasting methods mainly include time series method, support vector machine, BP artificial neural network method and so on.
  • the time series method mainly establishes the prediction model through the relationship between historical data and load.
  • the BP model mainly extracts the potential feature information of the load data and predicts the load through the learning and training of a large amount of load data.
  • the BP neural network is a kind of
  • the shallow neural network model of the multilayer neural unit is mainly composed of an input layer, an implicit layer and an output layer, and the neurons in each layer are connected to each other, and a weight is correspondingly present.
  • BP network has been used in load-related research at home and abroad, and the accuracy of prediction results is improved compared with traditional prediction methods.
  • BP neural network has many advantages, it still can't overcome its inherent limitations. The convergence speed is slow, and the training process may be trapped in local minimum. There is no specific method to determine the number of neurons in the hidden layer, which leads to training. The model is not universal. At the same time, for complex nonlinear mapping problems, it is difficult for shallow neural networks to learn how to solve such complex problems.
  • the technical problem to be solved by the present invention is to provide a short-term circuit load prediction method based on a hybrid activation function deep belief network.
  • a short-term power load forecasting method includes the following steps:
  • Step 1 Establish a deep belief network prediction model of the 4-layer network structure
  • Step 2 Using the unsupervised layer-by-layer greedy algorithm, combined with the recent actual power consumption of the measured electrical load to train the deep belief network prediction model, obtain the parameter values of each layer of the deep belief network prediction model, and set the activation of the deep belief network prediction model. a function, through training learning, obtaining a mapping relationship between input and output of the deep belief network prediction model;
  • Step 3 According to the determined deep belief network prediction model, predict the actual power consumption of the measured electrical load, and obtain the predicted power consumption power of the measured electrical load.
  • the deep belief network prediction model of the 4-layer network structure is established in the following step 1: constructing a deep belief with a 4-layer network structure by stacking two restricted Boltzmann machines Network prediction model;
  • the deep belief network prediction model has an input layer, two hidden layers, an output layer neural network, an input layer and a first hidden layer constitute a restricted Boltzmann machine, the first implicit The layer and the second hidden layer constitute a constrained Boltzmann machine, and the output layer is composed of a layer of BP network.
  • the two layers of the implicit layer activation function of the deep belief network prediction model select the purelin function and the tansig function, respectively.
  • the step 2 includes the following steps:
  • Step 21 According to the training process of the restricted Boltzmann machine, perform unsupervised layer-by-layer greedy training on the deep belief network prediction model established in step 1, thereby obtaining the parameter values of each layer of the deep belief network prediction model;
  • Step 22 Fine-tune the improved deep belief network prediction model using supervised learning
  • the target output of the deep belief network prediction model is used as a supervised signal to construct a loss function, and the gradient descent method is used to supervise the deep belief network prediction model, and finally the deep belief network prediction model is finally determined.
  • the recent actual power consumption in step 2 is the power consumption data of the measured power load for three months
  • the input vector of the deep belief network prediction model is the power consumption per hour for the first three days.
  • the output vector is the power consumption per hour on day 4.
  • step 3 the actual power consumption of the measured electrical load is predicted to predict the actual power consumption of the measured electrical load for the next 7 days.
  • the invention has the beneficial effects that the deep belief network prediction network of the invention is introduced into the power load power prediction, and the intrinsic relationship between input and output is learned through the deep structure of the network, thereby realizing the prediction of the load power consumption for a period of time in the future. Moreover, the power load prediction method of the present invention largely predicts the accuracy and speed of prediction. The invention is created to predict short term electrical load conditions.
  • FIG. 1 is a flow chart of a prediction method of the present invention.
  • the present invention discloses a short-term power load forecasting method comprising the following steps:
  • Step 1 Establish a deep belief network prediction model of the 4-layer network structure
  • Step 2 Using the unsupervised layer-by-layer greedy algorithm, combined with the recent actual power consumption of the measured electrical load to train the deep belief network prediction model, obtain the parameter values of each layer of the deep belief network prediction model, and set the activation of the deep belief network prediction model. a function, through training learning, obtaining a mapping relationship between input and output of the deep belief network prediction model;
  • Step 3 According to the determined deep belief network prediction model, predict the actual power consumption of the measured electrical load, and obtain the predicted power consumption power of the measured electrical load.
  • the deep belief network prediction network of the present invention is introduced into the power load power prediction, and the intrinsic relationship between input and output is learned through the deep structure of the network, so as to predict the power consumption of the load for a period of time in the future.
  • the power load prediction method of the present invention largely predicts the accuracy and speed of prediction.
  • the deep belief network prediction model of the 4-layer network structure is established in the step 1 by the following method: the overlay construction of the two restricted Boltzmann machines has Deep belief network prediction model of 4-layer network structure;
  • the deep belief network prediction model refers to a neural network having one input layer, two hidden layers, and one output layer, and the input layer and the first hidden layer constitute a restricted Boltzmann machine, the first The hidden layer and the second hidden layer constitute a constrained Boltzmann machine, and the output layer is composed of a layer of BP network. There are 72 nodes in the input layer, 24 nodes in the output layer, and 80 and 30 nodes in the hidden layer.
  • the two layers of the implicit layer activation function of the deep belief network prediction model select the purelin function and the tansig function, respectively.
  • the restricted Boltzmann machine is an energy-based generation model composed of two layers of networks, called a visible layer and an implicit layer. That is, it consists of a layer of visible nodes and a layer of hidden nodes. There is no connection between the nodes of each layer, only there is a connection between the two layers. The connections between the two nodes are bidirectional and symmetrical.
  • the joint configuration energy of the visible layer and the hidden layer of the restricted Boltzmann machine is as shown in Expression 1.
  • v i and h j represent the states of the visible node i and the hidden node j, respectively.
  • w ij represents the connection weight between the visible layer and the hidden layer.
  • ⁇ (x) represents the sigmoid function 1/(1+exp(-x)).
  • the training process of the restricted Boltzmann machine is described as follows. First, selecting a training sample to obtain a visible node, that is, obtaining ⁇ v i ⁇ , and then sampling according to the probability to obtain the state of the implicit node ⁇ h j ⁇ , the process is iteratively repeated visible nodes and hidden nodes update and continue "reconstruction" state v 'i and h' j process.
  • the update formula of the relevant parameters is as shown in Expression 4 to Expression 6.
  • ⁇ a j ⁇ ( ⁇ h j >- ⁇ h' j >)
  • ⁇ refers to the learning rate, which ranges from 0 to 1
  • ⁇ > refers to the expectation of training data.
  • This training process is called unsupervised layer-by-layer greedy method and is a method commonly used by those skilled in the art. .
  • the step 2 includes the following steps:
  • Step 21 According to the training process of the restricted Boltzmann machine, perform unsupervised layer-by-layer greedy training on the deep belief network prediction model established in step 1, thereby obtaining the parameter values of each layer of the deep belief network prediction model;
  • Step 22 Fine-tune the improved deep belief network prediction model using supervised learning
  • the target output of the deep belief network prediction model is used as a supervised signal to construct a loss function, and the gradient descent method is used to supervise the deep belief network prediction model, and finally the deep belief network prediction model is finally determined.
  • the deep belief network prediction model is a generation model. By training the weights between layers, the entire neural network can generate training data according to the maximum probability. This training process is divided into two phases: the pre-training phase and the fine-tuning phase.
  • Pre-training is the separate training of each Restricted Boltzmann machine (RBM) by an unsupervised layer-by-layer greedy algorithm.
  • RBM Restricted Boltzmann machine
  • the training set data vector v and the first layer hidden layer vector h 0 are taken as one RBM, and the parameters of the RBM (ie, the weights of connecting v and h 0 , the offsets of each node of x and h 0 ) are trained, and then fixed.
  • the parameters of this RBM then regard h 0 as a visible vector, treat the second layer hidden layer vector h 1 as an implicit vector, train the second RBM, get its parameters, and then fix these parameters.
  • the parameter values of each layer of the deep belief network prediction model are obtained.
  • the improved deep belief network prediction model After the pre-training, the improved deep belief network prediction model is fine-tuned.
  • the target output of the deep belief network prediction model is used as the supervised signal to construct the loss function.
  • the gradient descent method is used to supervise the improved deep belief network prediction model.
  • the loss function is as shown in Expression 7, Where y represents actual data and y' represents predicted data.
  • the last layer of the deep belief network prediction model is the BP network.
  • the output feature vector of the RBM is received as its input feature vector.
  • Each layer of the RBM network can only ensure that the weights in its own layer are optimal for the feature vector mapping of the layer. It is not optimal for the eigenvector mapping of the whole network. Therefore, the error information of the loss function is propagated from top to bottom to each layer of RBM by using the gradient descent method, and the parameter values of the network are finely adjusted, and finally the determined deep belief network prediction is obtained. model.
  • the recent actual power consumption in step 2 is the power consumption data of the measured power load for three months, and the input vector of the deep belief network prediction model is the first three.
  • the hourly power consumption, the output vector is the electricity consumption per hour on the fourth day.
  • step 3 the actual power consumption of the measured electrical load is predicted to predict the actual power consumption of the measured power load for the next 7 days.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (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)

Abstract

一种短期电力负荷预测方法，包括建立4层网络结构的深度信念网络预测模型；对深度信念网络预测模型进行训练，得到深度信念网络预测模型每层的参数值，设置深度信念网络预测模型的激活函数，通过训练学习得到所述深度信念网络预测模型输入输出之间的映射关系；对被测电力负荷的实际用电功率进行预测，得到所述被测电力负荷的用电功率预测结果。深度信念网络预测网络引入到电力负荷功率预测中，通过网络的深层结构，学习输入输出之间的内在关系，实现对未来一段时间负荷用电功率的预测，预测的精确度和预测的速度高。

Description

一种短期电力负荷预测方法 技术领域
本发明涉及电力系统技术领域，更具体地说涉及一种电力负荷预测方法。
背景技术
短期负荷预测是电力负荷预测的重要组成部分，它在传统的和开放的电力系统运行中都起着至关重要的作用。在开放的电力市场中，短期负荷预测是电力系统经济可靠运行的有效工具。许多操作决策都是基于负荷预测的结果给出的，如发电生产的调度安排，可靠性和安全性分析和维护计划。故短期负荷预测是日益竞争激烈的电力市场中重要的市场参与者。提高短期负荷预测的准确性，既可以提高规划和调度的准确性，还可以降低电力系统的运营成本。
负荷的变化是一个随机变化的过程，负荷值具有非平稳和非线性，且存在大量干扰，使得负荷预测的精度很难提高。目前负荷预测方法主要有时间序列法、支持向量机、BP人工神经网络法等。时间序列法主要是通过历史数据与负荷之间的关系来建立预测模型；BP模型主要是通过大量负荷数据的学习和训练，提取负荷数据潜在的特征信息进而预测负荷，BP神经网络是一种具有多层神经单元的浅层神经网络模型，主要由输入层、隐含层和输出层构成，各层神经元之间相互连接，且相应地存在一个权值。目前国内外已将BP网络用于负荷预测的相关研究，且预测结果精度比传统预测方法有所提高。虽 然BP神经网络具有很多优势，但仍无法克服其所固有的局限性，收敛速度慢，训练过程可能陷于局部极小；隐含层神经元个数没有一个具体的方法来确定，导致已经训练好的模型不具有普适性。同时，对于复杂的非线性映射问题，浅层神经网络很难学习解决这种复杂问题的方法。
发明内容
本发明要解决的技术问题是：提供一种基于混合激活函数深度信念网络的短期电路负荷预测方法。
本发明解决其技术问题的解决方案是：
一种短期电力负荷预测方法，包括以下步骤：
步骤1.建立4层网络结构的深度信念网络预测模型；
步骤2.采用非监督逐层贪心算法，结合被测电力负荷的近期实际用电功率对深度信念网络预测模型进行训练，得到深度信念网络预测模型每层的参数值，设置深度信念网络预测模型的激活函数，通过训练学习得到所述深度信念网络预测模型输入输出之间的映射关系；
步骤3.根据确定的深度信念网络预测模型，对被测电力负荷的实际用电功率进行预测，得到所述被测电力负荷的用电功率预测结果。
作为上述技术方案的进一步改进，所述步骤1中通过以下方法建立4层网络结构的深度信念网络预测模型：通过2个受限玻尔兹曼机的叠置构建具有4层网络结构的深度信念网络预测模型；
所述深度信念网络预测模型具有一个输入层，两个隐含层，一个输出层的神经网络，输入层和第一个隐含层构成了一个受限玻尔兹曼 机，第一个隐含层和第二个隐含层又构成了一个受限玻尔兹曼机，输出层为一层的BP网络构成。输入层的节点为72个，输出层的节点为24个，所述第一个隐含层以及第二个隐含层的节点分别为80、30个；
所述深度信念网络预测模型的两层隐含层激活函数分别选用purelin函数和tansig函数。
作为上述技术方案的进一步改进，所述步骤2包括以下步骤：
步骤21.根据受限玻尔兹曼机的训练过程，对步骤1建立的深度信念网络预测模型进行无监督的逐层贪心训练，从而得到深度信念网络预测模型每层的参数值；
步骤22.使用有监督的学习对所述改进的深度信念网络预测模型进行微调；
所述步骤22中以深度信念网络预测模型的目标输出作为监督信号，构建损失函数，采用梯度下降法，对所述深度信念网络预测模型进行有监督的训练，最终确定深度信念网络预测模型。
作为上述技术方案的进一步改进，步骤2中所述近期实际用电功率为被测电力负荷三个月的用电功率数据，所述深度信念网络预测模型的输入向量为前3天每小时的用电功率，输出向量为第4天每小时的用电功率。
作为上述技术方案的进一步改进，步骤3中，所述对被测电力负荷的实际用电功率进行预测为对被测电力负荷未来7天的实际用电功率进行预测。
本发明的有益效果是：本发明深度信念网络预测网络引入到电力负荷功率预测中，通过网络的深层结构，学习输入输出之间的内在关系，实现对未来一段时间负荷用电功率的预测。而且本发明的电力负荷预测方法很大程度上预测的精确度和预测的速度高。本发明创造用于对短期电力负荷情况进行预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。
图1是本发明的预测方法流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，文中所提到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
参照图1，本发明创造公开了一种短期电力负荷预测方法，包括以下步骤：
步骤1.建立4层网络结构的深度信念网络预测模型；
步骤2.采用非监督逐层贪心算法，结合被测电力负荷的近期实际用电功率对深度信念网络预测模型进行训练，得到深度信念网络预测模型每层的参数值，设置深度信念网络预测模型的激活函数，通过训练学习得到所述深度信念网络预测模型输入输出之间的映射关系；
步骤3.根据确定的深度信念网络预测模型，对被测电力负荷的实际用电功率进行预测，得到所述被测电力负荷的用电功率预测结果。
具体地，本发明深度信念网络预测网络引入到电力负荷功率预测中，通过网络的深层结构，学习输入输出之间的内在关系，实现对未来一段时间负荷用电功率的预测。而且本发明的电力负荷预测方法很大程度上预测的精确度和预测的速度高。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤1中通过以下方法建立4层网络结构的深度信念网络预测模型：通过2个受限玻尔兹曼机的叠置构建具有4层网络结构的深度信念网络预测模型；
所述深度信念网络预测模型是指具有一个输入层，两个隐含层，一个输出层的神经网络，输入层和第一个隐含层构成了一个受限玻尔兹曼机，第一个隐含层和第二个隐含层又构成了一个受限玻尔兹曼机，输出层为一层的BP网络构成。输入层的节点为72个，输出层的节点为24个，隐含层的节点分别为80、30个；
所述深度信念网络预测模型的两层隐含层激活函数分别选用purelin函数和tansig函数。
具体地，所述受限玻尔兹曼机是一个基于能量的生成型模型，由两层网络构成，分别称为可见层和隐含层。即由一层可见节点和一层隐含节点组成。每一层的节点之间没有连接，只有两层之间存在连接。两层节点之间的连接是双向的和对称的。
所述受限玻尔兹曼机的可见层和隐含层的联合组态能量如表达式1所示，
Figure PCTCN2018122401-appb-000001
其中v i和h j分别表示可见节点i和隐藏节点j的状态。w ij代表可见层和隐藏层之间的连接权重。a j和b i分别指节点j和节点i的阈值，θ是模型参数θ＝{w,a,b}。对于二进制状态的节点，也就是说，v i和h j∈{0,1}。h j的状态为1的概率如表达式2所示，
Figure PCTCN2018122401-appb-000002
σ(x)表示sigmoid函数1/(1+exp(-x))。隐含单元的二进制状态确定后，重构v i的状态为1的概率如表达式3所示，
Figure PCTCN2018122401-appb-000003
受限玻尔兹曼机的训练过程描述如下，首先，选择一个训练样本得出可见节点，即得到{v i}，然后根据概率进行采样得到隐含节点的状态{h j}，这个过程是重复迭代更新的可见节点和隐含节点，并不断“重建”的状态v′ i和h′ j的过程。相关参数的更新公式如表达式4至表达式6所示。
Δw ij＝η(<v ih j>-<v′ ih′ j>)
Δa j＝η(<h j>-<h′ j>)
Δb i＝η(<v i>-<v′ i>)
η是指学习率，取值范围是0到1间的任意值，<·>是指对训练数据的期望，此训练过程称为无监督的逐层贪心方法，是本领域技术人员常用的方法。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤2包括以下步骤：
步骤21.根据受限玻尔兹曼机的训练过程，对步骤1建立的深度信念网络预测模型进行无监督的逐层贪心训练，从而得到深度信念网络预测模型每层的参数值；
步骤22.使用有监督的学习对所述改进的深度信念网络预测模型进行微调；
所述步骤22中以深度信念网络预测模型的目标输出作为监督信号，构建损失函数，采用梯度下降法，对所述深度信念网络预测模型进行有监督的训练，最终确定深度信念网络预测模型。
所述深度信念网络预测模型一个生成型的模型，通过训练各层间的权重，可以让整个神经网络按照最大概率来生成训练数据。这个训练过程分为两个阶段：预训练阶段和微调阶段。
预训练是通过一种无监督逐层贪心算法分别单独训练每个受限玻尔兹曼机(RBM)。首先把训练集数据向量v和第一层隐含层向量 h 0作为一个RBM,训练出这个RBM的参数(即连接v和h 0的权重,x和h 0各个节点的偏置),然后固定这个RBM的参数,再把h 0视作可见向量,把第二层隐含层向量h 1视作隐含向量,训练第二个RBM,得到其参数,然后固定这些参数。最终得到深度信念网络预测模型每层的参数值。
预训练结束后，对改进的深度信念网络预测模型进行微调。以深度信念网络预测模型的目标输出作为监督信号，构建损失函数，采用梯度下降法，对所述改进的深度信念网络预测模型进行有监督的训练。所述损失函数如表达式7所示，
Figure PCTCN2018122401-appb-000004
其中，y表示实际数据，y′表示预测数据。
深度信念网络预测模型的最后一层是BP网络，接收RBM的输出特征向量作为它的输入特征向量，每一层RBM网络只能确保自身层内的权值对该层特征向量映射达到最优，并不是对整个网络的特征向量映射达到最优，所以利用梯度下降法将损失函数的错误信息自顶向下传播至每一层RBM，微调整个网络的参数值，最终得到确定的深度信念网络预测模型。
进一步作为优选的实施方式，本发明创造具体实施方式中，步骤2中所述近期实际用电功率为被测电力负荷三个月的用电功率数据，所述深度信念网络预测模型的输入向量为前3天每小时的用电功率，输出向量为第4天每小时的用电功率。
进一步作为优选的实施方式，本发明创造具体实施方式中，步骤3中，所述对被测电力负荷的实际用电功率进行预测为对被测电力负 荷未来7天的实际用电功率进行预测。
以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (5)

  1. 一种短期电力负荷预测方法，其特征在于，包括以下步骤：
    步骤1.建立4层网络结构的深度信念网络预测模型；
    步骤2.采用非监督逐层贪心算法，结合被测电力负荷的近期实际用电功率对深度信念网络预测模型进行训练，得到深度信念网络预测模型每层的参数值，设置深度信念网络预测模型的激活函数，通过训练学习得到所述深度信念网络预测模型输入输出之间的映射关系；
    步骤3.根据确定的深度信念网络预测模型，对被测电力负荷的实际用电功率进行预测，得到所述被测电力负荷的用电功率预测结果。
  2. 根据权利要求1所述的一种短期电力负荷预测方法，其特征在于，所述步骤1中通过以下方法建立4层网络结构的深度信念网络预测模型：通过2个受限玻尔兹曼机的叠置构建具有4层网络结构的深度信念网络预测模型；
    所述深度信念网络预测模型具有一个输入层，两个隐含层，一个输出层的神经网络，输入层和第一个隐含层构成了一个受限玻尔兹曼机，第一个隐含层和第二个隐含层又构成了一个受限玻尔兹曼机，输出层为一层的BP网络构成，输入层的节点为72个，输出层的节点为24个，第一个隐含层和第二个隐含层的节点分别为80、30个；
    所述深度信念网络预测模型的两层隐含层激活函数分别选用purelin函数和tansig函数。
  3. 根据权利要求2所述的一种短期电力负荷预测方法，其特征在于，所述步骤2包括以下步骤：
    步骤21.根据受限玻尔兹曼机的训练过程，对步骤1建立的深度信念网络预测模型进行无监督的逐层贪心训练，从而得到深度信念网络预测模型每层的参数值；
    步骤22.使用有监督的学习对所述改进的深度信念网络预测模型进行微调；
    所述步骤22中以深度信念网络预测模型的目标输出作为监督信号，构建损失函数，采用梯度下降法，对所述深度信念网络预测模型进行有监督的训练，最终确定深度信念网络预测模型。
  4. 根据权利要求3所述的一种短期电力负荷预测方法，其特征在于：步骤2中所述近期实际用电功率为被测电力负荷三个月的用电功率数据，所述深度信念网络预测模型的输入向量为前3天每小时的用电功率，输出向量为第4天每小时的用电功率。
  5. 根据权利要求4所述的一种短期电力负荷预测方法，其特征在于：步骤3中，所述对被测电力负荷的实际用电功率进行预测为对被测电力负荷未来7天的实际用电功率进行预测。
PCT/CN2018/122401 2018-01-22 2018-12-20 一种短期电力负荷预测方法 WO2019141040A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810059484.5A CN108108858A (zh) 2018-01-22 2018-01-22 一种短期电力负荷预测方法
CN201810059484.5 2018-01-22

Publications (1)

Publication Number Publication Date
WO2019141040A1 true WO2019141040A1 (zh) 2019-07-25

Family

ID=62220161

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/122401 WO2019141040A1 (zh) 2018-01-22 2018-12-20 一种短期电力负荷预测方法

Country Status (2)

Country Link
CN (1) CN108108858A (zh)
WO (1) WO2019141040A1 (zh)

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027772A (zh) * 2019-12-10 2020-04-17 长沙理工大学 基于pca-dbilstm的多因素短期负荷预测方法
CN111080472A (zh) * 2019-11-12 2020-04-28 国网山西省电力公司晋中供电公司 一种电力系统负荷预测和分析方法
CN111091247A (zh) * 2019-12-24 2020-05-01 天津相和电气科技有限公司 基于深度神经网络模型融合的电力负荷预测方法、装置
CN111191823A (zh) * 2019-12-20 2020-05-22 西北工业大学 一种基于深度学习的生产物流预测方法
CN111476435A (zh) * 2020-04-30 2020-07-31 国核电力规划设计研究院有限公司 基于密度峰值的充电桩负荷预测方法
CN111815033A (zh) * 2020-06-19 2020-10-23 上海电力大学 一种基于rcnn和气象时序特征的海上风电功率预测方法
CN111898650A (zh) * 2020-07-08 2020-11-06 国网浙江省电力有限公司杭州供电公司 基于深度学习的营配用数据自动聚类分析设备及方法
CN111950696A (zh) * 2020-06-29 2020-11-17 燕山大学 一种基于降维和改进神经网络的短期电力负荷预测方法
CN112001525A (zh) * 2020-07-22 2020-11-27 温州电力设计有限公司 一种区域远景与近中期综合负荷预测方法
CN112085111A (zh) * 2020-09-14 2020-12-15 南方电网科学研究院有限责任公司 一种负荷辨识方法和装置
CN112215405A (zh) * 2020-09-23 2021-01-12 国网甘肃省电力公司营销服务中心 一种基于dann域适应学习的非侵入式居民用电负荷分解方法
CN112330051A (zh) * 2020-11-20 2021-02-05 国网辽宁省电力有限公司营口供电公司 一种基于Kmeans与FR-DBN的短期负荷预测方法
CN112418504A (zh) * 2020-11-17 2021-02-26 西安热工研究院有限公司 一种基于混合变量选择优化深度信念网络风速预测方法
CN112418485A (zh) * 2020-10-27 2021-02-26 西安交通大学 基于负荷特性和用电行为模式的家庭负荷预测方法及系统
CN112434848A (zh) * 2020-11-19 2021-03-02 西安理工大学 基于深度信念网络的非线性加权组合风电功率预测方法
CN112446537A (zh) * 2020-11-20 2021-03-05 国网浙江省电力有限公司宁波供电公司 基于深度长短期记忆网络的短期负荷预测方法
CN112766078A (zh) * 2020-12-31 2021-05-07 辽宁工程技术大学 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法
CN113177355A (zh) * 2021-04-28 2021-07-27 南方电网科学研究院有限责任公司 一种电力负荷预测方法
CN113297791A (zh) * 2021-05-18 2021-08-24 四川大川云能科技有限公司 一种基于改进dbn的风功率组合预测方法
CN113837441A (zh) * 2021-08-24 2021-12-24 山东大学 考虑eemd分解后重构准确性的电力负荷预测方法及系统
CN113837486A (zh) * 2021-10-11 2021-12-24 云南电网有限责任公司 一种基于rnn-rbm的配网馈线长期负荷预测方法
CN114091758A (zh) * 2021-11-23 2022-02-25 四川信天启智能技术有限公司 一种中短期负荷预测方法、系统以及存储介质
CN114169416A (zh) * 2021-11-30 2022-03-11 电子科技大学 一种基于迁移学习的小样本集下短期负荷预测方法
CN114511058A (zh) * 2022-01-27 2022-05-17 国网江苏省电力有限公司泰州供电分公司 一种用于电力用户画像的负荷元件构建方法及装置
CN115730701A (zh) * 2022-10-17 2023-03-03 淮阴工学院 一种适用于小型用能场所电力调度设备的负荷预测方法及系统
CN115882454A (zh) * 2023-02-09 2023-03-31 国网浙江省电力有限公司宁波供电公司 基于多元信息融合的源荷功率预测方法及系统
CN115936060A (zh) * 2022-12-28 2023-04-07 四川物通科技有限公司 一种基于深度确定性策略梯度的变电站电容温度预警方法
CN117406137A (zh) * 2023-12-12 2024-01-16 国网辽宁省电力有限公司抚顺供电公司 一种输电线路雷电泄电流监测方法及系统
CN117520818A (zh) * 2023-11-08 2024-02-06 广州水沐青华科技有限公司 一种电力指纹识别方法、装置、电子设备及存储介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108108858A (zh) * 2018-01-22 2018-06-01 佛山科学技术学院 一种短期电力负荷预测方法
CN109190820B (zh) * 2018-08-29 2022-03-18 东北电力大学 一种考虑用户流失率的电力市场售电量深度预测方法
CN109102126B (zh) * 2018-08-30 2021-12-10 燕山大学 一种基于深度迁移学习的理论线损率预测模型
CN112330010A (zh) * 2020-11-03 2021-02-05 长安大学 一种基于深度学习的电力用户负荷区间预测方法
CN113890048B (zh) * 2021-10-22 2023-08-04 三峡大学 基于竞争深度q学习的微电网紧急减载方法
CN114330824A (zh) * 2021-11-19 2022-04-12 广东电网有限责任公司 一种考虑源荷协同运行的能源需求预测方法及系统
CN116070798A (zh) * 2023-03-30 2023-05-05 国网山东省电力公司滨州供电公司 一种光伏发电功率短期预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107392364A (zh) * 2017-07-12 2017-11-24 河海大学 变分模态分解与深度信念网络的短期负荷预测方法
CN107578124A (zh) * 2017-08-28 2018-01-12 国网山东省电力公司电力科学研究院 基于多层改进gru神经网络的短期电力负荷预测方法
CN108108858A (zh) * 2018-01-22 2018-06-01 佛山科学技术学院 一种短期电力负荷预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107392364A (zh) * 2017-07-12 2017-11-24 河海大学 变分模态分解与深度信念网络的短期负荷预测方法
CN107578124A (zh) * 2017-08-28 2018-01-12 国网山东省电力公司电力科学研究院 基于多层改进gru神经网络的短期电力负荷预测方法
CN108108858A (zh) * 2018-01-22 2018-06-01 佛山科学技术学院 一种短期电力负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZHANG, XIAOYU: "Short-term load forecasting based on a improved deep belief network", 2016 INTERNATIONAL CONFERENCE ON SMART GRID AND CLEAN ENERGY TECHNOLOGIES (ICSGCE), 22 October 2016 (2016-10-22), pages 339 - 342, XP033075446 *

Cited By (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080472A (zh) * 2019-11-12 2020-04-28 国网山西省电力公司晋中供电公司 一种电力系统负荷预测和分析方法
CN111027772B (zh) * 2019-12-10 2024-02-27 长沙理工大学 基于pca-dbilstm的多因素短期负荷预测方法
CN111027772A (zh) * 2019-12-10 2020-04-17 长沙理工大学 基于pca-dbilstm的多因素短期负荷预测方法
CN111191823B (zh) * 2019-12-20 2023-06-27 西北工业大学 一种基于深度学习的生产物流预测方法
CN111191823A (zh) * 2019-12-20 2020-05-22 西北工业大学 一种基于深度学习的生产物流预测方法
CN111091247A (zh) * 2019-12-24 2020-05-01 天津相和电气科技有限公司 基于深度神经网络模型融合的电力负荷预测方法、装置
CN111476435A (zh) * 2020-04-30 2020-07-31 国核电力规划设计研究院有限公司 基于密度峰值的充电桩负荷预测方法
CN111476435B (zh) * 2020-04-30 2024-02-09 国核电力规划设计研究院有限公司 基于密度峰值的充电桩负荷预测方法
CN111815033A (zh) * 2020-06-19 2020-10-23 上海电力大学 一种基于rcnn和气象时序特征的海上风电功率预测方法
CN111950696A (zh) * 2020-06-29 2020-11-17 燕山大学 一种基于降维和改进神经网络的短期电力负荷预测方法
CN111898650A (zh) * 2020-07-08 2020-11-06 国网浙江省电力有限公司杭州供电公司 基于深度学习的营配用数据自动聚类分析设备及方法
CN112001525A (zh) * 2020-07-22 2020-11-27 温州电力设计有限公司 一种区域远景与近中期综合负荷预测方法
CN112085111B (zh) * 2020-09-14 2024-01-23 南方电网科学研究院有限责任公司 一种负荷辨识方法和装置
CN112085111A (zh) * 2020-09-14 2020-12-15 南方电网科学研究院有限责任公司 一种负荷辨识方法和装置
CN112215405A (zh) * 2020-09-23 2021-01-12 国网甘肃省电力公司营销服务中心 一种基于dann域适应学习的非侵入式居民用电负荷分解方法
CN112215405B (zh) * 2020-09-23 2024-04-16 国网甘肃省电力公司电力科学研究院 一种基于dann域适应学习的非侵入式居民用电负荷分解方法
CN112418485A (zh) * 2020-10-27 2021-02-26 西安交通大学 基于负荷特性和用电行为模式的家庭负荷预测方法及系统
CN112418504A (zh) * 2020-11-17 2021-02-26 西安热工研究院有限公司 一种基于混合变量选择优化深度信念网络风速预测方法
CN112418504B (zh) * 2020-11-17 2023-02-28 西安热工研究院有限公司 一种基于混合变量选择优化深度信念网络风速预测方法
CN112434848A (zh) * 2020-11-19 2021-03-02 西安理工大学 基于深度信念网络的非线性加权组合风电功率预测方法
CN112434848B (zh) * 2020-11-19 2023-06-16 西安理工大学 基于深度信念网络的非线性加权组合风电功率预测方法
CN112446537A (zh) * 2020-11-20 2021-03-05 国网浙江省电力有限公司宁波供电公司 基于深度长短期记忆网络的短期负荷预测方法
CN112330051A (zh) * 2020-11-20 2021-02-05 国网辽宁省电力有限公司营口供电公司 一种基于Kmeans与FR-DBN的短期负荷预测方法
CN112766078B (zh) * 2020-12-31 2024-04-16 辽宁工程技术大学 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法
CN112766078A (zh) * 2020-12-31 2021-05-07 辽宁工程技术大学 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法
CN113177355A (zh) * 2021-04-28 2021-07-27 南方电网科学研究院有限责任公司 一种电力负荷预测方法
CN113177355B (zh) * 2021-04-28 2024-01-12 南方电网科学研究院有限责任公司 一种电力负荷预测方法
CN113297791A (zh) * 2021-05-18 2021-08-24 四川大川云能科技有限公司 一种基于改进dbn的风功率组合预测方法
CN113297791B (zh) * 2021-05-18 2024-02-06 四川大川云能科技有限公司 一种基于改进dbn的风功率组合预测方法
CN113837441A (zh) * 2021-08-24 2021-12-24 山东大学 考虑eemd分解后重构准确性的电力负荷预测方法及系统
CN113837486B (zh) * 2021-10-11 2023-08-22 云南电网有限责任公司 一种基于rnn-rbm的配网馈线长期负荷预测方法
CN113837486A (zh) * 2021-10-11 2021-12-24 云南电网有限责任公司 一种基于rnn-rbm的配网馈线长期负荷预测方法
CN114091758A (zh) * 2021-11-23 2022-02-25 四川信天启智能技术有限公司 一种中短期负荷预测方法、系统以及存储介质
CN114169416B (zh) * 2021-11-30 2023-04-21 电子科技大学 一种基于迁移学习的小样本集下短期负荷预测方法
CN114169416A (zh) * 2021-11-30 2022-03-11 电子科技大学 一种基于迁移学习的小样本集下短期负荷预测方法
CN114511058A (zh) * 2022-01-27 2022-05-17 国网江苏省电力有限公司泰州供电分公司 一种用于电力用户画像的负荷元件构建方法及装置
CN114511058B (zh) * 2022-01-27 2023-06-02 国网江苏省电力有限公司泰州供电分公司 一种用于电力用户画像的负荷元件构建方法及装置
CN115730701B (zh) * 2022-10-17 2023-08-22 淮阴工学院 一种适用于小型用能场所电力调度设备的负荷预测方法及系统
CN115730701A (zh) * 2022-10-17 2023-03-03 淮阴工学院 一种适用于小型用能场所电力调度设备的负荷预测方法及系统
CN115936060B (zh) * 2022-12-28 2024-03-26 四川物通科技有限公司 一种基于深度确定性策略梯度的变电站电容温度预警方法
CN115936060A (zh) * 2022-12-28 2023-04-07 四川物通科技有限公司 一种基于深度确定性策略梯度的变电站电容温度预警方法
CN115882454A (zh) * 2023-02-09 2023-03-31 国网浙江省电力有限公司宁波供电公司 基于多元信息融合的源荷功率预测方法及系统
CN115882454B (zh) * 2023-02-09 2023-08-15 国网浙江省电力有限公司宁波供电公司 基于多元信息融合的源荷功率预测方法及系统
CN117520818A (zh) * 2023-11-08 2024-02-06 广州水沐青华科技有限公司 一种电力指纹识别方法、装置、电子设备及存储介质
CN117406137A (zh) * 2023-12-12 2024-01-16 国网辽宁省电力有限公司抚顺供电公司 一种输电线路雷电泄电流监测方法及系统
CN117406137B (zh) * 2023-12-12 2024-05-28 国网辽宁省电力有限公司抚顺供电公司 一种输电线路雷电泄电流监测方法及系统

Also Published As

Publication number Publication date
CN108108858A (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
WO2019141040A1 (zh) 一种短期电力负荷预测方法
Ali et al. Load forecasting through estimated parametrized based fuzzy inference system in smart grids
Han et al. Short-time wavelet entropy integrating improved LSTM for fault diagnosis of modular multilevel converter
Li et al. An intelligent transient stability assessment framework with continual learning ability
CN108847686B (zh) 一种光伏逆变器故障预测方法
Wang et al. A fault diagnosis method of power systems based on an improved adaptive fuzzy spiking neural P systems and PSO algorithms
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
US11436494B1 (en) Optimal power flow computation method based on multi-task deep learning
Barzola-Monteses et al. Energy consumption of a building by using long short-term memory network: a forecasting study
CN113746663B (zh) 机理数据双驱动结合的性能劣化故障根因定位方法
CN109002781B (zh) 一种储能变流器故障预测方法
CN110866640A (zh) 一种基于深度神经网络的电力负荷预测方法
CN105825271A (zh) 基于证据推理的卫星故障诊断与预测方法
CN107121926A (zh) 一种基于深度学习的工业机器人可靠性建模方法
Xiao et al. Online sequential extreme learning machine algorithm for better predispatch electricity price forecasting grids
Abiyev et al. Identification and control of dynamic plants using fuzzy wavelet neural networks
CN117154845A (zh) 一种基于生成式决策模型的电网运行调整方法
Parmar et al. A Comparative study on different ANN techniques in wind speed forecasting for generation of electricity
CN116154788A (zh) 一种电压控制方法、装置、终端设备及存储介质
He et al. Similar day selecting based neural network model and its application in short-term load forecasting
CN113344283B (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
CN109995095A (zh) 一种基于数据驱动的配用电系统智能运行控制方法
CN116757460A (zh) 基于深度学习的应急指挥调度平台构建方法及系统
CN115907000A (zh) 一种用于电力系统最优潮流预测的小样本学习方法
Wu et al. A study on wind speed prediction using artificial neural network at Jeju Island in Korea

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18901335

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18901335

Country of ref document: EP

Kind code of ref document: A1