基于深度信念网络的短期电力负荷预测

《基于深度信念网络的短期电力负荷预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于深度信念网络的短期电力负荷预测【摘要】对电力负荷预测的原理、步骤及方法做了简要分析，对深度信念网络做了细致描述，在此基础上，提出了用深度信念网络的方法预测短期电力负荷，并做了相应的实验，深度信念网络的预测值十分逼近实际值，预测误差的绝对值范围小，为0～0.08，且误差范围波动较小，预测稳定。表明基于深度信念网络的短期电力负荷预测模型预测精准，具有很高的预测精度和预测稳定性。【关键词】电力负荷；深度信念网络；限制玻尔兹曼机；预测随着社会的发展进步，电力系统已成为人类生活生产必不可少的一部分，当今电力供需矛盾的突出，使得电力负荷

2、预测显得尤为重要。随着电力市场的发展以及社会的进步，短期电力负荷预测的精度将直接影响相关产业的经济效益，对社会发展有十分重要的作用。2006年，在人工神经网络研究的基础上，Hinton等人提出了深度信念网络（DeepBeliefNetworks，DBN）[1]的概念，由于其优于一般的神经网络，得到了广泛的应用。本文提出了用深度信念网络的方法对短期电力负荷进行预测。1.电力负荷预测5电力负荷预测作为电力系统规划的重要组成部分，是指以电力负荷为对象进行的一系列预测工作。从预测对象来看，电力负荷预测包括对未来电力需求量的预测和对未来用

3、电量的预测以及对负荷曲线的预测。其主要工作是对未来电力负荷的时间和空间分布进行预测，为电力系统的规划及运行提供合理的决策依据[2]。对电力负荷的预测，可按确定负荷类型、收集处理样本数据、建立数学模型、对预测结果进行分析的步骤进行。预测的过程中，要注意考虑其他因素的影响，主要因素有经济因素、政策因素和气象因素，由于这些因素的干扰，电力负荷的预测变得困难，这对负荷预测的方法提出了更为严格的要求。目前，电力负荷预测方法主要有：经典预测方法，传统预测方法和现代预测技术，经典预测方法有单耗法、弹性系数法等，传统预测方法主要包括趋势分析法、

4、回归分析法和时间序列法，现代预测技术主要有：人工神经网络法、灰色预测法、专家系统预测法和小波分析法[3]等。目前应用最为广泛的是人工神经网络的方法，本文提出了用深度信念网络（DBN）预测短期电力负荷。2.深度信念网络深度信念网络（DBN）是一种概率生成模型，对P（Observation

5、Label）和P（Label

6、Observation）都做了评估。它是由多个限制玻尔兹曼机（RestrictedBoltzmann5Machines，RBM）层组成，由于多层RBM的叠加，最终解决了多层神经网络的训练问题[4]，整个DBN的训练包

7、括预训练和微调整训练两个阶段。2.1预训练4.2DBN预测误差分析将DBN的预测值与实际值进行作差，并求其绝对值，即求DBN预测值的误差绝对值，为清楚地显示DBN预测的误差效果，作出相应的误差绝对值曲线图如图4所示。由图4可得出：（1）DBN预测的误差绝对值最大为0.0796，最小为0.0057；（2）DBN预测的误差绝对值范围较小，均小于0.08，即0～0.08，而文献[8]中介绍的BP神经网络预测的误差绝对值范围为0～0.3，明显大于DBN的预测误差绝对值范围。验证出DBN预测短期电力负荷具有更高的精度。经过多次实验，DBN

8、预测的最大误差绝对值保持在0.1左右，且多数保持在0.08以下，误差范围波动较小。证明深度信念网络对短期电力负荷的预测具有很高的稳定性。5.结论电力负荷预测作为当今电力系统的重要研究课5题之一，关系到整个国计民生的发展，文章简单阐释了电力负荷预测的方法，详细描述了深度信念网络（DBN）的原理。然后，用DBN建立短期电力负荷预测的模型，经实验表明：DBN可以精准的预测短期电力负荷，具有较高的预测精度和预测稳定性。随着深度信念网络的不断发展，基于深度信念网络的短期电力负荷预测的精度会得到很大程度的提高。今后，将继续研究改善预测短期电

9、力负荷的方法，以期取得更佳的效果，使电力负荷预测得到更好的发展。参考文献[1]HintonGE，SalakhutdinovRR.Reducingthedimensionalityofdatawithneuralnetworks[J].Science，2006，313：504-507.[2]D.C.Park，M.A.E1-Sharkawi，R.J.Marks，eta1.ElectricLoadForecastingUsinganArtificialNeuralNetwork[J].IEEETransOnPowerSystem，19

10、9l，6（2）：442-449.[3]吴熳红，杨继旺.几种电力负荷预测方法及其比较[J].广东电力，2004，17（1）：17-21.[4]陆俊，张琼，杨俊安，王一，刘辉.嵌入深度信念网络的点过程模型用于关键词检出[J].信号处理，2013，29（7）：865-