基于深度信念网络的短期电力负荷预测-论文.pdf

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

1、I一一皇子捷⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一基于深度信愈网络的短期电力负荷预测山东科技大学电气与自动化工程学院肖同录山东科技大学电子通信与物理学院山东省机器人与智能技术重点实验室赵增顺【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0～008，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

2、展进步，电力系统已成为RBM包含一个可视层(v)和一个隐含层(h)，2．2微调整训练人类生活生产必不可少的一部分，当今电力供每一层的节点之间无连接，只有两层之间存在在预训练结束后，每层的RBM可以得到初需矛盾的突出，使得电力负荷预测显得尤为重着连接。RBM是一种能量模型，其可视层和隐始化的参数，组成了DBN的初步架构，然后对要。随着电力市场的发展以及社会的进步，短含层的联合组态能量表示为：DBN做微调整训练，根据输入数据和重构数据期电力负荷预测的精度将直接影响相关产业的E(v，疗)=一∑wijVih一∑一∑a，h(1)的损失函数，利用BP算法对相关的网络参数进经济效益，对社会发

3、展有十分重要的作用。i：行调整’，主要调整的是层与层之间的权值和2006年，在人工神经网络研究的基础上，式(1)中，v．为可视层的节点状态，h为隐偏置值。用到的损失函数：Hinton等人提出了深度信念网络(DeepBelief含层的节点状态，b，aj为可视层节点和隐含层￡(，I】=l一’(10)Networks，DBN)的概念，由于其优于一般的神节点对应的偏置值，w为可视层与隐含层之间DBN的BP算法只需要对权值参数空间进行经网络，得到了广泛的应用。本文提出了用深的连接权值，0是模型参数0{，b}。可视一个局部的搜索，这相比前向神经网络来说，度信念网络的方法对短期电力负荷进行预

4、测。层和隐含层的联合概率：训练快，收敛时间短。1．电力负荷预测13基于DBN的短期电力负荷预测电力负荷预测作为电力系统规划的重要组，h)；exp(一昱(1j，”(2)本文做电力负荷的短期预测，以南方某城J成部分，是指以电力负荷为对象进行的一系列其中，z(tJ)为归一化因子，即分配函数，市201ocg的7月l0日～7月20日每两小时的有功预测工作。从预测对象来看，电力负荷预测包为负荷值和该年度7月l1日～7月21目的气象状态括对未来电力需求量的预测和对未来用电量的善^鲫(3)量作为网络的训练样本，输入为12维的有功负预测以及对负荷曲线的预测。其主要工作是对式(1)带入式(2)后，

5、得出：荷值和3维的气象状态量，输出为次日的12维未来电力负荷的时间和空间分布进行预测，为有功负荷值。模型最终预测7月21日的有功负电力系统的规划及运行提供合理的决策依据。()。印I啪，’善vb,4-口』荷值，基于深度信念网络的电力负荷预测的步对电力负荷的预测，可按确定负荷类型、(4)骤框图如图2所示收集处理样本数据、建立数学模型、对预测结然后求P(v，h)对h的边缘分布：果进行分析的步骤进行。预测的过程中，要注eo(、，)expI+aZh+6vJ(5)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，由于这些因素的干最大化(v)得到RBM的参数，一般采用最扰，电力负

6、荷的预测变得困难，这对负荷预测大化似然函数的方法：的方法提出了更为严格的要求。正()={∑1og(，)(6)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，经典通过随机梯度下降来最大化L(，L(对W预测方法有单耗法、弹性系数法等，传统预测求偏导：图2DBN电力负荷预测步骤框图方法主要包括趋势分析法、回归分析法和时间对采集的样本数据做归一化处理，将所有豢^hj](7)序列法，现代预测技术主要有：人工神经网络的数据处理为[O，1]区间范围内的数据，采用法、灰色预测法、专家系统预测法和小波分析式中【】是数据集的期望值，F1是的方法是最大最小法，其函数形式如下：

7、法等。目前应用最为广泛的是人工神经网络模型中定义的期望值。x=-『X一---X-mh⋯a(11)的方法，本文提出了用深度信念网络(DBN)预实际模型中，很难得到无偏样本，]‘nax一mn测短期电力负荷。难以计算，所以采用对比散度(Contrastive利用本方法，对实际测得的7月21臼的有2．深度信念网络Divergence，CD)的方法对重构数据进行近似功电力负荷值归一化为：[O．21l9，0．12l5，深度信念网络(DBN)是一种概率生采样，更新网络权值，基本思想：训练过程0．1621，