[發明專利]基于深度遞歸神經網絡的電力系統短期負荷預測方法

在審

• 申請號: 201711293583.1
• 申請日: 2017-12-08
• 公開（公告）號: CN107766995A
• 公開（公告）日: 2018-03-06
• 發明（設計）人: 林霞;李可;田鳳字;孔令元;張智晟
• 申請（專利權）人: 國網山東省電力公司棗莊供電公司;青島大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04
• 代理公司: 青島華慧澤專利代理事務所(普通合伙)37247
• 代理人: 沙莎

技術領域

本發明涉及電力系統短期負荷預測技術領域，尤其涉及基于深度遞歸神經網絡的電力系統短期負荷預測方法。

背景技術

隨著電力系統規模和復雜性不斷提高，電力系統短期負荷預測的準確與否對有效降低發電資費、實施各地區電力系統優化控制具有關鍵作用。與長期負荷預測相比，短期負荷預測主要用于安排發電計劃，時效性最高。其負荷變動速度快，受溫差、濕度等突變因素影響大，屬于動態非線性時間序列。由于短期負荷的此類特征，若想達到精準預測較為困難。隨著新電改的實施，售電市場競爭不斷深化，對預測精度提出新的要求。因此，提供一種精確度高的電力系統短期負荷預測方法是很有必要的。

DNN——深度神經網絡；

DRNN——深度遞歸神經網絡；

PSO(Particle Swarm Optimization)——粒子群算法；

IPSO——改進粒子群算法。

發明內容

本發明的目的在于針對上述技術問題，提供一種基于深度遞歸神經網絡的電力系統短期負荷預測方法。

步驟一：收集匯總歷史地區電網負荷數據、氣象數據等數據的采集與匯總，并導入Excel數據庫中。

步驟二：數據預處理，為避免神經元飽和情況的發生，需要對原始負荷數據進行預處理，這樣做將有利于訓練過程的收斂，提高預測精度。主要的預處理方式是，對訓練樣本集中的歷史負荷數據，統計其最大值和最小值，將負荷數據歸一到[-1,1]區間，可使數據處于同一數量級別，加快神經網絡收斂。

步驟三：確定模型結構。

DNN(深度神經網絡)具有多隱層結構，對網絡的輸入向量進行反復多重訓練以提升分類或預測的準確性。DNN預測模型由輸入層、多隱含層和輸出層構成。與傳統前饋神經網絡相比，DNN具有多隱層結構。X為網絡輸入，是包含m維的列向量；(W,B)為各個隱含層之間的權重矩陣和閾值矩陣。DNN的每個隱含層從它的前一層獲取輸入向量，利用該隱含層的激活函數進行非線性變換，再把得到的向量作為輸入傳給下一層神經元，逐層往復迭代，最終傳遞給網絡輸出y。與BP網絡相比，有多個隱層的DNN訓練深度明顯增加，學習能力顯著增強，可克服傳統BP神經網絡的缺陷。

DNN雖學習能力較強，但其本質仍然是靜態網絡，無法全面刻畫與表征負荷動態序列的規律。構造具有反饋機制的DRNN預測模型。DRNN由輸入層、n層隱含層、關聯層和輸出層等構成。DRNN的關聯層含有用于存儲歷史信息的存儲單元，存儲單元將存儲的當前時刻的歷史信息作為反饋用于下一時刻第一層隱含層的輸入。DRNN重構了網絡內部結構和狀態，使網絡最終的輸出不僅與當前時刻信息有關，與每一時刻的歷史信息也密切相關，使其具有較好的動態記憶能力。

X＝[x₁,x₂,…x_m]為DRNN的輸入向量。在DRNN的n個隱含層中，每層的節點個數分別用l1，l2，…，ln表示，輸出層節點個數為1。DRNN的第一層隱含層在t時刻的輸出向量可描述為

R₁(t)＝f(W₁·[X(t),z(t)]+B₁)(1)

式中：R1(t)表示第一層隱含層輸出；W1、B1表示輸入層與第一層隱含層之間的權矩陣；z(t)表示在t時刻關聯層到第一層隱含層之間的反饋輸入。

延遲量z作為反饋項，在t(t>0,t∈Z)時刻的輸入應是輸出層t-1時刻對應的歷史信息。z存儲了上一時刻的歷史信息，并且作為隱含層的輸入量用于當前時刻的預測。因此，反饋項z(t)應滿足

DRNN在t時刻除第一層外的其它隱含層的各層輸出可描述為

R_L(t)＝f(W_L·R_L-1(t)+B_L)

(3)式中：RL(t)表示第L層隱含層的輸出向量；WL、BL表示第L-1層隱含層與第L層隱含層之間的權重矩陣；f為DRNN隱含層的非線性激活函數。

DRNN在t時刻輸出層的輸出y(t)可描述為

y(t)＝g(W_n+1·R_n(t)+B_n+1)

(4)式中：Wn+1、Bn+1為第n層隱含層與輸出層之間的權矩陣；g為DRNN輸出層的非線性激活函數。