[發明專利]分布式內存并行計算優化深度信念網絡的短期負荷預測方法

有效

• 申請號: 201811550794.3
• 申請日: 2018-12-18
• 公開（公告）號: CN109816144B
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 廖衛平;周銳;伍建煒;黃練棟;溫健鋒
• 申請（專利權）人: 廣東電網有限責任公司;廣東電網有限責任公司江門供電局
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08;G06N3/04
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 劉瑤云

本發明涉及一種分布式內存并行計算優化深度信念網絡的短期負荷預測方法。包括以下步驟：1.RDD讀取負荷歷史數據；結合負荷的周期特性，讀取負荷預測輸入數據到Spark RDD集合；2.采用改進并行粒子群算法將其分為不同子群，并對慣性權重和加速因子進行改進計算；在分布式內存計算Spark平臺上對深度信念網絡模型的權值參數W和偏置值B進行優化，選擇使得適應度值最小的粒子坐標向量值[W,B]作為改進粒子群算法的輸出；3.利用步驟S2中優化得到的DBN參數[W，B]，使用優化的DBN網絡對負荷序列建立負荷預測模型，進行短期負荷預測。本發明方法有效地提高了短期負荷預測精度和海量數據處理能力，能夠較好地解決電力系統負荷預測問題，具有很強魯棒性和強泛化能力。

技術領域

本發明屬于配電網負荷預測技術領域，更具體地，涉及一種分布式內存并行計算優化深度信念網絡的短期負荷預測方法。

背景技術

電力系統負荷預測是實現電力系統安全經濟運行和電網科學管理的基礎，準確的負荷預測是安排電力生產調度、提高電力系統自動化運行水平的重要決策依據，在保證電力系統規劃與可靠、經濟運行、提高發電設備利用率等方面具有十分重要的意義。隨著各類傳感器和智能設備數量的不斷增加，設備中進行獲取和傳輸的負荷數據也發生著指數級的增長。因此，有必要研究負荷預測的新方法及新技術，以提高負荷預測精度與可靠性，滿足工程技術要求。

目前用于短期負荷預測的方法主要分為統計學方法和人工智能方法兩大類。統計學方法包括多元線性回歸、自回歸和自回歸移動平均等。該類方法模型簡單，但只能對少量影響因素及樣本數據進行處理，對原始時間序列的平穩性要求較高。人工智能方法包括灰色系統、模糊邏輯、支持向量機和人工神經網絡等，其中反向傳播神經網絡方法和SVM方法應用最為廣泛。BP神經網絡具有很強的自學習能力和復雜的非線性函數擬合能力，但由于其網絡初始參數由隨機初始化得到，導致BP神經網絡泛化能力差、易陷入局部最優。SVM方法能夠較好地解決傳統算法中存在的非線性、高維數、局部最小值等問題，但在處理大數據量下的時間序列預測方面，存在收斂速度慢和預測精度低的缺點。