[發(fā)明專利]一種基于深度置信網(wǎng)絡(luò)與權(quán)值共享的負(fù)荷預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010216927.4
• 申請(qǐng)日: 2020-03-25
• 公開（公告）號(hào): CN111667090A
• 公開（公告）日: 2020-09-15
• 發(fā)明（設(shè)計(jì)）人: 王剛;楊曉靜;張志軍;王磊;劉玉坤;孫燦;李昂;孫嶠;李浩;王麗媛
• 申請(qǐng)（專利權(quán)）人: 國網(wǎng)天津市電力公司;國家電網(wǎng)有限公司
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/04
• 代理公司: 天津盛理知識(shí)產(chǎn)權(quán)代理有限公司 12209
• 代理人: 王來佳

1.一種基于深度置信網(wǎng)絡(luò)與權(quán)值共享的負(fù)荷預(yù)測(cè)方法，其特征在于，包括以下步驟：S1、建立深度置信網(wǎng)模型：

深度置信網(wǎng)絡(luò)以能量函數(shù)的方式描述整個(gè)系統(tǒng)狀態(tài)，v_i是可見層的第i個(gè)神經(jīng)元的狀態(tài)，h_j是隱藏層的第j個(gè)神經(jīng)元的狀態(tài)；深度置信網(wǎng)絡(luò)的能量函數(shù)為E(v,h)，聯(lián)合概率分布為P(v,h)；深度置信網(wǎng)絡(luò)的能量函數(shù)為E(v,h)，聯(lián)合概率分布為P(v,h)，Z為配分函數(shù)，表達(dá)式如下：

式中,a_i和b_j分別為第i個(gè)可視單元和第j個(gè)隱含單元的偏置，w_ij表示可視層第i個(gè)神經(jīng)元與隱含層第j個(gè)神經(jīng)元間的權(quán)值，n_v、n_h表示可視單元和隱含單元的數(shù)量；

通過計(jì)算最大化對(duì)數(shù)似然函數(shù)求得模型最優(yōu)參數(shù)，v^t為已知的第t個(gè)輸入樣本，即：

S2、建立權(quán)值共享模型：

基于負(fù)荷量變化的計(jì)算方法為：

其中，x_i為第i時(shí)刻的負(fù)荷量，v為負(fù)荷量變化率；

在深度置信網(wǎng)絡(luò)模型中有n個(gè)RBM，因此需要建立與之匹配參數(shù)共享權(quán)值模型；

其中多個(gè)權(quán)重值之間在input的每個(gè)depth slice上共享；

S3、結(jié)合S1及S2建立基于深度置信網(wǎng)絡(luò)與權(quán)值共享的負(fù)荷預(yù)測(cè)模型。

2.根據(jù)權(quán)利要求1所述的一種基于深度置信網(wǎng)絡(luò)與權(quán)值共享的負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟S3中還包括以下子步驟：

A、收集并處理數(shù)據(jù)：

數(shù)據(jù)處理包括剔除修正數(shù)據(jù)和將數(shù)據(jù)分類進(jìn)行模型訓(xùn)練和測(cè)試優(yōu)化；

B、設(shè)置輸入信息：

輸入數(shù)據(jù)包括：天氣數(shù)據(jù)，經(jīng)濟(jì)數(shù)據(jù)，電網(wǎng)側(cè)信息和節(jié)假日信息；其中，天氣數(shù)據(jù)采用預(yù)測(cè)日期前一個(gè)月的最高溫度、最低溫度；法定節(jié)假日(以中國法定節(jié)假日作為基準(zhǔn))、工作日、周六和周日(部分企業(yè)單雙休制度不同)分別編碼；電網(wǎng)數(shù)據(jù)包含各企業(yè)的歷史負(fù)荷數(shù)據(jù)及該區(qū)域的停電檢修計(jì)劃；經(jīng)濟(jì)數(shù)據(jù)為該地區(qū)的規(guī)模以上工業(yè)總產(chǎn)值、新興產(chǎn)業(yè)固定資產(chǎn)投資、從業(yè)人員數(shù)量、房地產(chǎn)投資相關(guān)數(shù)據(jù)；

C、選擇有效聚合方式：

采用relieff算法對(duì)任務(wù)聚合前后的特征進(jìn)行分析，以此對(duì)任務(wù)的聚合效應(yīng)及負(fù)荷特征進(jìn)行分析，并對(duì)多種預(yù)測(cè)目標(biāo)組合方式對(duì)比分析，其中組合方式包含了單獨(dú)任務(wù)，全部任務(wù)，隨機(jī)組合任務(wù)，負(fù)荷變化率方式選擇任務(wù)；根據(jù)負(fù)荷變化率趨勢(shì)聚合以后的絕大部分特征的特征重要度為正，在考慮多任務(wù)深度學(xué)習(xí)的權(quán)值共享方式進(jìn)行訓(xùn)練的情況下，基于負(fù)荷變化率的算法很好的剔除了部分無用特征，聚合后的多任務(wù)學(xué)習(xí)方式保留其中優(yōu)秀的特征維度，并根據(jù)訓(xùn)練誤差確定最終優(yōu)先聚合方式；

D、形成最終優(yōu)化模型：

設(shè)定誤差要求閾值，合理訓(xùn)練模型，根據(jù)測(cè)試結(jié)果不斷循環(huán)優(yōu)化模型，形成最終模型。