[發明專利]一種基于Kmeans與FR-DBN的短期負荷預測方法

在審

• 申請號: 202011307595.7
• 申請日: 2020-11-20
• 公開（公告）號: CN112330051A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 孫超;朱元成;鄭薇;吳宏章;高永俊;趙曉龍;封國鵬;張爾東;馬宸;尹峰;王志宏
• 申請（專利權）人: 國網遼寧省電力有限公司營口供電公司;國家電網有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 沈陽晨創科技專利代理有限責任公司 21001
• 代理人: 張晨

1.一種基于Kmeans與FR-DBN的短期負荷預測方法，其特征在于：所述的基于Kmeans與FR-DBN的短期負荷預測方法，具體包括：

利用Kmeans結合共軛梯度法(FR)改進深度學習網絡(DBN)的組合模型進行電力系統負荷預測，通過Kmeans聚類算法分批數據加快學習速率，同時將DBN無監督特征學習機制引入負荷預測模型中，再利用FR共軛梯度法進行優化，并將預測結果與預測所需時間分別和傳統預測模型進行比較。

2.根據權利要求1所述的基于Kmeans與FR-DBN的短期負荷預測方法，其特征在于：

(1)通過Kmeans聚類算法分批數據加快學習速率，假定給定原始數據樣本X，包含了負荷數據、溫度、濕度、過去1小時降水量等n個對象X＝{X₁,X₂,X₃,...,X_n}，其中每個對象都具有m個維度的屬性；

首先需要初始化k個聚類中心{C₁,C₂,C₃,...,C_k},1＜k≤n，然后通過計算每一個對象到每一個聚類中心的歐式距離，如下式所示：

上式中，X_i表示第i個對象1≤i≤n,C_j表示第j個聚類中心的1≤j≤k,X_it表示第i個對象的第t個屬性1≤t≤m,C_jt表示第j個聚類中心的第t個屬性；

依次比較每一個對象到每一個聚類中心的距離，將對象分配到距離最近的聚類中心的類簇中，得到k個類簇{S₁,S₂,S₃,...,S_k}，即k批數據；

(2)利用FR共軛梯度法對DBN模型進行優化，DBN由多個受限玻爾茲曼機(RBM)層組成，RBM是一個兩層神經網絡，第一層被稱為可見層，第二層被稱為隱藏層；隱藏層和可見層之間是全連接的，連接權重可以用矩陣W＝(ω_i,j)表示，各層神經元之間是相互獨立的；

權重矩陣W＝(ω_i,j)中的每個元素指定了隱層單元h_j和可見層單元v_i之間的權重；此外對于每個可見層單元v_i有偏置a_i，對每個隱層單元h_j有偏置b_j；對于給定的狀態向量h和v，RBM的能量函數可以表示為：

E(v,h)＝-a^Tv-b^Th-h^TWv

這一能量函數的形式與霍普菲爾德神經網絡相似；根據能量函數可以得到隱含層和可見層之間的聯合概率分布：

其中，Z為歸一化因子，定義為在節點的所有可能取值下e^-E(v,h)的和；類似地，可見層取值的邊緣分布可通過對所有隱含層狀態向量求和得到：

由于RBM為一個二分圖，層內沒有邊相連，因而隱含層是否激活在給定可見層節點取值的情況下是條件獨立的，可見層節點的激活狀態在給定隱含層取值的情況下也條件獨立；對m個可見層節點和n個隱含層節點，狀態向量v對h與h對v的條件概率分別如下：

RBM里各層之間采用的是sigmoid激活函數；其中，單個節點的激活概率為：

P(h_j＝1|v)＝sigmoid(b_j+W_j,:v)

P(v_i＝1|h)＝sigmoid(a_i+W^T:,_jh)

FR共軛梯度法求解最優解問題如下：

步長因子α_k由某種線性搜索得到，其一般格式為：

x_k+1＝x_k+α_kd_k，k＝0,1,…

搜索方向d_k格式如下：

其中β_k為參數，g(x)為f在x處的梯度。