[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

一種基于Kmeans與FR?DBN的短期負荷預測方法，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。本發明的優點：基于無監督特征學習這一視角展開，解決權重的選取帶有一定的主觀性這一問題，具有加快學習速率、提升預測精度優勢，對保證電網安全穩定的運行具有十分重要的意義，為電力系統負荷預測提供一種新的預測方法。

技術領域

本發明涉及電力系統負荷預測領域，特別涉及一種基于Kmeans與FR-DBN的短期負荷預測方法。

背景技術

社會不斷在進步，科技不斷在發展，我國電力系統和電網管理日趨復雜化、現代化和完善化,電力系統負荷預測問題的研究已成為現代電力系統科學中一個重要的研究領域。電力系統負荷預測的研究已經有一段時間的歷史，隨著計算機技術的發展和電網對負荷預測精度要求的提高，對這一課題的研究也在不斷深入。特別是隨著電力市場改革的深入，它已經成為電力市場技術支持系統的重要組成部分，是電力交易市場的主要數據來源，其預測精度對電力系統有著非常重要的意義。

今年夏季，強降雨、洪澇、泥石流、臺風等災害性天氣多發，部分區域、省級電網負荷屢創新高。同時,隨著越來越多的冷暖設備被使用,電力負荷受氣象指標的影響也越來越大,氣象指標逐漸成為研究人員挖掘對電力負荷定量影響的研究重點。

發明內容

本發明的目的是為了克服上述問題，特提供了一種基于Kmeans與FR-DBN的短期負荷預測方法。

本發明提供了一種基于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。

(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。