一种基于深度神经网络的电力负荷预测方法技术

本发明专利技术公开了一种基于深度神经网络的电力负荷预测方法，包括模型建立，选择了五层神经网络作为基本结构；通过深度神经网络反向算法将通过损失函数计算得到的误差以梯度的方式传递到每一个隐藏层神经元上去，进而改变神经网络中的权重和偏差；最后进行电力负荷预测，将处理过的数据放入搭建好的神经网络结构对模型开始训练，初始化参数后即可将处理好的神经网络的数据导入神经网络，通过神经网络的结构和参数可以运算得到输出层，即预测数据。本发明专利技术的有益效果是能较为精确地预测一段时间内的电力负荷情况。

A power load forecasting method based on deep neural network

【技术实现步骤摘要】
一种基于深度神经网络的电力负荷预测方法
本专利技术属于电力负荷预测
，涉及一种基于深度神经网络的电力负荷预测方法。
技术介绍
电力负荷预测已经成为了电力系统运行的重要研究领域之一。精确的电力负荷预测可以保障电力系统的平稳运行，为社会经济的平稳发展提供坚固的后勤保障。深度神经网络是一种理论上可以拟合任何函数的算法，可以通过对历史数据的学习进行精准的预测。电力生产和消费日益市场化对电力负荷预测的准确性、实时性、可靠性和智能性提出了更高的要求，故电力负荷预测已经成为现代化电力系统运行和管理中的一个重要研究领域。准确的电力负荷预测可以让电力生产与电力需求之间达到平衡，降低生产成本，促进电力系统的平稳运行。电力负荷预测主要可以分为长期负荷预测，中期负荷预测，短期负荷预测，以及超短期负荷预测。对于周期越长的电力负荷预测，要求的数据时间跨度就越大；对于周期越短的电力负荷预测，要求的预测精度就越高，这是不同周期电力负荷预测的用途所决定的。对于长期的电力负荷预测，其主要目的是电力系统大电网未来发展规划的制定，大多数是以年为单位来进电力系统进行预估。中期的电力负荷预测主要目的是电力营销规划、机组检修等，大多数是以月为单位。短期的电力负荷预测是目前用到的比较多的电力负荷预测方式，主要作用是协调电力管理部门的各环节发电量的配合，促进发电量与用电量之间的平衡，一般为预测1到7天的电力负荷。超短期电力负荷预测主要在紧急状态处理时使用，通常需要预测到一小时内的电力预测负荷。本专利技术主要进行的就是短期电力负荷预测，由于短期电力负荷预测对于预测精度的要求是比较高的，本专利技术通过考虑影响电力负荷的因素——气温来提高预测精度。电力负荷预测方式有很多，其算法主要可以分成两大类。第一类方法是传统的时间序列预测模型，主要包括自回归模型，移动平均模型等等。这一类方法过于依赖于线性相关，所以在处理具有非线性特征的数据时有一定的困难。第二类方法基于人工神经网络发展起来的。神经网络拟合非线性函数的特性，使得神经网络算法在电力负荷预测上有不错的表现。尤其近年来深度学习理论的提出，使得神经网络不再局限于浅层神经网络，提高了对非线性的数据的处理能力，在短期电力负荷预测精度上表现出非常好的结果。
技术实现思路
本专利技术的目的在于提供一种基于深度神经网络的电力负荷预测方法，本专利技术的有益效果是能较为精确地预测一段时间内的电力负荷情况。本专利技术所采用的技术方案是包括1.模型建立搭建神经网络，选择了五层神经网络作为基本结构，神经网络的基本结构分为输入层，隐藏层和输出层，输入层的功能是将预处理过后的数据导入神经网络，输出层的作用是将预测的数据进行导出，隐藏层的作用是对数据进行运算，隐藏层的数据传递是将上一层所有的神经元传递来的数据根据不同的权值集合到一块，再加上本层的神经元所携带的偏差，根据本层的传递函数对数据进行处理，传递到下一层；2.模型的反向算法深度神经网络最为关键的一步是通过深度神经网络反向算法将通过损失函数计算得到的误差以梯度的方式传递到每一个隐藏层神经元上去，进而改变神经网络中的权重和偏差；3.进行电力负荷预测初始化神经网络的参数，并将处理过的数据放入搭建好的神经网络结构对模型开始训练，初始化参数后即可将处理好的神经网络的数据导入神经网络，原始数据需要分成三个部分，训练集，测试集和预测集，首先将训练集的数据导入神经网络的输入层，通过神经网络的结构和参数可以运算得到输出层，即预测数据，利用得到的预测数据与真实数据可以计算损失函数并求得损失函数对每一个参数的微分，进而改变参数的值，训练完成后，将测试集的数据放入神经网络得到与测试集真实数据相对应的预测数据，若误差在可以接受的范围内，则对预测集的数据进行预测，若误差太大，则需对神经网络结构或参数进行一定的调整，重新进行训练。进一步，传递数据的公式为其中，表示层第n个单元的输出，表示层第k个单元到表示层第n个单元的的权重，表示层第n个单元的输出，表示层第n个单元的偏差，f表示激活函数。进一步，函数采用均方差损失函数公式为表示预测值和实际值的均方根误差，y表示预测值，表示实际值，假设输出层为第l层，那么有故均方根误差函数可以改为可以看出均方根误差为的函数，而又为的函数，故可以求得均方差损失函数对于每一层w，b的梯度，即进而对w，b进行更新即其中α为每次反向算法的学习率，设置好合适的学习率对提高神经网络学习效率至关重要。附图说明图1是深度神经网络预测情况示意图。具体实施方式下面结合具体实施方式对本专利技术进行详细说明。1.模型建立搭建神经网络，选择了五层神经网络作为基本结构。神经网络的基本结构分为输入层，隐藏层和输出层，输入层的功能是将预处理过后的数据导入神经网络，输出层的作用是将预测的数据进行导出。隐藏层的作用是对数据进行运算，而深度神经网络的隐藏层层数一般在3层以上。隐藏层的数据传递是将上一层所有的神经元传递来的数据根据不同的权值集合到一块，再加上本层的神经元所携带的偏差，根据本层的传递函数对数据进行处理，传递到下一层。传递数据的公式为：其中，表示层第n个单元的输出表示层第k个单元到表示层第n个单元的的权重，表示层第n个单元的输出，表示层第n个单元的偏差，f表示激活函数。2.模型的反向算法深度神经网络最为关键的一步是通过深度神经网络反向算法将通过损失函数计算得到的误差以梯度的方式传递到每一个隐藏层神经元上去，进而改变神经网络中的权重和偏差。损失函数的选择有很多，如均方差损失函数，交叉熵损失函数等。这里以均方差损失函数为例来说明深度神经网络反向算法。均方差损失函数的公式为表示预测值和实际值的均方根误差，y表示预测值，表示实际值。假设输出层为第l层，那么有故均方根误差函数可以改为可以看出均方根误差为的函数，而又为的函数，故可以求得均方差损失函数对于每一层w，b的梯度，即进而对w，b进行更新即其中α为每次反向算法的学习率，设置好合适的学习率对提高神经网络学习效率至关重要。3.进行电力负荷预测初始化神经网络的参数，并将处理过的数据放入搭建好的神经网络结构对模型开始训练。初始化参数是指对神经网络中每一层的权值和偏差进行赋值，并确定神经网络循环的次数和学习率。初始化参数后即可将处理好的神经网络的数据(即需要进行训练的电力负荷数据和气温数据)导入神经网络。原始数据需要分成三个部分，训练集，测试集和预测集。首先将训练集的数据导入神经网络的输入层，通过神经网络的结构和参数可以运算得到输出层，即预测数据(即目标时刻的电力负荷值)。利用得到的预测数据与真实数据可以计算损失函数并求得本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的电力负荷预测方法，其特征在于：包括/n1)模型建立/n搭建神经网络，选择了五层神经网络作为基本结构，神经网络的基本结构分为输入层，隐藏层和输出层，输入层的功能是将预处理过后的数据导入神经网络，输出层的作用是将预测的数据进行导出，隐藏层的作用是对数据进行运算，隐藏层的数据传递是将上一层所有的神经元传递来的数据根据不同的权值集合到一块，再加上本层的神经元所携带的偏差，根据本层的传递函数对数据进行处理，传递到下一层；/n2)模型的反向算法/n深度神经网络最为关键的一步是通过深度神经网络反向算法将通过损失函数计算得到的误差以梯度的方式传递到每一个隐藏层神经元上去，进而改变神经网络中的权重和偏差；/n3)进行电力负荷预测/n初始化神经网络的参数，并将处理过的数据放入搭建好的神经网络结构对模型开始训练，初始化参数后即可将处理好的神经网络的数据导入神经网络，原始数据需要分成三个部分，训练集，测试集和预测集，首先将训练集的数据导入神经网络的输入层，通过神经网络的结构和参数可以运算得到输出层，即预测数据，利用得到的预测数据与真实数据可以计算损失函数并求得损失函数对每一个参数的微分，进而改变参数的值，训练完成后，将测试集的数据放入神经网络得到与测试集真实数据相对应的预测数据，若误差在可以接受的范围内，则对预测集的数据进行预测，若误差太大，则需对神经网络结构或参数进行一定的调整，重新进行训练。/n...

【技术特征摘要】
1.一种基于深度神经网络的电力负荷预测方法，其特征在于：包括
1)模型建立
搭建神经网络，选择了五层神经网络作为基本结构，神经网络的基本结构分为输入层，隐藏层和输出层，输入层的功能是将预处理过后的数据导入神经网络，输出层的作用是将预测的数据进行导出，隐藏层的作用是对数据进行运算，隐藏层的数据传递是将上一层所有的神经元传递来的数据根据不同的权值集合到一块，再加上本层的神经元所携带的偏差，根据本层的传递函数对数据进行处理，传递到下一层；
2)模型的反向算法
深度神经网络最为关键的一步是通过深度神经网络反向算法将通过损失函数计算得到的误差以梯度的方式传递到每一个隐藏层神经元上去，进而改变神经网络中的权重和偏差；
3)进行电力负荷预测
初始化神经网络的参数，并将处理过的数据放入搭建好的神经网络结构对模型开始训练，初始化参数后即可将处理好的神经网络的数据导入神经网络，原始数据需要分成三个部分，训练集，测试集和预测集，首先将训练集的数据导入神经网络的输入层，通过神经网络的结构和参数可以运算得到输出层，即预测数据，利用得到的预测数据与真实数据可以计算损失函数并求得损失函数对每一个参数的微分，进而改变参数的值，训练完成后，将测试集的数据放入神经网络得到与测试集真实数据相对...

【专利技术属性】
技术研发人员：方泳，孙久云，孔元，刘明硕，张勇，刘航航，高亚，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东;37