基于深度置信网络及多源信息融合的负荷密度预测方法技术

本发明专利技术提供一种基于深度置信网络及多源信息融合的负荷密度预测方法，包括：通过建立地理信息系统获取空间负荷并进行数据预处理得到负荷元胞样本；对负荷元胞样本进行多源信息融合得到标准负荷元胞样本库；基于深度置信神经网络对负荷元胞样本库进行无监督训练，再进行有监督的反向调优训练，得到预测模型；应用所述预测模型输出电力系统空间负荷密度。基于多源融合并通过深度置信神经网络进行电力系统的空间负荷预测，提高空间负荷预测精度。提高空间负荷预测精度。提高空间负荷预测精度。

【技术实现步骤摘要】
基于深度置信网络及多源信息融合的负荷密度预测方法


[0001]本专利技术属于深度学习
，具体涉及基于深度置信网络及多源信息融合的负荷密度预测方法。

技术介绍

[0002]随着社会经济建设和日常生活对电力的需求越来越大,电力系统的运行负荷越来越来重,电力系统建设也朝着低碳清洁、安全可再生的方向发展。
[0003]空间负荷预测作为电力系统规划的基础环节，其结果用来确定供电设备应当配置的容量及其最佳位置，大力提高了电力系统建设的经济性。空间负荷预测是目前城市电网规划和建设领域中一个重要的研究课题，因为其基础性，在城市电网规划中占据着重要的地位，对规划质量起着关键的作用。
[0004]然而，实际工程中所应用的空间负荷预测方法，通常都是直接在历史负荷数据年最大值的基础上进行预测，并未充分考虑到历史负荷数据及空间电力负荷，导致预测结果精度较低。故传统方法进行空间负荷预测时，一般根据某一指标负荷预测的负荷，通过对原始负荷数据进行分析，预测未来各个时刻的负荷，不能充分挖掘不同属性负荷元胞的多源信息特征，以致结果精确度有待提高。
[0005]在数据方面，多源融合技术得到重视，在不同的信息抽象层次上体现，所述信息抽象层次包括像素层、特征层和决策层；分层结构并行处理，保持信息的准确性。达到将多种信息加以综合，消除多种信息之间存在的冗余和矛盾，加以互补，改善可靠性和准确性，提高数据使用效率。

技术实现思路

[0006]针对现有技术的上述不足，本专利技术提供一种基于深度置信网络及多源信息融合的负荷密度预测方法，以解决上述技术问题。
[0007]本专利技术提供一种基于深度置信网络及多源信息融合的负荷密度预测方法，包括：
[0008]通过建立地理信息系统获取空间负荷并进行数据预处理得到负荷元胞样本；
[0009]对负荷元胞样本进行多源信息融合得到标准负荷元胞样本库；
[0010]基于深度置信神经网络对负荷元胞样本库进行无监督训练，再进行有监督的反向调优训练，得到预测模型；
[0011]应用所述预测模型输出电力系统空间负荷密度。
[0012]进一步的，所述通过建立地理信息系统获取空间负荷并进行数据预处理得到负荷元胞样本，包括：根据用地仿真、负荷密度、经济计量、历史负荷数据生成负荷元胞样本。
[0013]进一步的，所述对负荷元胞样本进行多源信息融合得到标准负荷元胞样本库，包括：
[0014]对预处理过的元胞进行特征提取得到元胞特征信息；
[0015]然后按特征信息对多源元胞进行分类、聚集和综合，产生特征矢量；
[0016]利用特征级融合所述特征矢量，并输出所述特征矢量融合后的属性说明。
[0017]进一步的，所述方法还包括：
[0018]对非结构化的元胞特征信息进行结构化处理。
[0019]进一步的，对负荷元胞样本库进行无监督训练，包括：
[0020]采用RBM模型对负荷元胞样本库进行无监督训练；
[0021]并采用ReLU函数构成RBM模型的激活函数；
[0022]对空间负荷元胞样本进行抽样并计算激活概率，得到RBM模型的权重值和偏置值，所述权重值为RBM模型可见层和隐藏层神经元之间的连接权重，所述偏置值为RBM模型可见层和隐藏层的神经元偏置向量。
[0023]进一步的，所述进行有监督的反向调优训练，包括：
[0024]利用前向传播算法得到预测模型输出层的激活值和输出值向量；
[0025]再利用后向误差传播算法修正预测模型的权重值和偏置值。
[0026]进一步的，所述利用前向传播算法得到预测模型输出层的激活值和输出值向量，包括：
[0027]利用所述RBM模型的权重值和偏置值，判断输出层每个隐藏层神经元的激活状态；
[0028]逐层向后传播，并逐个计算隐藏层各神经元的激活值，并采用ReLU函数进行标准化；
[0029]计算输出层的激活值和输出值向量。
[0030]进一步的，所述再利用后向误差传播算法修正预测模型的权重值和偏置值，包括：
[0031]利用反向误差传播算法重新计算预测模型的权重值和偏置值
[0032]根据所述输出层的激活值和输出值向量计算预测模型的平方误差向量；
[0033]根据所述平方误差向量采用梯度下降法修正预测模型的权重值和偏置值。
[0034]进一步的，所述负荷元胞样本包括：元胞特征信息与饱和负荷密度。
[0035]本专利技术的有益效果在于，
[0036]本专利技术提供的基于深度置信网络及多源信息融合的负荷密度预测方法，提供一种利用空间地理信息进行特征提取，并通过多源信息融合充分挖掘不同属性负荷的特性，在传统空间负荷预测使用的结构化数据基础上，考虑到信息量丰富的非结构化数据，选取非线性与高纬识别性能较好的深度置信神经网络学习算法，优化负荷特征提取能力，通过深度置信神经网络进行电力系统的空间负荷预测，提高空间负荷预测精度。
[0037]应用于电力系统方面，由于不同地区的负荷特性、地理位置和天气条件各不相同，所得到的聚类结果和模型参数也可能不尽相同，必须因地制宜，才可以有效提高负荷预测的精度。对于地块范围内的空间负荷预测，在传统空间负荷预测的结构化数据特征的基础上，虑及了信息量丰富的非结构化数据，进一步提升了空间负荷的预测精度；选取了非线性与高维识别性能较好的DBN
‑
DNN算法，以避免过拟合和梯度消失(即梯度趋于0)问题。
[0038]此外，本专利技术设计原理可靠，结构简单，具有非常广泛的应用前景。
附图说明
[0039]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而
言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0040]图1是本专利技术一个实施例的方法的示意性流程图。
[0041]图2是本专利技术一个实施例的深度置信神经网络结构图。
[0042]图3是本专利技术一个实施例的元胞负荷增长的阶段划分图。
[0043]图4为本专利技术实施例电力系统空间负荷预测结果图。
具体实施方式
[0044]为了使本
的人员更好地理解本专利技术中的技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0045]图1是本专利技术一个实施例的方法的示意性流程图。
[0046]具体的，所述基于深度置信网络及多源信息融合的负荷密度预测方法包括：
[0047](一)基于深度置信神经网络算法和多源信息融合的空间负荷预测方法
[0048]1)建立地理信息系统(GIS)包括：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度置信网络及多源信息融合的负荷密度预测方法，其特征在于，包括：通过建立地理信息系统获取空间负荷并进行数据预处理得到负荷元胞样本；对负荷元胞样本进行多源信息融合得到标准负荷元胞样本库；基于深度置信神经网络对负荷元胞样本库进行无监督训练，再进行有监督的反向调优训练，得到预测模型；应用所述预测模型输出电力系统空间负荷密度。2.根据权利要求1所述的基于深度置信网络及多源信息融合的负荷密度预测方法，其特征在于，所述通过建立地理信息系统获取空间负荷并进行数据预处理得到负荷元胞样本，包括：根据用地仿真、负荷密度、经济计量、历史负荷数据生成负荷元胞样本。3.根据权利要求2所述的基于深度置信网络及多源信息融合的负荷密度预测方法，其特征在于，所述对负荷元胞样本进行多源信息融合得到标准负荷元胞样本库，包括：对预处理过的元胞进行特征提取得到元胞特征信息；然后按特征信息对多源元胞进行分类、聚集和综合，产生特征矢量；利用特征级融合所述特征矢量，并输出所述特征矢量融合后的属性说明。4.根据权利要求1所述的基于深度置信网络及多源信息融合的负荷密度预测方法，其特征在于，所述方法还包括：对非结构化的元胞特征信息进行结构化处理。5.根据权利要求1所述的基于深度置信网络及多源信息融合的负荷密度预测方法，其特征在于，对负荷元胞样本库进行无监督训练，包括：采用RBM模型对负荷元胞样本库进行无监督训练；并采用ReLU函数构成RBM模型的激活函数；对空...

【专利技术属性】
技术研发人员：尹朋，刘猛，刘波，周超，周忠强，卢愿，公凡奎，何成，
申请(专利权)人：山东鲁能软件技术有限公司，
类型：发明
国别省市：