基于稀疏自编码非线性自回归网络的负荷电价预测方法技术

本发明专利技术公开了基于稀疏自编码非线性自回归网络的负荷电价预测方法，涉及智能电网电价负荷预测技术领域，预测方法包括以下步骤：步骤一：建立非线性自回归网络预测模型，步骤二：使用最小

【技术实现步骤摘要】
基于稀疏自编码非线性自回归网络的负荷电价预测方法


[0001]本专利技术涉及智能电网电价负荷预测
，具体为基于稀疏自编码非线性自回归网络的负荷电价预测方法。

技术介绍

[0002]智能电网是一种广泛采用通信技术的现代供电网络，它包括自动化、控制和对消费变化做出快速反应等技术模块。智能电网以高效、安全、可靠、经济、环保的方式提供能源，利用可再生能源发电减少碳排放，并允许电力用户和电力公司之间进行双向通信。随着智能计量基础设施的出现，用户可以提前得知电价，并根据价格信号，将电力负荷转移到低价时段以减小电费。由此可见，智能电网创造了一个价格响应环境，价格随着需求的变化而变化，反之亦然。
[0003]当用户无法获取实时电价时，其将无法根据电价调整用电策略。然而，随着智能计量系统的出现，用户对价格有了更好的认识，并能相应地改变自己的用电量。在这种背景下，价格和负荷需求呈现高度相关性，市场参与者需要可靠的负荷和价格预测技术来最大化他们的利润，研究表明，负荷预测的平均绝对百分比误差每降低1％，发电成本将降低0.1％至0.3％，因此，精确负荷和电价预测是电力系统中重要的研究内容。

技术实现思路

[0004]本专利技术的目的在于提供基于稀疏自编码非线性自回归网络的负荷电价预测方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：基于稀疏自编码非线性自回归网络的负荷电价预测方法，预测方法包括以下步骤：
[0006]步骤一：建立非线性自回归网络预测模型，所述非线性自回归网络预测模型具有多个输入和输出，
[0007]步骤二：使用最小
‑
最大归一化对输入数据和目标进行归一化，向量X＝x1,x2,
…
,x
n
，n为维数，则归一化公式为：
[0008]式中，i＝1,2,
…
,n；
[0009]步骤三：将归一化后的数据使用高效稀疏自编码器进行特征的提取，训练完后，使用此自编码器对输入信息进行编码，当输入信息载入后，输出对应编码的特征；
[0010]步骤四：对价格和负荷的预测值反归一化，获得实际值；
[0011]步骤五：使用归一化公式对输入数据和目标进行最小
‑
最大归一化，然后验证编码器对于外界随机干扰的鲁棒性，随机选择30％的数据点加入白噪声，y(t)为白噪声，Sy(f)在所有频率f上都是常数:其中白噪声的广义相关函数定义为:B(t)＝δ(t)σ2，式中，δ(t)为δ函数，σ为正常数；
[0012]步骤六：建立原始神经网络目标函数，首先使用编码器进行特征提取，且提取过程中，隐藏层中的神经元激活度表示为a＝σ(WX+b)，其中，W为权矩阵，b为偏差矩阵，隐含层中的神经元为j，其平均激活度为ρ
j
，且ρ
j
表示为:
[0013][0014]式中，a
j
(x)为第j个神经元的激活度；
[0015]步骤七：在原始神经网络目标函数中加入稀疏性限制，作为额外惩罚因子，且Kullback
‑
Leibler散度作为惩罚因子，其数学表达式为:
[0016][0017]步骤八：对编码器系数进行微调，训练完后，使用此编码器对输入信息进行编码，当输入信息后，输出对应编码的特征，在微调过程中，首先，通过高、低通滤波器将输入时间序列分解到不同的频带；然后将噪声的频带置零，利用小波重构函数重构信号，其中小波分解运算表示为：
[0018][0019]式中，c
j,k
是函数的标度系数，d
j,k
是小波系数，h和g是正交滤波器组，j为分解水平，N是采样点数目，进行小波反分解的重构函数表示为:
[0020][0021]去噪操作为：
[0022][0023]式中，为去噪信号，ω
j,k
为小波变换后的信号，λ为阈值。
[0024]步骤九：使用提取的输入、输出特征通过Levenberg Marquardt函数得到非线性自回归网络，非线性自回归网络的公式为：
[0025][0026]式中，为网络在t时刻的输出，f()为非线性映射函数，y(t),y(t
‑
1),
…
,y(t
‑
d)为过去时刻的观测值，x(t+1),x(t),
…
,x(t
‑
d)为网络的输入值，d为延迟数，ε(t)表示误差项。
[0027]步骤十：使用非线性自回归网络，对进行负荷和电价预测后，然后对数据进行去归一化，得到最终预测结果。
[0028]进一步的，所述非线性自回归网络预测模型中的稀疏自编码特征提取器的输出作为非线性自回归网络的输入。
[0029]进一步的，所述非线性自回归网络预测模型的输入为：小时、温度、风速、滞后价格和滞后负荷，且非线性自回归网络预测模型的输出为：价格和负荷。
[0030]进一步的，所述步骤三中，输出对应编码的特征中80％的数据用于训练，15％用于
验证，5％用于测试，且价格和负荷预测时间为168小时，即一周。
[0031]进一步的，所述编码器采用高效稀疏自编码器。
[0032]进一步的，所述步骤七中，当ρ
j
接近参数ρ，KL散度值为0；当ρ
j
远离参数ρ，KL散度值会随着偏差的增大而增大，设神经网络的成本函数为C(W,b)，则加入稀疏惩罚项的目标函数为:
[0033][0034]式中，S2为神经元在某一隐藏层中的数量，W是稀疏惩罚权重。
[0035]进一步的，所述步骤八中，编码器特征提取中，隐藏层一和隐藏层二的神经元数分别为400和300，控制层二的归一化权重系数设置为0.001，稀疏归一化为4，稀疏比例为0.05，最大周期为100，权重学习算法采用共轭梯度下降法。
[0036]进一步的，所述步骤九中，在非线性自回归网络中，对价格和负荷同时预测，延迟数为2，网络的隐藏层数为10，训练函数为Levenberg Marquardt。
[0037]本专利技术提供了基于稀疏自编码非线性自回归网络的负荷电价预测方法，具备以下有益效果：该基于稀疏自编码非线性自回归网络的负荷电价预测方法，电力负荷与电价之间的高度相关性，在预测模型的输入中引入了电力负荷和电价的双向关系，在此模型的基础上，提出了一种基于深度学习的预测模型，即高效稀疏自编码非线性自回归网络，其可利用大数据对电力负荷和电价进行准确的预测，利用小波去噪作为解码函数，显著提高了提取特征的质量，从而提高了稀疏自编码器的性能；
[0038]1、本专利技术所提出的方法充分利用大数据分析负荷和电价的关系，并进行数据统计和图形化分析。
[0039]2、本专利技术提出了一种基于稀疏自编码器的特征提取方法。利用小波去噪作为解码函数，显著提高了提取特征的质量，从而提高了稀疏自编码器的性能，提取的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于稀疏自编码非线性自回归网络的负荷电价预测方法，其特征在于，预测方法包括以下步骤：步骤一：建立非线性自回归网络预测模型，所述非线性自回归网络预测模型具有多个输入和输出，步骤二：使用最小
‑
最大归一化对输入数据和目标进行归一化，向量X＝x1,x2,
…
,x
n
，n为维数，则归一化公式为：式中，i＝1,2,
…
,n；步骤三：将归一化后的数据使用高效稀疏自编码器进行特征的提取，训练完后，使用此自编码器对输入信息进行编码，当输入信息载入后，输出对应编码的特征；步骤四：对价格和负荷的预测值反归一化，获得实际值；步骤五：使用归一化公式对输入数据和目标进行最小
‑
最大归一化，然后验证编码器对于外界随机干扰的鲁棒性，随机选择30％的数据点加入白噪声，y(t)为白噪声，Sy(f)在所有频率f上都是常数:其中白噪声的广义相关函数定义为:B(t)＝δ(t)σ2，式中，δ(t)为δ函数，σ为正常数；步骤六：建立原始神经网络目标函数，首先使用编码器进行特征提取，且提取过程中，隐藏层中的神经元激活度表示为a＝σ(WX+b)，其中，W为权矩阵，b为偏差矩阵，隐含层中的神经元为j，其平均激活度为ρ
j
，且ρ
j
表示为:式中，a
j
(x)为第j个神经元的激活度；步骤七：在原始神经网络目标函数中加入稀疏性限制，作为额外惩罚因子，且Kullback
‑
Leibler散度作为惩罚因子，其数学表达式为:步骤八：对编码器系数进行微调，训练完后，使用此编码器对输入信息进行编码，当输入信息后，输出对应编码的特征，在微调过程中，首先，通过高、低通滤波器将输入时间序列分解到不同的频带；然后将噪声的频带置零，利用小波重构函数重构信号，其中小波分解运算表示为：式中，c
j,k
是函数的标度系数，d
j,k
是小波系数，h和g是正交滤波器组，j为分解水平，N是采样点数目，进行小波反分解的重构函数表示为:去噪操作为：
式中，为去噪信号，ω
j,k
为小波变换后的信号，λ为阈值；步骤九：使用提取的输入、输出特征通过Levenberg Marquardt函数得到非线性自回归网络，非线...

【专利技术属性】
技术研发人员：弓帅，
申请(专利权)人：国网山东省电力公司淄博供电公司，
类型：发明
国别省市：