【技术实现步骤摘要】
本专利技术涉及电网负荷功率预测，尤其涉及基于psr-dbn组合模型短期电力负荷预测方法。
技术介绍
1、电力负荷预测在电力系统的运行和规划中发挥着至关重要的作用，准确的电力负荷预测不仅有助于电力公司优化能源分配，减少生产成本，提高能源利用效率，还确保了电力系统的稳定运行。
2、传统的电力负荷统计方法虽然操作简单，但在预测精度方面存在限制，随着机器学习和深度学习技术的发展，这些方法以其强大的非线性建模能力，能够自动学习输入数据中的复杂规律，为电力负荷预测提供了新的可能，这些高级方法可以更准确地预测电力负荷，为电力行业带来重大改进，因此，现提出基于psr-dbn组合模型短期电力负荷预测方法。
技术实现思路
1、基于上述目的，本专利技术提供了基于psr-dbn组合模型短期电力负荷预测方法。
2、基于psr-dbn组合模型短期电力负荷预测方法，包括以下步骤：
3、s1：数据预处理，对电力负荷数据进行预处理；
4、s2：在所述数据预处理后，采用相空间重构技术处理时间序列数据，通过确定延迟时间和嵌入维度来重构相空间；
5、s3：在相空间重构后，使用深度置信网络进行特征提取和预测，深度置信网络包括输入层、隐藏层以及输出层，由多个堆叠的受限玻尔兹曼机组成，其中，输出层是用于回归预测的bp神经网络，输入层输入相空间重构后的高维相空间数据，通过受限玻尔兹曼机进行逐层特征提取，最后输入顶层bp神经网络中，形成预测模型的集合；
6、s
7、s5：模型评估与优化，在训练完成后，使用评价指标平均绝对百分比误差和均方根误差评估模型性能，并进行调整和优化，输出层输出预测结果时对数据进行反归一化，得到最终输出结果。
8、进一步的，所述数据预处理包括对用户侧负荷需求功率进行理想功率曲线分布趋势进行匹配，对于偏离明显的数据进行剔除或替换，对预处理后的数据进行归一化处理以消除不同量纲带来的影响，并将预处理后的数据划分为训练集、验证集和测试集。
9、进一步的，所述s2中的相空间重构技术用于将一维混沌时间序列拓展至高维相空间内，提取原时间序列内包含的信息，具体包括：
10、对于一维混沌时间序列若其嵌入维度为m，延迟时间为τ，根据坐标延迟重构法得到重构的相空间如下：
11、
12、展开结果如下：
13、
14、对应的输出为：
15、
16、进一步的，所述s2中的通过确定延迟时间和嵌入维度来重构相空间具体包括：
17、s21，延迟时间的确定：基于给定系统x＝{x1，x2，...，xn}，得到系统x延迟时间τ后的另一系统y的信息，对于每个变量对，计算变量之间的互信息i(y,x)，互信息i(y,x)用于度量两个变量之间的相关性和依赖性：
18、i(y,x)＝h(y)-h(y|x)，其中信息熵其中，p(xi)为系统x中事件xi的概率，p(xi,yj)为事件xi和yj的联合分布概率；
19、通过计算得到原系统x和延迟时间τ后的系统y之间互信息的表达式为：
20、
21、原系统x和延迟时间τ后的系统y之间的依赖程度随着互信息值增大而增加，即互信息随着延迟时间τ的增加会增大，互信息增大后保持进而开始下降，选择互信息达到峰值时对应的延迟时间作为确定延迟时间；
22、s22，嵌入维度的确定：采用伪虚假邻近点法来确定相空间重构的最优嵌入维度，通过观察在不同的嵌入维度下，相空间重构后的点之间是否存在虚假邻近来确定嵌入维度。
23、进一步的，所述s22具体包括：
24、s221：选择一个嵌入维度及确定延迟时间，对于给定的时间序列数据，构建一个延迟向量集合，所述延迟向量基于原始时间序列中的数据按给定的延迟时间进行重构得到；
25、s222：计算每个延迟向量与其邻近点之间的欧氏距离，增加嵌入维度，并使用相同的延迟时间τ重新构建延迟向量集合；
26、s223：计算新的延迟向量集合与其邻近点之间的欧氏距离；
27、s224：计算两个维度下相邻点之间距离的变化率，若该变化率超过了预定阈值，则认为当前维度不是最佳嵌入维度，返回s222增加维度，否则，认为当前维度是最佳嵌入维度；
28、s225：重复上述s221-s224，直到找到最佳嵌入维度。
29、进一步的，所述s3中，受限玻尔兹曼机模型均由一个随机的隐藏层和可见层组合而成，其中，隐藏层和可见层的各个单元之间保持全连接，单个隐藏层和单个可见层的层内无连接，受限玻尔兹曼机包括数据无监督学习能力。
30、进一步的，所述s4中的逐层预训练具体包括：
31、使用无监督学习算法对每一层的受限玻尔兹曼机进行训练，初始化可见层到隐藏层的权重矩阵w和隐藏层的偏置向量b，对于第一层，将训练样本归一化相空间重构后的x值(0<x<1)作为可见层v1，计算第一层隐藏层中每个神经元的激活概率：
32、p(h1|v1)＝σ(w′v1+b)，其中，p(h1|v1)表示给定可见层状态v1时，隐藏层状态h1的条件概率，σ表示激活函数sigmoid函数w是权重矩阵，b是隐藏层的偏置向量；
33、通过给每一个节点设置随机数，比较随机数与激活概率的大小，当随机数大于激活函数时激活该神经元参与模型训练，否则不予激活，得到隐藏层采样后的隐藏层状态h′1；
34、通过对比散度算法进行训练，根据重构误差公式：
35、l(v1,h′1)＝-∑(v1*log(h′1)+(1-v1)*log(1-h′1))，计算重构误差，作为对比散度的近似，使用adam优化算法，根据重构误差的导数更新第一层可见层到隐藏层的权重矩阵w和偏置向量b；
36、选取隐藏层中被激活的神经元，利用其偏置值b1重构下层受限玻尔兹曼机的可见层，并计算下一层受限玻尔兹曼机的可见层中每个神经元的激活概率：
37、p(v2|h′1)＝σ(wh′1+a)，其中，p(v2|h′1)表示给定隐藏层状态h′1时，可见层状态v2的条件概率，σ为激活函数sigmoid函数，w是权重矩阵，a是可见层的偏置向量，重复比较随机数与可见层激活概率的大小，得到重构采样后的可见层状态v’2，往复操作，对每一层进行训练，直到最后一层，完成逐层的预训练。
38、进一步的，所述s4中的整体微调具体包括：完成逐层预训练后，将有标签的数据输入到深度置信网络中，通过前向传播计算每一层的输出值，根据输出值计算整个网络的重构误差，再使用反向传播算法计算每一层的梯度，从输出层开始逐层本文档来自技高网...
【技术保护点】
1.基于PSR-DBN组合模型短期电力负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于PSR-DBN组合模型短期电力负荷预测方法，其特征在于，所述数据预处理包括对用户侧负荷需求功率进行理想功率曲线分布趋势进行匹配，对于偏离明显的数据进行剔除或替换，对预处理后的数据进行归一化处理以消除不同量纲带来的影响，并将预处理后的数据划分为训练集、验证集和测试集。
3.根据权利要求2所述的基于PSR-DBN组合模型短期电力负荷预测方法，其特征在于，所述S2中的相空间重构技术用于将一维混沌时间序列拓展至高维相空间内，提取原时间序列内包含的信息，具体包括：
4.根据权利要求3所述的基于PSR-DBN组合模型短期电力负荷预测方法，其特征在于，所述S2中的通过确定延迟时间和嵌入维度来重构相空间具体包括：
5.根据权利要求4所述的基于PSR-DBN组合模型短期电力负荷预测方法，其特征在于，所述S22具体包括：
6.根据权利要求5所述的基于PSR-DBN组合模型短期电力负荷预测方法，其特征在于，所述S3中，受限玻尔兹曼机模型
7.根据权利要求6所述的基于PSR-DBN组合模型短期电力负荷预测方法，其特征在于，所述S4中的逐层预训练具体包括：
8.根据权利要求7所述的基于PSR-DBN组合模型短期电力负荷预测方法，其特征在于，所述S4中的整体微调具体包括：完成逐层预训练后，将有标签的数据输入到深度置信网络中，通过前向传播计算每一层的输出值，根据输出值计算整个网络的重构误差，再使用反向传播算法计算每一层的梯度，从输出层开始逐层向前计算梯度和更新参数，直到更新完所有层，以调整深度置信网络的参数。
...【技术特征摘要】
1.基于psr-dbn组合模型短期电力负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于psr-dbn组合模型短期电力负荷预测方法，其特征在于，所述数据预处理包括对用户侧负荷需求功率进行理想功率曲线分布趋势进行匹配，对于偏离明显的数据进行剔除或替换，对预处理后的数据进行归一化处理以消除不同量纲带来的影响，并将预处理后的数据划分为训练集、验证集和测试集。
3.根据权利要求2所述的基于psr-dbn组合模型短期电力负荷预测方法，其特征在于，所述s2中的相空间重构技术用于将一维混沌时间序列拓展至高维相空间内，提取原时间序列内包含的信息，具体包括：
4.根据权利要求3所述的基于psr-dbn组合模型短期电力负荷预测方法，其特征在于，所述s2中的通过确定延迟时间和嵌入维度来重构相空间具体包括：
5.根据权利要求4所述的基于psr-dbn组合模型短期电力负荷预...
【专利技术属性】
技术研发人员：马力，吴子俊，庄华龙，马振宇，李华，满雨佳，刘敦楠，邱朝明，曲大鹏，范晋衡，刘琦颖，张祖菡，康文慧，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。