[发明专利]一种24小时电力负荷预测方法

权利要求书

1.一种24小时电力负荷预测方法，其特征在于：包含以下步骤；

a、数据采集及预处理；采集电网数据和天气数据，形成原始评价矩阵Mnm，并对原始评价矩阵Mnm进行线性变换归一化处理得到矩阵Snm，并对各个指标的数据按照特征熵权值进行标准化处理，得到对应的权值；

b、通过特征熵权值计算出的有效特征，结合窗口选取法选取固定时间内的24小时用电负荷情况作为DBN网络训练的输入数据；

c、根据电力负荷数据特征和分布信息，设置RBM层数为2，每层神经元个数为180，建立DBN网络模型；

d、对DBN网络模型进行训练和测试；

e、输入预测日的特征值数据和窗口法选取的预测日前某几天一天中的24小时用电负荷值到训练好的网络模型中，利用训练好的网络模型对所需预测的电力负荷值进行预测，得到预测日的电力负荷值结果。

2.根据权利要求1所述的一种24小时电力负荷预测方法，其特征在于：在步骤a中，线性变换归一化处理公式为：i＝1，2，…，n j＝1，2，…，m，其中，i为不大于n的自然数序列，j为不大于m的自然数序列，m和n均为自然数，m_ij表示第i个对象第j个指标的指标值，min_ij表示第i个对象第j个指标的最小指标值，max_ij第i个对象第j个指标的最大指标值，S_ij为第i个对象第j个指标值的归一化参数，不同i、j值的S_ij组成归一化矩阵；对任一S_ij计算第j个指标的熵值，计算公式为(f_ij)，得到对应熵权值Hj；当f_ij＝0时，f_ij*ln(f_ij)＝0时，计算公式为且当f_ij＝0时f_ij*ln(f_ij)＝0，0≤ωj≤1，且得到对应熵权值ωj，其中，fij为参数化的第一中间变量，K为参数化的第二中间变量。

3.根据权利要求1所述的一种24小时电力负荷预测方法，其特征在于：在步骤b中，，通过公式(j＝1，2，…，m)；当f_ij＝0时，f_ij*ln(f_ij)＝0时，(j＝1，2，…，m)且当f_ij＝0时，f_ij*ln(f_ij)＝0时，0≤ωj≤1，且对矩阵S_nm的特征向量包含平均本站气压、日最高本站气压、日最低本站气压、平均气温、日最高气温、日最低气温、平均水汽压、平均相对湿度、最小相对湿度、日最大降水量、小型蒸发量、大型蒸发量、平均风速、最大风速、最大风速的风向、极大风速、极大风速的风向、日照时数、年、季节、月、周和日计算权值；发现有效因素包括日平均气温、日最高气温、日最低气温、平均气压、平均相对湿度、日最大降水量、平均风速和日照时数这8个参数作为气象因素，另外加入年、季节、月、周和日5个参数作为日期因素。

4.根据权利要求1所述的一种24小时电力负荷预测方法，其特征在于：在步骤b中，所述窗口选取法窗口周期取值为7。

5.根据权利要求1所述的一种24小时电力负荷预测方法，其特征在于：在步骤c中，所述DBN网络结构由两层RBM网络和一层BP网络层组成，第一层RBM网络称为可见层，可见层的神经元个数通过输入数据来确定，所述可见层用于表示输入数据；第二层RBM网络称为隐藏层，所述隐藏层用于接收计算结果，可用于特征提取；所述BP网络层称为输出层，BP网络层的神经元个数由输出数据确定，所述BP网络层用于接收RBM网络的输出特征向量作为BP网络层的输入特征向量。

6.根据权利要求5所述的一种24小时电力负荷预测方法，其特征在于：所述每个神经元自身有一个对可视层的偏置系数和对隐藏层的偏置系数来表示神经元自己的权重，权重值是可视层和隐藏层之间的连接权值，所有的可视神经元和隐藏神经元均为二值变量，激活状态下值为1，抑制状态下值为0，对于任意的一对可视层和隐藏层神经元之间存在双向连接，可视层和隐藏层层内的神经元之间都不存在连接。