[发明专利]一种24小时电力负荷预测方法

说明书

本发明提供了一种24小时电力负荷预测方法，包含数据采集及预处理，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，确定DBN网络结构和建立网络模型，通过DBN对网络模型进行训练和测试，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，得到预测日的电力负荷值结果，通过2层RBM网络层的预训练对权重进行合理的初始化，再通过BP网络层来调整，不会出现过拟合等缺点，采用特征熵权值法提取对电力负荷有影响的因素并计算其相应的权值，量化各个因素得到对电力负荷的影响的权重，提出了窗口选取法，提高预测精准性，预测效果较现有电力负荷预测模型更好。

技术领域

本发明涉及电力系统规划和调度等领域，具体涉及一种使用DBN神经网络模型对预测日进行24时电力负荷预测的方法。

背景技术

伴随着我国电力行业的不断发展和人民生活水平的不断提高，各行各业对电能的需求逐渐提高。电力负荷预测是制定发电计划和电力系统发展规划的基础，精确的负荷预测对于电力系统经济、安全、可靠运行具有重要意义。

随着现代科学技术的快速发展，各种各样的负荷预测方法不断涌现。电力系统负荷具有不可控性和也没有全面的分析考虑温度或天气等影响因素有按天、按周、以及按年的周期性变化特性。负荷预测具有不准确性，条件性，时间性是多种多样的且不断变化的，其影响因素也是多种多样的。传统的负荷预测数学模型具有局限性，影响负荷变化的因素非常多，隐含着非线性关系，很难用一个显示的数学公式予以表示。神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统，可以映射任意复杂的非线性关系，通过调节内部神经元的连接关系，来达到处理信息的目的，具有很强的自适应学习能力。现代人工智能算法中使用的较多的是BP神经网络也存在初始权值等选择的不确定性会出现过拟合等缺点，预测精度和实用性方面无法同时满足要求。

在训练网络模型时，如何有效选取输入数据也是至关重要的。在现有技术中，尽管部分电力负荷预测算法选择了合适的神经网络模型作为预测模型，也没有全面的分析考虑温度或天气等影响因素及其影响的大小，大多基于历史负荷数据做数学统计对电力负荷预测影响因素的利用不足。

发明内容

针对现有技术中所存在的不足，本发明提供了一种24小时电力负荷预测方法，其目的在于解决BP神经网络存在初始权值等选择的不确定性会出现过拟合等缺点，预测精度和实用性方面无法同时满足要求，没有全面的分析考虑温度或天气等影响因素有按天、按周、以及按年的周期性变化特性，使负荷预测具有不准确性。

为实现上述目的，本发明用了如下的技术方案：

一种24小时电力负荷预测方法，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、通过DBN对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。

相比于现有技术，本发明具有如下有益效果：