基于深度信念网络的短期负荷预测方法

被引：180

作者：

孔祥玉 ^{[1
]}

郑锋 ^{[1
]}

鄂志君 ^{[2
]}

曹旌 ^{[2
]}

王鑫 ^{[2
]}

机构：

[1] 智能电网教育部重点实验室(天津大学)

[2] 国网天津市电力公司

来源：

电力系统自动化 | 2018年 / 42卷 / 05期

基金：

国家重点研发计划;

关键词：

电力系统; 负荷预测; 受限玻尔兹曼机; 深度信念网络; 列文伯格—马夸尔特算法;

D O I：

暂无

中图分类号：

TM715 [电力系统规划];

学科分类号：

080802 ;

摘要：

电力系统信息化的发展及配电网中分布式电源和电动汽车的大量接入,增加了用电模式的复杂性,对负荷预测的精确度和稳定性提出了更高的要求。提出了一种基于深度信念网络的短期负荷预测方法。该方法包括深度信念网络的构建、模型参数的逐层预训练和微调,以及模型的应用等步骤。在模型参数预训练过程中,采用高斯—伯努利受限玻尔兹曼机(GB-RBM)作为堆叠组成深度信念网络的第1个模块,使其能够更有效地处理对负荷有影响的多类型实值输入数据;并采用无监督训练和有监督训练相结合的部分有监督训练算法进行预训练;利用列文伯格—马夸尔特(LM)优化算法微调预训练阶段得到的网络参数,使其更快收敛于最优解。最后,以实际负荷数据进行算例分析,结果表明,在训练样本较大且负荷影响因素复杂的情况下,所提方法具有更高的预测精度。

引用

页码：133 / 139

页数：7

共 10 条

[1] 考虑峰谷分时电价影响的变电站容量规划方法 [J].

姚建刚 ;

付强 ;

叶伦 ;

彭子健 ;

张也 ;

杨涵煜 .

电力系统自动化, 2017, 41 (13) :53-61

[2] 实现影响因素多源异构融合的短期负荷预测支持向量机算法 [J].

吴倩红 ;

高军 ;

侯广松 ;

韩蓓 ;

汪可友 ;

李国杰 .

电力系统自动化, 2016, 40 (15) :67-72+92

[3] 用于局部放电模式识别的深度置信网络方法 [J].

张新伯 ;

唐炬 ;

潘成 ;

张晓星 ;

金淼 ;

杨东 ;

郑建 ;

汪挺 .

电网技术, 2016, 40 (10) :3272-3278

[4] 基于灰色投影改进随机森林算法的电力系统短期负荷预测 [J].

吴潇雨 ;

和敬涵 ;

张沛 ;

胡骏 .

电力系统自动化, 2015, 39 (12) :50-55

[5] 自适应Levenberg-Marquardt方法提高潮流计算收敛性 [J].

严正 ;

范翔 ;

赵文恺 ;

徐潇源 ;

范金燕 ;

王毅 .

中国电机工程学报, 2015, 35 (08) :1909-1918

[6]

电力系统负荷预测[M]. 中国电力出版社 , 康重庆, 2016

[7]

Forecasting exchange rate using deep belief networks and conjugate gradient method[J] . Furao Shen,Jing Chao,Jinxi Zhao.Neurocomputing . 2015

[8]

Time series forecasting using a deep belief network with restricted Boltzmann machines[J] . Takashi Kuremoto,Shinsuke Kimura,Kunikazu Kobayashi,Masanao Obayashi.Neurocomputing . 2013

[9] A fast learning algorithm for deep belief nets [J].

Hinton, Geoffrey E. ;

Osindero, Simon ;

Teh, Yee-Whye .

NEURAL COMPUTATION, 2006, 18 (07) :1527-1554

[10] Training products of experts by minimizing contrastive divergence [J].

Hinton, GE .

NEURAL COMPUTATION, 2002, 14 (08) :1771-1800

← 1 →