[发明专利]一种基于Kmeans与FR-DBN的短期负荷预测方法

权利要求书

1.一种基于Kmeans与FR-DBN的短期负荷预测方法，其特征在于：所述的基于Kmeans与FR-DBN的短期负荷预测方法，具体包括：

利用Kmeans结合共轭梯度法(FR)改进深度学习网络(DBN)的组合模型进行电力系统负荷预测，通过Kmeans聚类算法分批数据加快学习速率，同时将DBN无监督特征学习机制引入负荷预测模型中，再利用FR共轭梯度法进行优化，并将预测结果与预测所需时间分别和传统预测模型进行比较。

2.根据权利要求1所述的基于Kmeans与FR-DBN的短期负荷预测方法，其特征在于：

(1)通过Kmeans聚类算法分批数据加快学习速率，假定给定原始数据样本X，包含了负荷数据、温度、湿度、过去1小时降水量等n个对象X＝{X₁,X₂,X₃,...,X_n}，其中每个对象都具有m个维度的属性；

首先需要初始化k个聚类中心{C₁,C₂,C₃,...,C_k},1＜k≤n，然后通过计算每一个对象到每一个聚类中心的欧式距离，如下式所示：

上式中，X_i表示第i个对象1≤i≤n,C_j表示第j个聚类中心的1≤j≤k,X_it表示第i个对象的第t个属性1≤t≤m,C_jt表示第j个聚类中心的第t个属性；

依次比较每一个对象到每一个聚类中心的距离，将对象分配到距离最近的聚类中心的类簇中，得到k个类簇{S₁,S₂,S₃,...,S_k}，即k批数据；

(2)利用FR共轭梯度法对DBN模型进行优化，DBN由多个受限玻尔兹曼机(RBM)层组成，RBM是一个两层神经网络，第一层被称为可见层，第二层被称为隐藏层；隐藏层和可见层之间是全连接的，连接权重可以用矩阵W＝(ω_i,j)表示，各层神经元之间是相互独立的；

权重矩阵W＝(ω_i,j)中的每个元素指定了隐层单元h_j和可见层单元v_i之间的权重；此外对于每个可见层单元v_i有偏置a_i，对每个隐层单元h_j有偏置b_j；对于给定的状态向量h和v，RBM的能量函数可以表示为：

E(v,h)＝-a^Tv-b^Th-h^TWv

这一能量函数的形式与霍普菲尔德神经网络相似；根据能量函数可以得到隐含层和可见层之间的联合概率分布：

其中，Z为归一化因子，定义为在节点的所有可能取值下e^-E(v,h)的和；类似地，可见层取值的边缘分布可通过对所有隐含层状态向量求和得到：

由于RBM为一个二分图，层内没有边相连，因而隐含层是否激活在给定可见层节点取值的情况下是条件独立的，可见层节点的激活状态在给定隐含层取值的情况下也条件独立；对m个可见层节点和n个隐含层节点，状态向量v对h与h对v的条件概率分别如下：

RBM里各层之间采用的是sigmoid激活函数；其中，单个节点的激活概率为：

P(h_j＝1|v)＝sigmoid(b_j+W_j,:v)

P(v_i＝1|h)＝sigmoid(a_i+W^T:,_jh)

FR共轭梯度法求解最优解问题如下：

步长因子α_k由某种线性搜索得到，其一般格式为：

x_k+1＝x_k+α_kd_k，k＝0,1,…

搜索方向d_k格式如下：

其中β_k为参数，g(x)为f在x处的梯度。