[发明专利]一种基于Kmeans与FR-DBN的短期负荷预测方法

说明书

一种基于Kmeans与FR‑DBN的短期负荷预测方法，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。本发明的优点：基于无监督特征学习这一视角展开，解决权重的选取带有一定的主观性这一问题，具有加快学习速率、提升预测精度优势，对保证电网安全稳定的运行具有十分重要的意义，为电力系统负荷预测提供一种新的预测方法。

技术领域

本发明涉及电力系统负荷预测领域，特别涉及一种基于Kmeans与FR-DBN的短期负荷预测方法。

背景技术

社会不断在进步，科技不断在发展，我国电力系统和电网管理日趋复杂化、现代化和完善化,电力系统负荷预测问题的研究已成为现代电力系统科学中一个重要的研究领域。电力系统负荷预测的研究已经有一段时间的历史，随着计算机技术的发展和电网对负荷预测精度要求的提高，对这一课题的研究也在不断深入。特别是随着电力市场改革的深入，它已经成为电力市场技术支持系统的重要组成部分，是电力交易市场的主要数据来源，其预测精度对电力系统有着非常重要的意义。

今年夏季，强降雨、洪涝、泥石流、台风等灾害性天气多发，部分区域、省级电网负荷屡创新高。同时,随着越来越多的冷暖设备被使用,电力负荷受气象指标的影响也越来越大,气象指标逐渐成为研究人员挖掘对电力负荷定量影响的研究重点。

发明内容

本发明的目的是为了克服上述问题，特提供了一种基于Kmeans与FR-DBN的短期负荷预测方法。

本发明提供了一种基于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。

(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。