[发明专利]基于深度递归神经网络的电力系统短期负荷预测方法

权利要求书

1.基于深度递归神经网络的电力系统短期负荷预测方法，其特征在于，包括以下步骤：

(1)收集汇总历史电网负荷和气象数据，建库备用；

(2)去除步骤(1)所得异常数据，对剩余数据归一化处理；

(3)确定具有前馈和反馈功能的模型结构；

(4)采用历史数据对基于IPSO算法的DRNN预测模型进行训练，确定模型参数及权值；

(5)将基于IPSO算法的DRNN预测模型用于实际负荷的预测中，得出预测负荷值。

2.根据权利要求1所述的基于深度递归神经网络的电力系统短期负荷预测方法，其特征在于：步骤(3)确定的模型包括输入层、多个隐含层、关联层和输出层，关联层含有用于存储历史信息的存储单元，存储单元将存储的当前时刻的历史信息作为反馈用于下一时刻第一层隐含层的输入。

3.根据权利要求2所述的基于深度递归神经网络的电力系统短期负荷预测方法，其特征在于：步骤(3)确定的模型为y(t)＝g(W_n+1·R_n(t)+B_n+1)

式中：Wn+1、Bn+1为第n层隐含层与输出层之间的权矩阵；g为DRNN输出层的非线性激活函数；激活函数f、g为sigmoid函数，

4.根据权利要求1-3任一所述的基于深度递归神经网络的电力系统短期负荷预测方法，其特征在于：步骤(2)归一化处理后，对数据进行负荷特性分析。

5.根据权利要求4所述的基于深度递归神经网络的电力系统短期负荷预测方法，其特征在于：负荷特性分析是采用统计技术分析负荷数据特性，确定负荷数据相关特点。

6.根据权利要求1-3任一所述的基于深度递归神经网络的电力系统短期负荷预测方法，其特征在于：步骤(1)中的历史电网负荷和气象数据是前3年的。

7.根据权利要求1-3任一所述的基于深度递归神经网络的电力系统短期负荷预测方法，其特征在于：步骤(2)中的异常数据是零数据或最大值或最小值。

8.根据权利要求1-3任一所述的基于深度递归神经网络的电力系统短期负荷预测方法，其特征在于：步骤(2)中的归一化是将数据归一化到[-1,1]区间。

9.根据权利要求1-3任一所述的基于深度递归神经网络的电力系统短期负荷预测方法，其特征在于：由步骤(5)中预测模型得到的值，反归一化，即可得到实际数量级的预测负荷值。