[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

说明书

技术领域

本发明涉及电力系统短期负荷预测技术领域，尤其涉及基于深度递归神经网络的电力系统短期负荷预测方法。

背景技术

随着电力系统规模和复杂性不断提高，电力系统短期负荷预测的准确与否对有效降低发电资费、实施各地区电力系统优化控制具有关键作用。与长期负荷预测相比，短期负荷预测主要用于安排发电计划，时效性最高。其负荷变动速度快，受温差、湿度等突变因素影响大，属于动态非线性时间序列。由于短期负荷的此类特征，若想达到精准预测较为困难。随着新电改的实施，售电市场竞争不断深化，对预测精度提出新的要求。因此，提供一种精确度高的电力系统短期负荷预测方法是很有必要的。

DNN——深度神经网络；

DRNN——深度递归神经网络；

PSO(Particle Swarm Optimization)——粒子群算法；

IPSO——改进粒子群算法。

发明内容

本发明的目的在于针对上述技术问题，提供一种基于深度递归神经网络的电力系统短期负荷预测方法。

步骤一：收集汇总历史地区电网负荷数据、气象数据等数据的采集与汇总，并导入Excel数据库中。

步骤二：数据预处理，为避免神经元饱和情况的发生，需要对原始负荷数据进行预处理，这样做将有利于训练过程的收敛，提高预测精度。主要的预处理方式是，对训练样本集中的历史负荷数据，统计其最大值和最小值，将负荷数据归一到[-1,1]区间，可使数据处于同一数量级别，加快神经网络收敛。

步骤三：确定模型结构。

DNN(深度神经网络)具有多隐层结构，对网络的输入向量进行反复多重训练以提升分类或预测的准确性。DNN预测模型由输入层、多隐含层和输出层构成。与传统前馈神经网络相比，DNN具有多隐层结构。X为网络输入，是包含m维的列向量；(W,B)为各个隐含层之间的权重矩阵和阈值矩阵。DNN的每个隐含层从它的前一层获取输入向量，利用该隐含层的激活函数进行非线性变换，再把得到的向量作为输入传给下一层神经元，逐层往复迭代，最终传递给网络输出y。与BP网络相比，有多个隐层的DNN训练深度明显增加，学习能力显著增强，可克服传统BP神经网络的缺陷。

DNN虽学习能力较强，但其本质仍然是静态网络，无法全面刻画与表征负荷动态序列的规律。构造具有反馈机制的DRNN预测模型。DRNN由输入层、n层隐含层、关联层和输出层等构成。DRNN的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。DRNN重构了网络内部结构和状态，使网络最终的输出不仅与当前时刻信息有关，与每一时刻的历史信息也密切相关，使其具有较好的动态记忆能力。

X＝[x₁,x₂,…x_m]为DRNN的输入向量。在DRNN的n个隐含层中，每层的节点个数分别用l1，l2，…，ln表示，输出层节点个数为1。DRNN的第一层隐含层在t时刻的输出向量可描述为

R₁(t)＝f(W₁·[X(t),z(t)]+B₁)(1)

式中：R1(t)表示第一层隐含层输出；W1、B1表示输入层与第一层隐含层之间的权矩阵；z(t)表示在t时刻关联层到第一层隐含层之间的反馈输入。

延迟量z作为反馈项，在t(t>0,t∈Z)时刻的输入应是输出层t-1时刻对应的历史信息。z存储了上一时刻的历史信息，并且作为隐含层的输入量用于当前时刻的预测。因此，反馈项z(t)应满足

DRNN在t时刻除第一层外的其它隐含层的各层输出可描述为

R_L(t)＝f(W_L·R_L-1(t)+B_L)

(3)式中：RL(t)表示第L层隐含层的输出向量；WL、BL表示第L-1层隐含层与第L层隐含层之间的权重矩阵；f为DRNN隐含层的非线性激活函数。

DRNN在t时刻输出层的输出y(t)可描述为

y(t)＝g(W_n+1·R_n(t)+B_n+1)

(4)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。