本发明涉及电力系统规划和调度等领域，具体涉及一种使用DBN神经网络模型对预测日进行24时电力负荷预测的方法。
背景技术：
：伴随着我国电力行业的不断发展和人民生活水平的不断提高，各行各业对电能的需求逐渐提高。电力负荷预测是制定发电计划和电力系统发展规划的基础，精确的负荷预测对于电力系统经济、安全、可靠运行具有重要意义。随着现代科学技术的快速发展，各种各样的负荷预测方法不断涌现。电力系统负荷具有不可控性和也没有全面的分析考虑温度或天气等影响因素有按天、按周、以及按年的周期性变化特性。负荷预测具有不准确性，条件性，时间性是多种多样的且不断变化的，其影响因素也是多种多样的。传统的负荷预测数学模型具有局限性，影响负荷变化的因素非常多，隐含着非线性关系，很难用一个显示的数学公式予以表示。神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统，可以映射任意复杂的非线性关系，通过调节内部神经元的连接关系，来达到处理信息的目的，具有很强的自适应学习能力。现代人工智能算法中使用的较多的是BP神经网络也存在初始权值等选择的不确定性会出现过拟合等缺点，预测精度和实用性方面无法同时满足要求。在训练网络模型时，如何有效选取输入数据也是至关重要的。在现有技术中，尽管部分电力负荷预测算法选择了合适的神经网络模型作为预测模型，也没有全面的分析考虑温度或天气等影响因素及其影响的大小，大多基于历史负荷数据做数学统计对电力负荷预测影响因素的利用不足。技术实现要素：针对现有技术中所存在的不足，本发明提供了一种24小时电力负荷预测方法，其目的在于解决BP神经网络存在初始权值等选择的不确定性会出现过拟合等缺点，预测精度和实用性方面无法同时满足要求，没有全面的分析考虑温度或天气等影响因素有按天、按周、以及按年的周期性变化特性，使负荷预测具有不准确性。为实现上述目的，本发明用了如下的技术方案：一种24小时电力负荷预测方法，包含以下步骤；a、数据采集及预处理：采集电网数据和天气数据，形成原始评价矩阵Mnm，并对原始评价矩阵Mnm进行线性变换归一化处理得到矩阵Snm，并对各个指标的数据按照特征熵权值进行标准化处理，得到对应的权值；b、通过特征熵权值计算出的有效特征，结合窗口选取法选取固定时间内的24小时用电负荷情况作为DBN网络训练的输入数据；c、根据电力负荷数据特征和分布信息，设置RBM层数为2，每层神经元个数为180，建立DBN网络模型；d、通过DBN对网络模型进行训练和测试；e、输入预测日的特征值数据和窗口法选取的预测日前某几天一天中的24小时用电负荷值到训练好的网络模型中，利用训练好的网络模型对所需预测的电力负荷值进行预测，得到预测日的电力负荷值结果。相比于现有技术，本发明具有如下有益效果：该发明中选取由多层RBM(受限玻尔兹曼机)网络和BP网络组成的DBN(深度信念网络)作为预测模型，通过RBM网络层的预训练对权重进行合理的初始化，再通过BP网络层来做调整，不会出现过拟合等缺点，因为电力负荷具有不可控性和受温度或天气等影响因素有按天、按周、以及按年的周期性变化特性，采用熵权法来提取对电力负荷有影响的自然因素并计算其相应的权值，量化了各个因素并得到对电力负荷的影响的权重，并提出一种窗口选取法，大大提高预测精准性，而且预测效果较现有用电负荷预测模型更好。附图说明图1为本发明实施例DBN网络结构图，图2为本发明实施例DBN网络训练过程图，图3为本发明实施例DBN网络模型输入参数表，具体实施方式下面结合附图及实施例对本发明中的技术方案进一步说明。如图所示，本发明提出了一种24小时电力负荷预测方法，包含以下步骤；a、数据采集及预处理：采集电网数据和天气数据，形成原始评价矩阵Mnm，并对原始评价矩阵Mnm进行线性变换归一化处理得到矩阵Snm，并对各个指标的数据按照特征熵权值进行标准化处理，得到对应的权值；b、通过特征熵权值计算出的有效特征，结合窗口选取法选取固定时间内的24小时用电负荷情况作为DBN网络训练的输入数据；c、根据电力负荷数据特征和分布信息，设置RBM层数为2，每层神经元个数为180，建立DBN网络模型；d、通过DBN对网络模型进行训练和测试；e、输入预测日的特征值数据和窗口法选取的预测日前某几天一天中的24小时用电负荷值到训练好的网络模型中，利用训练好的网络模型对所需预测的电力负荷值进行预测，得到预测日的电力负荷值结果。采用熵权法来提取对电力负荷有影响的自然因素并计算其相应的权值，量化了各个因素并得到对负荷的影响的权重，并提出一种窗口选取法，大大提高预测精准性。在步骤a中，线性变换归一化处理公式为：其中，i为不大于n的自然数序列，j为不大于m的自然数序列，m和n均为自然数，mij表示第i个对象第j个指标的指标值，minij表示第i个对象第j个指标的最小指标值，maxij第i个对象第j个指标的最大指标值，Sij为第i个对象第j个指标值的归一化参数，不同i、j值的Sij组成归一化矩阵；对任一Sij计算第j个指标的熵值，计算公式为得到对应熵权值Hj；当fij＝0时，fij*ln(fij)＝0时，计算公式为且当fij＝0时fij*ln(fij)＝0，0≤ωj≤1，且得到对应熵权值ωj，其中，fij为参数化的第一中间变量，K为参数化的第二中间变量。采用熵权法计算各个因素对负荷的影响权，熵权法借用信息论中熵的概念，熵是系统无序程度的一个度量；如果指标的信息熵越小，该指标提供的信息量越大，量化了各个因素并得到对负荷的影响的权重，能有效的计算出影响天气数据的有效因素，提高了预测准确性。在步骤b中，通过公式当fij＝0时，fij*ln(fij)＝0时，计算公式为且当fij＝0时，fij*ln(fij)＝0时，0≤ωj≤1，且对矩阵Snm的特征向量包含平均本站气压、日最高本站气压、日最低本站气压、平均气温、日最高气温、日最低气温、平均水汽压、平均相对湿度、最小相对湿度、日最大降水量、小型蒸发量、大型蒸发量、平均风速、最大风速、最大风速的风向、极大风速、极大风速的风向、日照时数、年、季节、月、周和日进行计算，得到对应权值如下表1所示：表1由计算结果可知，有效因素包括日平均气温、日最高气温、日最低气温、平均气压、平均相对湿度、日最大降水量、平均风速和日照时数这8个参数作为气象因素，另外加入年、季节、月、周和日5个参数作为日期因素。在步骤b中，所述窗口选取法窗口周期取值为7。表示特定某天的电力负荷受到过去7天的历史负荷值影响。在训练网络模型的输入数据中就将包括过去7天的24时负荷值，比如预测第N天的负荷值，此时的输入数据是从N-7天到N-1天的历史数据。输入变量参数可以是任何影响负荷变化的因素，包括时间因素，天气因素等，通过熵权法计算并提取出的影响较大的因素有16个，加上由窗口选取法提取预测天前7天的24时负荷值，以及预测天的期待目标输出24时负荷值，最终得到208个参数。在对预测日全天每小时的电力负荷进行预测时，考虑到在离预测日比较近的几天的用电负荷情况对预测影响比较大，并且电力负荷存在有按天、按周、按月、按年呈周期性变化的情况，所以在预测时，加入前几天的24小时用电负荷情况可以使预测结果更精确。在步骤c中，所述DBN网络结构由两层RBM网络和一层BP网络层组成，第一层RBM网络称为可见层，可见层的神经元个数通过输入数据来确定，所述可见层用于表示输入数据；第二层RBM网络称为隐藏层，所述隐藏层用于接收计算结果，可用于特征提取；所述BP网络层称为输出层，BP网络层的神经元个数由输出数据确定，所述BP网络层用于接收RBM网络的输出特征向量作为BP网络层的输入特征向量。根据输入数据的大小和分布信息，确定输入层的神经元个数，RBM的隐含层层数及其包含的神经元个数，确定BP神经网络的隐含层层数及其包含的神经元个数。该DBN网络模型的输入值包括输入的参数变量和标签值的信息，一共有205个数据，即网络模型的输入神经元个数即为205个。输出层中每个神经元的产生一个预测值就对应一天中24小时中的一个值，因此输出神经元的个数即是对应的待预测日的24时输出预测值的个数，即是24个输出神经元；一般增加网络层数可以降低网络误差，提高精度，但同时也增加了网络的复杂度，使网络的训练时间更长，有可能出现过拟合的情况。依据启发式实验的思想来确定网络RBM的层数。一般启发式实验确定网络层数的方法是网络从传统的3层多层感知机开始，反复做增加网络层数或减少网络层数的方法来进行实验，找到使实验效果最好的那种网络层数设置，实验的评价指标为MAPE和RRMSE，两个评价指标的计算公式如下：其中Ri表示在i小时的真实负荷值，Fi表示在i小时的预测负荷值，T是代表一天中预测的时间段的数目(实验中即为24)，Ravg表示了一天内平均负荷值。二者的值越小，性能越好，实验结果如下表2所示：RBM网络层数RBM隐层神经元个数MAPERRMSE11000.03700.095611500.02670.041421000.02820.045521500.02760.045721800.02620.037222000.03060.055331000.05260.138531500.05400.1484表2根据结果可见，在设置RBM层数为2，每层神经元个数为180时，网络模型对应的MAPE值和RRMSE的值都是最小的，因此RBM的层数设置为2层，每层神经元个数设为180；使用试错法来决定网络中隐层神经元个数。设置初始的每层神经元个数为50，通过每次对每层增加或减少50个神经元来进行测试和计算，考虑到50的跨度太大，在临界值时可能会错过较优值，因此特设置了180个神经元，通过网络性能对比，最终在180个神经元，网络性能较好，因此选择了每层隐层180个神经元。所述每个神经元自身有一个对可视层的偏置系数和对隐藏层的偏置系数来表示神经元自己的权重，权重值是可视层和隐藏层之间的连接权值，所有的可视神经元和隐藏神经元均为二值变量，激活状态下值为1，抑制状态下值为0，对于任意的一对可视层和隐藏层神经元之间存在双向连接，可视层和隐藏层层内的神经元之间都不存在连接。在步骤d中，DBN网络模型训练分为预训练和微调两步，DBN网络分别单独无监督地训练每一层RBM网络，当一条数据输入可视层后，RBM网络会计算出每个隐层神经元得到激活的概率，初次计算时取一个0-1的随机数μ作为阈值，判断大于该阈值的神经元则被激活，小于该阈值的神经元则不被激活，通过计算调整修改阈值，若干次的训练后，隐层能较为精确的提取可视层的特征，还可以还原可视层。使用多层RBM堆叠预训练的方式初始化深度神经网络是一种效果较好的方式，首先使用训练数据训练RBM网络，然后后一层RBM网络的输入数据是前一层层RBM网络隐层的输出数据，前一层RBM网络的隐层变成后一层RBM网络的可视层。通过这样的结构传递方式，学习和训练就一次次的计算和传递直到得到较好的网络。通过对RBM网络的预训练能对权重进行合理的初始化，预训练后，再使用BP网络层来微调整个DBN网络。每一层RBM网络只能确保自身层内的权值对该层特征向量映射达到最优,并不是对整个DBN网络的特征向量映射达到最优,所以反向传播网络还将错误信息自顶向下传播至每一层RBM网络,微调整个DBN网络。RBM网络训练模型的过程可以看作对一个深层BP网络层权值参数的初始化,使DBN网络克服了BP网络层因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点。在步骤d中，所述网络模型测试将输入数据分为训练数据和测试数据，选取未训练的数据作为测试数据，所述训练数据为窗口法选取的预测日前某几天一天中的24小时用电负荷值，所述测试数据为预测日的特征值数据。对短期电力负荷预测模型的评估时，主要使用了平均绝对百分比误差(MeanAbsolutePercentageError，MAPE)和相对均方根误差(RelativeRootMeanSquaredError，RRMSE)两个评价指标来评价负荷预测的预测精度。两个指标是从负荷预测误差的角度来评价模型的预测效果的，误差越小说明模型的预测效果越好。本发明选取2017年3月、7月、10月和12月每个月中的其中七天实际电力负荷值和预测的相对应的电力负荷值比较，结果如下表3所示：表3根据结果可见，使用DBN网络预测电力负荷方法比使用3层RBM的DBN网络和使用人工网络神经预测电力负荷值的精确度高，大大提高了预测精度。最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。当前第1页1 2 3