一种适用于大电网分区调度的子区域系统负荷预测方法与流程

本发明涉及电网调度通信领域，特别涉及一种适用于大电网分区调度的子区域系统负荷预测方法。

背景技术：

电力负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因素，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据。从预测对象来看，电力负荷预测包括对未来电力需求量的预测、对未来用电量的预测、对负荷曲线的预测。因此，电力负荷预测是电力系统规划的重要组成部分，也是电力系统经济运行的基础，它是电力系统经济调度中的一项重要内容，是能量管理系统的一个重要模块。预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据。基于准确的负荷预测可以经济合理的安排电力系统内部发电机组的启停、保持电网运行的安全稳定性、减少不必要的旋转储备容量、合理安排机组检修计划、保持社会的正常生产和生活、有效降低发电成本、提高经济效益和社会效益等。实际中，电力负荷的未来发展受到复杂因素的影响，而且各种影响因素也是发展变化的。在一定精度范围内，采用不同的负荷预测方法，其结果不完全相同。随着我国电力供需矛盾的突出，社会发展速度的不断加快和信息量的膨胀，电力负荷预测的准确度变得愈加困难。所以，许多学者在此方面进行了大量的研究，提出了多种具有较好预测精度的方法和模型；并且，实际研究结果表明：必须有足够长的历史数据，才能保证模型精度达到要求。

目前，大电网一般都采用集中调度策略，整个系统负荷预测依赖于丰富的历史大数据，采用传统统计建模方法会取得较好的预测效果，满足系统优化调度需求。一旦采用大电网分区调度策略后，各子区域也同样存在系统负荷预测需求。然而，分区调度后的新子区域系统会面临数据缺乏、统计建模方法预测精度较低等问题，会给电力系统实时调度和优化控制带来不利影响。在预测回归建模方面，神经网络是目前应用比较广泛的一种典型常用模型，尤其是基于深度学习理论的多层深信度网络具有更加强大的非线性学习能力，已经在各个分类和回归问题方面得到初步应用。并且，深信度网络相对传统多层神经网络在模型获取方面有着很大的不同点，其训练分为“粗调”和“精调”两步，而且两步模型训练中的数据选取是不同。所以，本发明提出将基于深度学习理论的深信度回归网络建立方法，应用于分区调度策略的新子区域负荷预测中，解决新子区域形成后历史数据缺乏、影响回归模型的负荷预测效果问题。

技术实现要素：

本发明的主要目的是提出一种适用于大电网分区调度的子区域系统负荷预测方法，旨在克服以上问题。

为实现上述目的，本发明提出的一种适用于大电网分区调度的子区域系统负荷预测方法，包括如下步骤：

s10基于深度学习及受限玻尔兹曼机rbm，建立生成型深信度网络回归模型；

s20获取集中调度模式下的区域大电网的历史负荷大数据，并对所获取的大数据做归一化处理；

s30利用s20归一化后的区域大电网的历史负荷大数据，对s10建立的深信度网络回归模型进行预训练，以生成深信度网络回归预训练模型；

s40获取分区调度策略下的子区域电网的历史负荷数据，并对所获取的数据做归一化处理；

s50利用s40归一化后的新子区域电网的历史负荷数据，对s30所生成的深信度网络回归预训练模型进行精调，通过预训练模型的非线性映射能力，学习得到预训练模型的序列之间的映射关系，获得最终深信度网络回归模型。

优选地，所述s10中深信度网络回归模型的建立方法为：通过受限玻尔兹曼机rbm的叠置构建具有144输入与144输出结构的深信度网络回归模型，该深信度网络回归模型为l层神经网络，以向量x＝h⁰表示原始输入，以h¹,……，h^l-1表示相应隐含层的输入，h^l表示输出层的输入，其中第l-1隐含层使用sigmoid函数并由受限玻尔兹曼机rbm构成，顶层激活函数使用纯线性函数，对于原始输入x，l-1层隐含层和输出层的联合概率分布p(x,h¹,······,h^l)为：

其中，l为正整数，p(h^l-1,h^l)为h^l-1和h^l的联合概率分布，p(h^i-1|hⁱ)为h^i-1的后验概率；

受限玻尔兹曼机rbm由一个输入层和多个隐含层构成，层内之间无连接，层间全连接，其中输入层v为可见层，隐含层h为重新表达层,对于全体的可见层单元和隐含层单元，给定一个能量函数energy(v,h),其联合概率分布表示为：

其中z是一个归一化因子，其计算次数随着隐含层数目和输入层数目成指数次增长，因子在实际计算中很难计算出其真实分布,

受限玻尔兹曼机rbm的能量函数为：

其中，vk表示第k个可见层单元，hj表示第j个隐含层单元，wjk表示二者的连接权值，ck表示第k个可见层单元的阈值，bj表示第j个隐含层单元的阈值，根据受限玻尔兹曼机rbm的特性：当给定其中一个层时另一个层的后验概率的计算是易于得到的，当给定可见层状态时，隐含层的激活概率为条件独立，其中第j个隐含层节点的概率为：

对于整个隐含层，为：

同理，给定隐含层状态时，可见层第k个点的激活概率为：

对于整个可见层，概率为：

为了训练一个受限玻尔兹曼机rbm，需要计算相对于受限玻尔兹曼机rbm参数的对数似然的负梯度，给定一个输入v⁰,对于参数θ的梯度表示为：

其中，表示在概率分布p(hv⁰)下的期望，表示在概率分布p(v,h)下的期望，

对于给定的受限玻尔兹曼机rbm，直接计算出来，其对应着v和h的所有可能性取值，其组合数目呈禁止性的指数式关系，通过对比散度算法cd，实现对的一种近似。

优选地，为实现上述所述近似有两个关键要素：

第一要素：为了估计的期望，需要将梯度用在某个特定数对(v,h)处的梯度唯一的表示；

第二要素：迭代的吉布斯采样，并使用v⁰作为可见层初始的状态，采样过程表示如下：

其中和分别表示从概率p(hⁱ|vⁱ)和p(vⁱ⁺¹|hⁱ)上进行采样过程，通过以上过程对梯度进行估计即所谓的cd-1方法，当迭代的次数变为k时即所谓的cd-k方法，

考虑对权值矩阵中wjk的梯度的估计，有：

于是基于cd-1采样估计的梯度公式可以写成：

以上的梯度估计过程，可以使用随机梯度下降法，在训练集中迭代选择v⁰进行参数的更新，对于偏置向量b和c的更新，输入训练样本x，rbm的权矩阵wⁱ,偏置bⁱ和cⁱ，学习率η后，采用上述同样过程。

优选地，所述s30包括：

s301将s20中所生成的深信度网络回归预训练模型采用逐层贪心方法由下至上分层，再利用区域大电网的历史负荷大数据对深信度网络进行无监督的迭代训练；

s302待无监督训练结束后，使用有监督的学习对所述深信度网络回归预训练模型进行精调；

s303将原始输入层作为隐含层，除隐含层外，以深信度网络回归预训练模型的输出作为监督信号，构造损失函数，采用梯度下降法对所述深信度网络回归预训练模型的其他隐含层进行有监督的训练，得到预训练模型的序列之间的映射关系，获得最终深信度网络回归模型。

优选地，所述s20中所述集中调度模式下的区域大电网的历史负荷大数据采集时间间隔为10min，数据长度为2个周年以上。

优选地，所述s40中所述基于分区调度策略的子区域电网的历史负荷数据采集时间间隔为10min。

优选地，所述s50中深信度网络回归预训练模型进行精调的数据获取的时间长度为30天以上。

优选地，所述s301中所述逐层贪心方法使用无监督的逐层贪心算法进行训练，通过其强大的非线性映射能力，学习得到序列之间的映射关系，具体如下：

输入训练集定义学习率ε；

初始化权值矩阵

在所生成的深信度网络回归预训练模型，由下往上逐层执行迭代预训练：

从训练集中选出xt，使用作为输入，基于受限玻尔兹曼机rbm理论对该层进行训练，更新权矩阵w^t和偏置b^i-1,bⁱ；

从训练集中选择样本(xt,yt)前向传播，使用bp算法进行误差反向传播，以对权矩阵w^t、偏置b^i-1、bⁱ进行精调。

优选地，s60采用s50所获得的最终深信度网络回归模型对子区域负荷进行预测。

本发明方法解决了原集中调度模式下的区域大电网进行分区调度后，新形成的子区域电网负荷历史数据少、预测不可靠的问题。它结合深信度网络逐层训练的特点，首先利用现有的大电网原集中调度模式下的丰富历史数据对整个模型进行预训练，然后再利用分区调度策略时新子区域电网的少量数据对模型进行精调；相对于传统思路下，只用新形成的子区域电网的少量数据进行预训练和精调，本发明方法中模型精度显著提高，实现了分区调度后新子区域电网负荷预测的可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1是本发明所述的适用于大电网分区调度的子区域系统负荷预测方法的流程图；

图2是具有五个隐含层深信度网络的结构示意图；

图3是所述的受限玻尔兹曼机rbm的典型拓扑结构图，

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

如图1-3所示，本发明提出的一种适用于大电网分区调度的子区域系统负荷预测方法，包括如下步骤：

s10基于深度学习及受限玻尔兹曼机rbm，建立生成型深信度网络回归模型；

s20获取集中调度模式下的区域大电网的历史负荷大数据，并对所获取的大数据做归一化处理；

s30利用s20归一化后的区域大电网的历史负荷大数据，对s10建立的深信度网络回归模型进行预训练，以生成深信度网络回归预训练模型；

s40获取分区调度策略下的子区域电网的历史负荷数据，并对所获取的数据做归一化处理；

s50利用s40归一化后的新子区域电网的历史负荷数据，对s30所生成的深信度网络回归预训练模型进行精调，通过预训练模型的非线性映射能力，学习得到预训练模型的序列之间的映射关系，获得最终深信度网络回归模型。

在本实施例中，s20所述集中调度模式下的区域大电网的历史负荷大数据的数据更为丰富，包括集中调度模式下的大电网子区域数据负荷数据，还包括其它区域大电网的丰富历史数据。

优选地，所述s10中深信度网络回归模型的建立方法为：通过受限玻尔兹曼机rbm的叠置构建具有144输入与144输出结构的深信度网络回归模型，该深信度网络回归模型为l层神经网络，以向量x＝h⁰表示原始输入，以h¹,……，h^l-1表示相应隐含层的输入，h^l表示输出层的输入，其中第l-1隐含层使用sigmoid函数并由受限玻尔兹曼机rbm构成，顶层激活函数使用纯线性函数，对于原始输入x，l-1层隐含层和输出层的联合概率分布p(x,h¹,······,h^l)为：

其中，l为正整数，p(h^l-1,h^l)为h^l-1和h^l的联合概率分布，p(h^i-1|hⁱ)为h^i-1的后验概率；

受限玻尔兹曼机rbm由一个输入层和多个隐含层构成，层内之间无连接，层间全连接，其中输入层v为可见层，隐含层h为重新表达层,对于全体的可见层单元和隐含层单元，给定一个能量函数energy(v,h),其联合概率分布表示为：

其中z是一个归一化因子，其计算次数随着隐含层数目和输入层数目成指数次增长，因子在实际计算中很难计算出其真实分布,

图2所示，为基于受限玻尔兹曼机rbmrbm所建的五个隐含层深信度网络的结构示意图。

受限玻尔兹曼机rbm是一个基于能量的生成型模型。其由一个输入层和多个隐含层构成，层内之间无连接，层间全连接。

受限玻尔兹曼机rbm可以表示成一个无向图的形式，如图3所示。其中，v为输入层，又称为可见层，h为隐含层，又称为重新表达层。

对于全体的可见层单元和隐含层单元，给定一个能量函数energy(v,h),其联合概率分布可以表示为：

其中z是一个归一化因子，其计算次数随着隐含层数目和输入层数目成指数次增长，因子在实际计算中很难计算出其真实分布。

受限玻尔兹曼机rbm的能量函数为：

其中，vk表示第k个可见层单元，hj表示第j个隐含层单元，wjk表示二者的连接权值，ck表示第k个可见层单元的阈值，bj表示第j个隐含层单元的阈值，根据受限玻尔兹曼机rbm的特性：当给定其中一个层时另一个层的后验概率的计算是易于得到的，当给定可见层状态时，隐含层的激活概率为条件独立，其中第j个隐含层节点的概率为：

对于整个隐含层，为：

同理，给定隐含层状态时，可见层第k个点的激活概率为：

对于整个可见层，概率为：

为了训练一个受限玻尔兹曼机rbm，需要计算相对于受限玻尔兹曼机rbm参数的对数似然的负梯度，给定一个输入v⁰,对于参数θ的梯度表示为：

其中，表示在概率分布p(h|v⁰)下的期望，表示在概率分布p(v,h)下的期望，

对于给定的受限玻尔兹曼机rbm，直接计算出来，其对应着v和h的所有可能性取值，其组合数目呈禁止性的指数式关系，通过对比散度算法cd，实现对的一种近似。

优选地，为实现上述所述近似有两个关键要素：

第一要素：为了估计的期望，需要将梯度用在某个特定数对(v,h)处的梯度唯一的表示；

第二要素：迭代的吉布斯采样，并使用v⁰作为可见层初始的状态，采样过程表示如下：

其中和分别表示从概率p(hⁱ|vⁱ)和p(vⁱ⁺¹|hⁱ)上进行采样过程，通过以上过程对梯度进行估计即所谓的cd-1方法，当迭代的次数变为k时即所谓的cd-k方法，

考虑对权值矩阵中wjk的梯度的估计，有：

于是基于cd-1采样估计的梯度公式可以写成：

以上的梯度估计过程，可以使用随机梯度下降法，在训练集中迭代选择v⁰进行参数的更新，对于偏置向量b和c的更新，输入训练样本x，rbm的权矩阵wⁱ,偏置bⁱ和cⁱ，学习率η后，采用上述同样过程。

对于偏置向量b和c的更新采用类似的过程，具体算法如下所示：

输入：训练样本x，rbm的权矩阵wⁱ,偏置bⁱ和cⁱ，学习率η；

注释：a～p(·)表示a是从概率p(·)上得到的随机采样；

％设置rbm参数：

w←wⁱ,b←bⁱ,c←cⁱ，

v⁰←x

％采样过程：

h⁰～p(h|v⁰)

v¹～p(v|h⁰)

％更新过程：

cⁱ←cⁱ+η(v⁰-v¹)。

优选地，所述s30包括：

s301将s20中所生成的深信度网络回归预训练模型采用逐层贪心方法由下至上分层，再利用区域大电网的历史负荷大数据对深信度网络进行无监督的迭代训练；

s302待无监督训练结束后，使用有监督的学习对所述深信度网络回归预训练模型进行精调；

s303将原始输入层作为隐含层，除隐含层外，以深信度网络回归预训练模型的输出作为监督信号，构造损失函数，采用梯度下降法对所述深信度网络回归预训练模型的其他隐含层进行有监督的训练，得到预训练模型的序列之间的映射关系，获得最终深信度网络回归模型。

深信度网络dbn构建了一个生成型的模型，其中包含多层隐含层。输入观测数据x，底层的隐含层提取的是输入的低水平的特征，随着层数的向上，输入被不断地重新表达，其逐渐得到更抽象的特征,深度学习神经网络随着层数的向上增长，逐步进行重新表达，提取更加抽象但易于建模的特征，并把提取出的特征作为下一层的输入。

使用无监督的逐层贪心算法进行训练，通过其强大的非线性映射能力，旨在学习得到序列之间的映射关系,具体为：

逐层贪心学习算法的具体实现方式如下所示：

优选地，所述s20中所述集中调度模式下的区域大电网的历史负荷大数据采集时间间隔为10min，数据长度为2个周年以上。

优选地，所述s40中所述基于分区调度策略的子区域电网的历史负荷数据采集时间间隔为10min。

优选地，所述s50中深信度网络回归预训练模型进行精调的数据获取的时间长度为30天以上。

优选地，所述s301中所述逐层贪心方法使用无监督的逐层贪心算法进行训练，通过其强大的非线性映射能力，学习得到序列之间的映射关系，具体如下：

输入训练集定义学习率ε；

初始化权值矩阵

在所生成的深信度网络回归预训练模型，由下往上逐层执行迭代预训练：

从训练集中选出xt，使用作为输入，基于受限玻尔兹曼机rbm理论对该层进行训练，更新权矩阵w^t和偏置b^i-1,bⁱ；

从训练集中选择样本(xt,yt)前向传播，使用bp算法进行误差反向传播，以对权矩阵w^t、偏置b^i-1、bⁱ进行精调。

优选地，s60采用s50所获得的最终深信度网络回归模型对子区域负荷进行预测。

实操实例：

为了验证本发明方法对大电网分区调度的子区域系统负荷预测的效果，利用模拟数据设计了对比试验，测试结果的统计结果如表1所示。可以看出：在新子区域存在同样少的历史数据条件下，采用大电网历史数据对模型进行预训练，比仅用短时间内的新形成的子区域少量数据进行预训练的所得到的模型预测精度要高很多；并且后期随着历史数据的积累，后期还需对模型进行多次精调。

表1基于模拟数据的电网负荷天前预测平均误差

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。