一种基于深度自编码网络的短期电力负荷预测方法与流程

本发明属于电网控制技术领域，特别涉及一种基于深度自编码网络的短期电力负荷预测方法。

背景技术：

电力负荷预测是实现自动发电控制和经济调度控制的前提，是电力系统规划和调度的依据，预测结果的准确与否，对我国电力系统运行的安全性、稳定性、经济性具有非常重要的影响。长期以来，国内外学者对电力负荷预测方法和理论进行了大量研究，总体上可以分为传统方法和人工智能方法。传统方法主要包括时间序列法、回归预测法、灰色系统理论等，它们模型简单，运算速度快，但是无法模拟复杂多变情况下的电力负荷，预测准确度普遍偏低；人工智能方法主要是指以人工神经网络为代表的一些机器学习方法，包括BP神经网络、支持向量机、极限学习机等，它们相比于传统方法，预测准确度均有不同程度地提高，但是这些方法均属于浅层机器学习方法，不具备较强地对大数据量样本的转换和处理能力，以致学习能力有限，预测准确率达到一定高度时很难再有提高，无法满足实际生产对预测准确度越来越高的要求。

随着用电大数据的涌现，必须寻找一种新的智能方法，能够实现大数据下电力负荷的高准确度和精度预测，以更好地满足电力系统生产需求。2006年，加拿大多伦多大学教授Geoffrey Hinton提出了深度学习的思想，从此开启了深度学习在学术界和工业界的浪潮。深度学习自提出以来，已经成功应用于语音识别、目标识别(人脸识别、手写体识别)和自然语言处理等方面，均表现出了十分优异的性能，此外，在医疗健康、金融风险评估、生物制药、搜索引擎、智能设备、物联网等方面应用的研究也进行的如火如荼，许多类似的项目如雨后春笋般地涌现。

深度自编码网络(Deep Auto-Encoder Network,DAEN)是深度学习方法的一种，它通过构建具有多隐含层的机器学习模型对训练样本进行逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使预测更加容易，最终提升预测的准确性。与人工规则构造特征的方法相比，该方法更能够刻画数据的丰富内在信息，更有希望提高预测的准确率，是目前国际上机器学习研究的热点领域，已经成功应用于图像识别、文本处理等方面，但尚未见其应用于电力负荷预测方面。

研究深度学习技术在电力系统负荷预测方面的应用具有重要的学术意义和工程意义，具有一定的可行性。随着用电量和用电种类的增加，用电大数据涌现，负荷预测问题的复杂性随之增加。而深度自编码网络与生俱来便具有处理大规模数据的能力，以数据为驱动“原料”，数据越大，性能越优，在工程预测方面表现出了十分优异的性能。

技术实现要素：

本发明的目的是提供一种基于深度自编码网络的短期电力负荷预测方法。

一种基于深度自编码网络的短期电力负荷预测方法，包括以下步骤：

首先，基于自动编码器，结合包括气温、日期和历史负荷的负荷相关因素，构建深度自编码网络负荷预测模型；

其次，通过对包括气温、日期和历史负荷值的数据结构化和标准化处理构成样本矩阵，即通过模糊化处理、编码、归一化处理的方法形成的样本矩阵为大容量结构化矩阵；

再次，采用无监督和有监督两种训练方式结合的训练方法对模型进行训练，通过调节相关参数和控制迭代次数实现全局最优；

最后，通过同时选取相对误差和平均绝对误差两个指标对短期电力负荷预测结果进行分析，评估模式的可行性及最优参数可行域。

深度自编码网络负荷预测模型建模方法是：

模型的前部由若干层自动编码器堆叠而成，顶部增加一层代表期望输出的最后层，即预测层，

模型的输入包括3个特征向量：历史负荷值L，气温T，日期D，

L＝[L₀,L₁,···,L₄₇]，表示历史日0:00、0:30、···23:30时的电力负荷值；

T表示日均气温t模糊化后的取值；

D＝[d₀,d₁,d₂,d₃,d₄,d₅,d₆]，表示星期编码值；

模型的输出Output＝[F₀,F₁,···,F₂₃]，表示预测日0:00、1:00、···23:00时的电力负荷值，

借助大规模训练样本，通过DAENs模拟复杂函数的能力实现短期负荷的准确预测。

数据结构化和标准化处理方法是，对历史负荷值、气温和日类型数据进行预处理:

对于历史负荷值，利用归一化公式对数值作归一化处理，使其范围在0到1之间；

对于气温，通过定义合适的隶属度函数对其作模糊化处理，处理后的数值范围在0到1之间；

对于日类型，通过编码表示不同的日类型，从星期一值星期日，实现数据的结构化表示。

负荷预测模型训练分为预训练和调优两个阶段：

预训练是初始化网络参数的过程，利用大量无标签样本采用逐层无监督特征优化算法进行；

调优是采用少量标签样本对包括预测层在内的整个网络进行微调，使得网络性能趋于全局最优。

负荷预测结果分析方法是，同时选取负荷预测相对误差和平均绝对误差作为预测结果评价指标。

本发明提出了基于深度自编码网络的短期负荷预测模式。首先，基于自动编码器，结合气温、日期、历史负荷等负荷相关因素，构建了深度自编码网络负荷预测模型。在此基础上，通过对气温、日期、历史负荷值等数据结构化和标准化处理构成样本矩阵，这里主要通过模糊化处理、编码、归一化处理的方法予以实现，所形成的样本矩阵为大容量结构化矩阵。进一步，采用无监督和有监督两种训练方式结合的训练方法对模型进行训练，通过调节相关参数和控制迭代次数实现全局最优，这种训练方式可以有效避免局部最优和次优情况的产生。然后，通过同时选取相对误差和平均绝对误差两个指标对短期电力负荷预测结果进行分析，评估模式的可行性及最优参数可行域。已通过实际/仿真系统验证了该模式的有效性和可靠性。

附图说明

附图1是本发明基于深度自编码网络的短期负荷预测模型。

附图2本发明实施例中DAEN、BPNN负荷预测值与实际负荷值对比图。

具体实施方式

本发明的基于深度自编码网络的短期电力负荷预测方法，包括步骤：

1，建模方法。

构建的模型的前部由若干层自动编码器(Auto-Encoder,AE)堆叠而成，顶部增加一层代表期望输出的最后层，即预测层。模型的输入包括3个特征向量：历史负荷值L，气温T，日期D，L＝[L₀,L₁,···,L₄₇]，表示历史日0:00、0:30、···23:30时的电力负荷值；T表示日均气温t模糊化后的取值；D＝[d₀,d₁,d₂,d₃,d₄,d₅,d₆]，表示星期编码值；模型的输出Output＝[F₀,F₁,···,F₂₃]，表示预测日0:00、1:00、···23:00时的电力负荷值。借助大规模训练样本，通过DAENs模拟复杂函数的能力实现短期负荷的准确预测。预测模型见附图1。

2，数据结构化和标准化处理方法。

主要是对历史负荷值、气温和日类型数据进行预处理:1.历史负荷值，利用归一化公式对数值作归一化处理，使其范围在0到1之间；2.气温，通过定义合适的隶属度函数对其作模糊化处理，处理后的数值范围在0到1之间；3.日类型，通过编码表示不同的日类型，从星期一值星期日，实现数据的结构化表示。

3，负荷预测模型训练方法。

分为预训练和调优两个阶段：预训练的过程实质上就是初始化网络参数的过程，利用大量无标签样本采用逐层无监督特征优化算法进行；调优则是采用少量标签样本对包括预测层在内的整个网络进行微调，使得网络性能趋于全局最优。

4，负荷预测结果分析方法。

同时选取负荷预测相对误差error和平均绝对误差mean absolute error作为预测结果评价指标，预测结果见附表1；负荷实际值、基于DAEN的负荷预测值和基于传统前向反馈神经网络(Back Propagation Neural Network,BPNN)的负荷预测值结果对比见附图2.

附表1基于DAEN的负荷预测值与负荷实际值比对表