本发明涉及电力系统技术领域，更具体地说涉及一种电力负荷预测方法。
背景技术：
短期负荷预测是电力负荷预测的重要组成部分，它在传统的和开放的电力系统运行中都起着至关重要的作用。在开放的电力市场中，短期负荷预测是电力系统经济可靠运行的有效工具。许多操作决策都是基于负荷预测的结果给出的，如发电生产的调度安排，可靠性和安全性分析和维护计划。故短期负荷预测是日益竞争激烈的电力市场中重要的市场参与者。提高短期负荷预测的准确性，既可以提高规划和调度的准确性，还可以降低电力系统的运营成本。
负荷的变化是一个随机变化的过程，负荷值具有非平稳和非线性，且存在大量干扰，使得负荷预测的精度很难提高。目前负荷预测方法主要有时间序列法、支持向量机、BP人工神经网络法等。时间序列法主要是通过历史数据与负荷之间的关系来建立预测模型；BP模型主要是通过大量负荷数据的学习和训练，提取负荷数据潜在的特征信息进而预测负荷，BP神经网络是一种具有多层神经单元的浅层神经网络模型，主要由输入层、隐含层和输出层构成，各层神经元之间相互连接，且相应地存在一个权值。目前国内外已将BP网络用于负荷预测的相关研究，且预测结果精度比传统预测方法有所提高。虽然BP神经网络具有很多优势，但仍无法克服其所固有的局限性，收敛速度慢，训练过程可能陷于局部极小；隐含层神经元个数没有一个具体的方法来确定，导致已经训练好的模型不具有普适性。同时，对于复杂的非线性映射问题，浅层神经网络很难学习解决这种复杂问题的方法。
技术实现要素：
本发明要解决的技术问题是：提供一种基于混合激活函数深度信念网络的短期电路负荷预测方法。
本发明解决其技术问题的解决方案是：
一种短期电力负荷预测方法，包括以下步骤：
步骤1.建立4层网络结构的深度信念网络预测模型；
步骤2.采用非监督逐层贪心算法，结合被测电力负荷的近期实际用电功率对深度信念网络预测模型进行训练，得到深度信念网络预测模型每层的参数值，设置深度信念网络预测模型的激活函数，通过训练学习得到所述深度信念网络预测模型输入输出之间的映射关系；
步骤3.根据确定的深度信念网络预测模型，对被测电力负荷的实际用电功率进行预测，得到所述被测电力负荷的用电功率预测结果。
作为上述技术方案的进一步改进，所述步骤1中通过以下方法建立4层网络结构的深度信念网络预测模型：通过2个受限玻尔兹曼机的叠置构建具有4层网络结构的深度信念网络预测模型；
所述深度信念网络预测模型具有一个输入层，两个隐含层，一个输出层的神经网络，输入层和第一个隐含层构成了一个受限玻尔兹曼机，第一个隐含层和第二个隐含层又构成了一个受限玻尔兹曼机，输出层为一层的BP网络构成。输入层的节点为72个，输出层的节点为24个，所述第一个隐含层以及第二个隐含层的节点分别为80、30个；
所述深度信念网络预测模型的两层隐含层激活函数分别选用purelin函数和tansig函数。
作为上述技术方案的进一步改进，所述步骤2包括以下步骤：
步骤21.根据受限玻尔兹曼机的训练过程，对步骤1建立的深度信念网络预测模型进行无监督的逐层贪心训练，从而得到深度信念网络预测模型每层的参数值；
步骤22.使用有监督的学习对所述改进的深度信念网络预测模型进行微调；
所述步骤22中以深度信念网络预测模型的目标输出作为监督信号，构建损失函数，采用梯度下降法，对所述深度信念网络预测模型进行有监督的训练，最终确定深度信念网络预测模型。
作为上述技术方案的进一步改进，步骤2中所述近期实际用电功率为被测电力负荷三个月的用电功率数据，所述深度信念网络预测模型的输入向量为前3天每小时的用电功率，输出向量为第4天每小时的用电功率。
作为上述技术方案的进一步改进，步骤3中，所述对被测电力负荷的实际用电功率进行预测为对被测电力负荷未来7天的实际用电功率进行预测。
本发明的有益效果是：本发明深度信念网络预测网络引入到电力负荷功率预测中，通过网络的深层结构，学习输入输出之间的内在关系，实现对未来一段时间负荷用电功率的预测。而且本发明的电力负荷预测方法很大程度上预测的精确度和预测的速度高。本发明创造用于对短期电力负荷情况进行预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员在不付出创造性劳动的前提下，还可以根据这些附图获得其他设计方案和附图。
图1是本发明的预测方法流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，文中所提到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
参照图1，本发明创造公开了一种短期电力负荷预测方法，包括以下步骤：
步骤1.建立4层网络结构的深度信念网络预测模型；
步骤2.采用非监督逐层贪心算法，结合被测电力负荷的近期实际用电功率对深度信念网络预测模型进行训练，得到深度信念网络预测模型每层的参数值，设置深度信念网络预测模型的激活函数，通过训练学习得到所述深度信念网络预测模型输入输出之间的映射关系；
步骤3.根据确定的深度信念网络预测模型，对被测电力负荷的实际用电功率进行预测，得到所述被测电力负荷的用电功率预测结果。
具体地，本发明深度信念网络预测网络引入到电力负荷功率预测中，通过网络的深层结构，学习输入输出之间的内在关系，实现对未来一段时间负荷用电功率的预测。而且本发明的电力负荷预测方法很大程度上预测的精确度和预测的速度高。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤1中通过以下方法建立4层网络结构的深度信念网络预测模型：通过2个受限玻尔兹曼机的叠置构建具有4层网络结构的深度信念网络预测模型；
所述深度信念网络预测模型是指具有一个输入层，两个隐含层，一个输出层的神经网络，输入层和第一个隐含层构成了一个受限玻尔兹曼机，第一个隐含层和第二个隐含层又构成了一个受限玻尔兹曼机，输出层为一层的BP网络构成。输入层的节点为72个，输出层的节点为24个，隐含层的节点分别为80、30个；
所述深度信念网络预测模型的两层隐含层激活函数分别选用purelin函数和tansig函数。
具体地，所述受限玻尔兹曼机是一个基于能量的生成型模型，由两层网络构成，分别称为可见层和隐含层。即由一层可见节点和一层隐含节点组成。每一层的节点之间没有连接，只有两层之间存在连接。两层节点之间的连接是双向的和对称的。
所述受限玻尔兹曼机的可见层和隐含层的联合组态能量如表达式1所示，其中vi和hj分别表示可见节点i和隐藏节点j的状态。wij代表可见层和隐藏层之间的连接权重。aj和bi分别指节点j和节点i的阈值，θ是模型参数θ＝{w,a,b}。对于二进制状态的节点，也就是说，vi和hj∈{0,1}。hj的状态为1的概率如表达式2所示，σ(x)表示sigmoid函数1/(1+exp(-x))。隐含单元的二进制状态确定后，重构vi的状态为1的概率如表达式3所示，
受限玻尔兹曼机的训练过程描述如下，首先，选择一个训练样本得出可见节点，即得到{vi}，然后根据概率进行采样得到隐含节点的状态{hj}，这个过程是重复迭代更新的可见节点和隐含节点，并不断“重建”的状态vi′和hj′的过程。相关参数的更新公式如表达式4至表达式6所示。
Δwij＝η(<vihj>-<v′ih′j>)
Δaj＝η(<hj>-<h′j>)
Δbi＝η(<vi>-<v′i>)
η是指学习率，取值范围是0到1间的任意值，<·>是指对训练数据的期望，此训练过程称为无监督的逐层贪心方法，是本领域技术人员常用的方法。
进一步作为优选的实施方式，本发明创造具体实施方式中，所述步骤2包括以下步骤：
步骤21.根据受限玻尔兹曼机的训练过程，对步骤1建立的深度信念网络预测模型进行无监督的逐层贪心训练，从而得到深度信念网络预测模型每层的参数值；
步骤22.使用有监督的学习对所述改进的深度信念网络预测模型进行微调；
所述步骤22中以深度信念网络预测模型的目标输出作为监督信号，构建损失函数，采用梯度下降法，对所述深度信念网络预测模型进行有监督的训练，最终确定深度信念网络预测模型。
所述深度信念网络预测模型一个生成型的模型，通过训练各层间的权重，可以让整个神经网络按照最大概率来生成训练数据。这个训练过程分为两个阶段：预训练阶段和微调阶段。
预训练是通过一种无监督逐层贪心算法分别单独训练每个受限玻尔兹曼机(RBM)。首先把训练集数据向量v和第一层隐含层向量h0作为一个RBM,训练出这个RBM的参数(即连接v和h0的权重,x和h0各个节点的偏置),然后固定这个RBM的参数,再把h0视作可见向量,把第二层隐含层向量h1视作隐含向量,训练第二个RBM,得到其参数,然后固定这些参数。最终得到深度信念网络预测模型每层的参数值。
预训练结束后，对改进的深度信念网络预测模型进行微调。以深度信念网络预测模型的目标输出作为监督信号，构建损失函数，采用梯度下降法，对所述改进的深度信念网络预测模型进行有监督的训练。所述损失函数如表达式7所示，其中，y表示实际数据，y′表示预测数据。
深度信念网络预测模型的最后一层是BP网络，接收RBM的输出特征向量作为它的输入特征向量，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，并不是对整个网络的特征向量映射达到最优，所以利用梯度下降法将损失函数的错误信息自顶向下传播至每一层RBM，微调整个网络的参数值，最终得到确定的深度信念网络预测模型。
进一步作为优选的实施方式，本发明创造具体实施方式中，步骤2中所述近期实际用电功率为被测电力负荷三个月的用电功率数据，所述深度信念网络预测模型的输入向量为前3天每小时的用电功率，输出向量为第4天每小时的用电功率。
进一步作为优选的实施方式，本发明创造具体实施方式中，步骤3中，所述对被测电力负荷的实际用电功率进行预测为对被测电力负荷未来7天的实际用电功率进行预测。
以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。