基于深度信念網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)-論文.pdf

《基于深度信念網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)-論文.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。

1、I一一皇子捷??????????一基于深度信愈網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)山東科技大學(xué)電氣與自動(dòng)化工程學(xué)院肖同錄山東科技大學(xué)電子通信與物理學(xué)院山東省機(jī)器人與智能技術(shù)重點(diǎn)實(shí)驗(yàn)室趙增順【摘要】對(duì)電力負(fù)荷預(yù)測(cè)的原理、步驟及方法做了簡(jiǎn)要分析，對(duì)深度信念網(wǎng)絡(luò)做了細(xì)致描述，在此基礎(chǔ)上，提出了用深度信念網(wǎng)絡(luò)的方法預(yù)測(cè)短期電力負(fù)荷，并做了相應(yīng)的實(shí)驗(yàn)，深度信念網(wǎng)絡(luò)的預(yù)測(cè)值十分逼近實(shí)際值，預(yù)測(cè)誤差的絕對(duì)值范圍小，為0～008，且誤差范圍波動(dòng)較小，預(yù)測(cè)穩(wěn)定。表明基于深度信念網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)模型預(yù)測(cè)精準(zhǔn)，具有很高的預(yù)測(cè)精度和預(yù)測(cè)穩(wěn)定性?！娟P(guān)鍵詞】電力負(fù)荷；深度信念網(wǎng)絡(luò)；限制玻爾茲曼機(jī)；預(yù)測(cè)隨著社會(huì)的發(fā)

2、展進(jìn)步，電力系統(tǒng)已成為RBM包含一個(gè)可視層(v)和一個(gè)隱含層(h)，2．2微調(diào)整訓(xùn)練人類生活生產(chǎn)必不可少的一部分，當(dāng)今電力供每一層的節(jié)點(diǎn)之間無(wú)連接，只有兩層之間存在在預(yù)訓(xùn)練結(jié)束后，每層的RBM可以得到初需矛盾的突出，使得電力負(fù)荷預(yù)測(cè)顯得尤為重著連接。RBM是一種能量模型，其可視層和隱始化的參數(shù)，組成了DBN的初步架構(gòu)，然后對(duì)要。隨著電力市場(chǎng)的發(fā)展以及社會(huì)的進(jìn)步，短含層的聯(lián)合組態(tài)能量表示為：DBN做微調(diào)整訓(xùn)練，根據(jù)輸入數(shù)據(jù)和重構(gòu)數(shù)據(jù)期電力負(fù)荷預(yù)測(cè)的精度將直接影響相關(guān)產(chǎn)業(yè)的E(v，療)=一∑wijVih一∑一∑a，h(1)的損失函數(shù)，利用BP算法對(duì)相關(guān)的網(wǎng)絡(luò)參數(shù)進(jìn)經(jīng)濟(jì)效益，對(duì)社會(huì)發(fā)

3、展有十分重要的作用。i：行調(diào)整’，主要調(diào)整的是層與層之間的權(quán)值和2006年，在人工神經(jīng)網(wǎng)絡(luò)研究的基礎(chǔ)上，式(1)中，v．為可視層的節(jié)點(diǎn)狀態(tài)，h為隱偏置值。用到的損失函數(shù)：Hinton等人提出了深度信念網(wǎng)絡(luò)(DeepBelief含層的節(jié)點(diǎn)狀態(tài)，b，aj為可視層節(jié)點(diǎn)和隱含層￡(，I】=l一’(10)Networks，DBN)的概念，由于其優(yōu)于一般的神節(jié)點(diǎn)對(duì)應(yīng)的偏置值，w為可視層與隱含層之間DBN的BP算法只需要對(duì)權(quán)值參數(shù)空間進(jìn)行經(jīng)網(wǎng)絡(luò)，得到了廣泛的應(yīng)用。本文提出了用深的連接權(quán)值，0是模型參數(shù)0{，b}。可視一個(gè)局部的搜索，這相比前向神經(jīng)網(wǎng)絡(luò)來(lái)說，度信念網(wǎng)絡(luò)的方法對(duì)短期電力負(fù)荷進(jìn)行預(yù)

4、測(cè)。層和隱含層的聯(lián)合概率：訓(xùn)練快，收斂時(shí)間短。1．電力負(fù)荷預(yù)測(cè)13基于DBN的短期電力負(fù)荷預(yù)測(cè)電力負(fù)荷預(yù)測(cè)作為電力系統(tǒng)規(guī)劃的重要組，h)；exp(一昱(1j，”(2)本文做電力負(fù)荷的短期預(yù)測(cè)，以南方某城J成部分，是指以電力負(fù)荷為對(duì)象進(jìn)行的一系列其中，z(tJ)為歸一化因子，即分配函數(shù)，市201ocg的7月l0日～7月20日每?jī)尚r(shí)的有功預(yù)測(cè)工作。從預(yù)測(cè)對(duì)象來(lái)看，電力負(fù)荷預(yù)測(cè)包為負(fù)荷值和該年度7月l1日～7月21目的氣象狀態(tài)括對(duì)未來(lái)電力需求量的預(yù)測(cè)和對(duì)未來(lái)用電量的善^鯽(3)量作為網(wǎng)絡(luò)的訓(xùn)練樣本，輸入為12維的有功負(fù)預(yù)測(cè)以及對(duì)負(fù)荷曲線的預(yù)測(cè)。其主要工作是對(duì)式(1)帶入式(2)后，

5、得出：荷值和3維的氣象狀態(tài)量，輸出為次日的12維未來(lái)電力負(fù)荷的時(shí)間和空間分布進(jìn)行預(yù)測(cè)，為有功負(fù)荷值。模型最終預(yù)測(cè)7月21日的有功負(fù)電力系統(tǒng)的規(guī)劃及運(yùn)行提供合理的決策依據(jù)。()。印I啪，’善vb,4-口』荷值，基于深度信念網(wǎng)絡(luò)的電力負(fù)荷預(yù)測(cè)的步對(duì)電力負(fù)荷的預(yù)測(cè)，可按確定負(fù)荷類型、(4)驟框圖如圖2所示收集處理樣本數(shù)據(jù)、建立數(shù)學(xué)模型、對(duì)預(yù)測(cè)結(jié)然后求P(v，h)對(duì)h的邊緣分布：果進(jìn)行分析的步驟進(jìn)行。預(yù)測(cè)的過程中，要注eo(、，)expI+aZh+6vJ(5)意考慮其他因素的影響，主要因素有經(jīng)濟(jì)因素、政策因素和氣象因素，由于這些因素的干最大化(v)得到RBM的參數(shù)，一般采用最擾，電力負(fù)

6、荷的預(yù)測(cè)變得困難，這對(duì)負(fù)荷預(yù)測(cè)大化似然函數(shù)的方法：的方法提出了更為嚴(yán)格的要求。正()={∑1og(，)(6)目前，電力負(fù)荷預(yù)測(cè)方法主要有：經(jīng)典預(yù)測(cè)方法，傳統(tǒng)預(yù)測(cè)方法和現(xiàn)代預(yù)測(cè)技術(shù)，經(jīng)典通過隨機(jī)梯度下降來(lái)最大化L(，L(對(duì)W預(yù)測(cè)方法有單耗法、彈性系數(shù)法等，傳統(tǒng)預(yù)測(cè)求偏導(dǎo)：圖2DBN電力負(fù)荷預(yù)測(cè)步驟框圖方法主要包括趨勢(shì)分析法、回歸分析法和時(shí)間對(duì)采集的樣本數(shù)據(jù)做歸一化處理，將所有豢^hj](7)序列法，現(xiàn)代預(yù)測(cè)技術(shù)主要有：人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理為[O，1]區(qū)間范圍內(nèi)的數(shù)據(jù)，采用法、灰色預(yù)測(cè)法、專家系統(tǒng)預(yù)測(cè)法和小波分析式中【】是數(shù)據(jù)集的期望值，F(xiàn)1是的方法是最大最小法，其函數(shù)形式如下：

7、法等。目前應(yīng)用最為廣泛的是人工神經(jīng)網(wǎng)絡(luò)模型中定義的期望值。x=-『X一---X-mh?a(11)的方法，本文提出了用深度信念網(wǎng)絡(luò)(DBN)預(yù)實(shí)際模型中，很難得到無(wú)偏樣本，]‘nax一mn測(cè)短期電力負(fù)荷。難以計(jì)算，所以采用對(duì)比散度(Contrastive利用本方法，對(duì)實(shí)際測(cè)得的7月21臼的有2．深度信念網(wǎng)絡(luò)Divergence，CD)的方法對(duì)重構(gòu)數(shù)據(jù)進(jìn)行近似功電力負(fù)荷值歸一化為：[O．21l9，0．12l5，深度信念網(wǎng)絡(luò)(DBN)是一種概率生采樣，更新網(wǎng)絡(luò)權(quán)值，基本思想：訓(xùn)練過程0．1621，