基于深度信念网络的短期负荷预测方法

电力系统信息化的发展及配电网中分布式电源和电动汽车的大量接入，增加了用电模式的复杂性，对负荷预测的精确度和稳定性提出了更高的要求。提出了一种基于深度信念网络的短期负荷预测方法。该方法包括深度信念网络的构建、模型参数的逐层预训练和微调，以及模型的应用等步骤。在模型参数预训练过程中，采用高斯—伯努利受限玻尔兹曼机(GB-RBM)作为堆叠组成深度信念网络的第1个模块，使其能够更有效地处理对负荷有影响的多类型实值输入数据；并采用无监督训练和有监督训练相结合的部分有监督训练算法进行预训练；利用列文伯格—马夸尔特(LM)优化算法微调预训练阶段得到的网络参数，使其更快收敛于最优解。最后，以实际负荷数据进行算例分析，结果表明，在训练样本较大且负荷影响因素复杂的情况下，所提方法具有更高的预测精度