基于深度信念網絡的短期電力負荷預測

【摘要】對電力負荷預測的原理、步驟及方法做了簡要分析，對深度信念網絡做了細致描述，在此基礎上，提出了用深度信念網絡的方法預測短期電力負荷，并做了相應的實驗，深度信念網絡的預測值十分逼近實際值，預測誤差的絕對值范圍小，為0～0.08，且誤差范圍波動較小，預測穩定。表明基于深度信念網絡的短期電力負荷預測模型預測精準，具有很高的預測精度和預測穩定性。

【關鍵詞】電力負荷；深度信念網絡；限制玻爾茲曼機；預測

隨著社會的發展進步，電力系統已成為人類生活生產必不可少的一部分，當今電力供需矛盾的突出，使得電力負荷預測顯得尤為重要。隨著電力市場的發展以及社會的進步，短期電力負荷預測的精度將直接影響相關產業的經濟效益，對社會發展有十分重要的作用。

2006年，在人工神經網絡研究的基礎上，Hinton等人提出了深度信念網絡（Deep Belief Networks，DBN）[1]的概念，由于其優于一般的神經網絡，得到了廣泛的應用。本文提出了用深度信念網絡的方法對短期電力負荷進行預測。

1.電力負荷預測

電力負荷預測作為電力系統規劃的重要組成部分，是指以電力負荷為對象進行的一系列預測工作。從預測對象來看，電力負荷預測包括對未來電力需求量的預測和對未來用電量的預測以及對負荷曲線的預測。其主要工作是對未來電力負荷的時間和空間分布進行預測，為電力系統的規劃及運行提供合理的決策依據[2]。

對電力負荷的預測，可按確定負荷類型、收集處理樣本數據、建立數學模型、對預測結果進行分析的步驟進行。預測的過程中，要注意考慮其他因素的影響，主要因素有經濟因素、政策因素和氣象因素，由于這些因素的干擾，電力負荷的預測變得困難，這對負荷預測的方法提出了更為嚴格的要求。

目前，電力負荷預測方法主要有：經典預測方法，傳統預測方法和現代預測技術，經典預測方法有單耗法、彈性系數法等，傳統預測方法主要包括趨勢分析法、回歸分析法和時間序列法，現代預測技術主要有：人工神經網絡法、灰色預測法、專家系統預測法和小波分析法[3]等。目前應用最為廣泛的是人工神經網絡的方法，本文提出了用深度信念網絡（DBN）預測短期電力負荷。

2.深度信念網絡

深度信念網絡（DBN）是一種概率生成模型，對P（Observation|Label）和P（Label|Observation）都做了評估。它是由多個限制玻爾茲曼機（Restricted Boltzmann Machines，RBM）層組成，由于多層RBM的疊加，最終解決了多層神經網絡的訓練問題[4]，整個DBN的訓練包括預訓練和微調整訓練兩個階段。

2.1 預訓練

4.2 DBN預測誤差分析

將DBN的預測值與實際值進行作差，并求其絕對值，即求DBN預測值的誤差絕對值，為清楚地顯示DBN預測的誤差效果，作出相應的誤差絕對值曲線圖如圖4所示。

由圖4可得出：（1）DBN預測的誤差絕對值最大為0.0796，最小為0.0057；（2）DBN預測的誤差絕對值范圍較小，均小于0.08，即0～0.08，而文獻[8]中介紹的BP神經網絡預測的誤差絕對值范圍為0～0.3，明顯大于DBN的預測誤差絕對值范圍。驗證出DBN預測短期電力負荷具有更高的精度。

經過多次實驗，DBN預測的最大誤差絕對值保持在0.1左右，且多數保持在0.08以下，誤差范圍波動較小。證明深度信念網絡對短期電力負荷的預測具有很高的穩定性。

5.結論

電力負荷預測作為當今電力系統的重要研究課題之一，關系到整個國計民生的發展，文章簡單闡釋了電力負荷預測的方法，詳細描述了深度信念網絡（DBN）的原理。然后，用DBN建立短期電力負荷預測的模型，經實驗表明：DBN可以精準的預測短期電力負荷，具有較高的預測精度和預測穩定性。

隨著深度信念網絡的不斷發展，基于深度信念網絡的短期電力負荷預測的精度會得到很大程度的提高。今后，將繼續研究改善預測短期電力負荷的方法，以期取得更佳的效果，使電力負荷預測得到更好的發展。

參考文獻

[1]Hinton G E，Salakhutdinov R R.Reducing the dimensionality of data with neural networks[J].Science，2006，313：504-507.

[2]D.C.Park，M.A.E1-Sharkawi，R.J.Marks，eta1.Electric Load Forecasting Using an Artificial Neural Network[J].IEEE Trans On Power System，199l，6（2）：442-449.

[3]吳熳紅，楊繼旺.幾種電力負荷預測方法及其比較[J].廣東電力，2004，17（1）：17-21.

[4]陸俊，張瓊，楊俊安，王一，劉輝.嵌入深度信念網絡的點過程模型用于關鍵詞檢出[J].信號處理，2013，29（7）：865-872.

[5]周長建，司震宇，邢金閣，劉海波.基于Deep Learning網絡態勢感知建模方法研究[J].東北農業大學學報，2013，5，44（5）：144-149.

[6]Hinton G E.A Practical Guid to Training Restricted Boltzman Machines[R].UMTL Tech Report 2010-003.Toronto，Canada： Univ of Toronto，2010.

[7]馬勇，鮑長春，夏丙寅.基于辨別性深度信念網絡的說話人分割[J].清華大學學報（自然科學版），2013，53（6）：804-807.

[8]張超，呂玉琴，侯賓，陳小軍，俎云霄.基于BP神經網絡短期電力負荷預測研究[J/OL].（2013-4-22）[2014-4-12].http：//www.paper.edu.cn.

作者簡介：

肖同錄（1990—），男，山東泰安人，碩士研究生，主要研究方向：自動檢測監控與系統集成。

趙增順（1975—），男，山東東營人，博士，副教授，主要研究方向：信號與信息處理、模式識別與智能系統等。