申请/专利权人：广东电网有限责任公司广州供电局

申请日：2024-01-24

公开（公告）日：2024-04-26

公开（公告）号：CN117937464A

主分类号：H02J3/00

分类号：H02J3/00;G06Q10/04;G06Q50/06;G06N3/045;G06N3/0499;G06N3/048;G06N3/088;G06N3/09;G06N3/084

优先权：["20240109 CN 2024100370002"]

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明涉及电网负荷功率预测技术领域，具体涉及基于PSR‑DBN组合模型短期电力负荷预测方法，包括以下步骤：对电力负荷数据进行预处理；采用相空间重构技术处理时间序列数据，通过确定延迟时间和嵌入维度来重构相空间；在相空间重构后，使用深度置信网络进行特征提取和预测；对深度置信网络进行逐层预训练和微调，所述逐层预训练利用无监督学习算法逐层训练网络的权重和偏置，所述整体微调在逐层预训练的基础上，使用前向传播、反向传播结合有监督学习算法对深度置信网络进行微调；模型评估与优化。本发明，提供了丰富的数据样本，增强了模型对复杂非线性关系的理解和捕捉能力，在电力负荷预测任务中，两种方法结合使用的方法展现出显著的高准确度。

主权项：1.基于PSR-DBN组合模型短期电力负荷预测方法，其特征在于，包括以下步骤：S1：数据预处理，对电力负荷数据进行预处理；S2：在所述数据预处理后，采用相空间重构技术处理时间序列数据，通过确定延迟时间和嵌入维度来重构相空间；S3：在相空间重构后，使用深度置信网络进行特征提取和预测，深度置信网络包括输入层、隐藏层以及输出层，由多个堆叠的受限玻尔兹曼机组成，其中，输出层是用于回归预测的BP神经网络，输入层输入相空间重构后的高维相空间数据，通过受限玻尔兹曼机进行逐层特征提取，最后输入顶层BP神经网络中，形成预测模型的集合；S4：对深度置信网络进行逐层预训练和整体微调，所述逐层预训练利用无监督学习算法逐层训练网络的权重和偏置，所述整体微调在逐层预训练的基础上，使用前向传播、反向传播结合有监督学习算法对深度置信网络进行微调，以提高深度置信网络在具体任务上的性能；S5：模型评估与优化，在训练完成后，使用评价指标平均绝对百分比误差和均方根误差评估模型性能，并进行调整和优化，输出层输出预测结果时对数据进行反归一化，得到最终输出结果。以上描述了基于PSR-DBN组合模型的短期电力负荷预测方法的关键步骤和技术细节，这种方法的目的是提高电力负荷预测的准确性和可靠性，特别是在处理大量和复杂的电力数据时。

全文数据：

权利要求：

百度查询： 广东电网有限责任公司广州供电局 基于PSR-DBN组合模型短期电力负荷预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD