基于深度置信网络的配电网负荷预测

TM726; 保证配电网负荷数据的完整性是后续数据统计和业务分析的数据基础.针对广州大学城配电网存在的电表年久失修或电表读数错误而导致的配电网负荷数据缺失问题,提出一种基于深度置信网络(Deep Belief Networks,DBN)的配电网负荷预测算法,通过时间序列预测的方法,对缺失的数据进行补齐,保证配电网数据的完整性.深度置信网络由一定数目的受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)叠加而成,通过无监督训练算法得到网络模型的初始值,最后通过自上而下的有监督学习得到预测训练模型.为了避免训练模型的局部最优问题,提高训练模型的全局搜索能力,使用粒子群...

Full description

Saved in:
Bibliographic Details
Published in山东电力技术 Vol. 50; no. 8; pp. 20 - 26
Main Authors 吕秋霞, 孙亮, 车延华, 于全喜
Format Journal Article
LanguageChinese
Published 东方电子股份有限公司技术中心,山东 烟台 264000%烟台职业学院信息工程系,山东 烟台 264670 2023
Subjects
时间序列
受限玻尔兹曼机
粒子群优化算法
deep belief networks
load forecasting
restricted Boltzmann machine
负荷预测
time series
深度置信网络
particle swarm optimization algorithm
Online AccessGet full text
ISSN1007-9904
DOI10.20097/j.cnki.issn1007-9904.2023.08.003

Cover

More Information
Summary:TM726; 保证配电网负荷数据的完整性是后续数据统计和业务分析的数据基础.针对广州大学城配电网存在的电表年久失修或电表读数错误而导致的配电网负荷数据缺失问题,提出一种基于深度置信网络(Deep Belief Networks,DBN)的配电网负荷预测算法,通过时间序列预测的方法,对缺失的数据进行补齐,保证配电网数据的完整性.深度置信网络由一定数目的受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)叠加而成,通过无监督训练算法得到网络模型的初始值,最后通过自上而下的有监督学习得到预测训练模型.为了避免训练模型的局部最优问题,提高训练模型的全局搜索能力,使用粒子群优化算法对模型进行调优,以获得全局最优解.最后,通过比较多个预测训练模型的预测指标,验证了提出预测训练模型的准确性和有效性.
ISSN:1007-9904
DOI:10.20097/j.cnki.issn1007-9904.2023.08.003