基于分类识别深度置信网络的电力负荷预测算法

• 作者: 唐标 曹敏 李博 李坤 李文云 李海铎 王恩 练雄 钱详华
• 来源期刊: 电力需求侧管理
• 学科: 工学
• 关键词: 分类识别深度置信网络 受限玻尔兹曼机 训练预权值 电力负荷 预测算法
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 能效与负荷管理
• 页码范围: 44-50
• 页数: 7页
• 分类号: TM715
• 字数: 4696字
• 语种: 中文
• DOI: 10.3969/j.issn.1009-1831.2020.02.008

摘要

针对传统神经网络负荷预测方法收敛速度慢、预测误差大的问题,提出一种基于分类识别的深度置信网络的负荷预测算法.对输入的历史负荷数据进行归一化预处理,并对深度置信网络采用层次无监督贪婪预训练方法分层预训练,将得到的结果作为监督学习训练概率模型的初始值.其深度置信网络由多层受限玻尔兹曼机构成,并采用分类识别机制和对比散度的方法训练预权值,来改善分类识别深度置信网络的学习性能.仿真结果显示,在基于200次负荷训练和温度训练的基础上,该负荷预测算法比自组织模糊神经网络和BP神经网络的收敛速度更快,预测精度更高.