基于深度置信网络的用电负荷分析方法研究

摘要

为了增强电力调度的智能化程度,文中基于深度学习理论对用电负荷的分析与预测方法进行研究.对玻尔兹曼机(RBM)中的能量传递机制进行研究,将低层次的RBM作为高层次的输入搭建深度置信网络(DBN),实现电力负荷数据深层次的特征提取.通过引入一种基于信息熵的DBN隐藏层节点数确定方法,使用对比散度法完成网络训练.为了验证算法的有效性,使用EUNITE的开放数据集进行对比仿真实验.结果表明,在相同的时间复杂度下,BP网络与DBN网络在训练集上的相对误差分别为4.36％与4.21％;从训练集与测试集误差的变化上看,BP网络在测试集上的相对误差分别为9.64％与4.88％,相对误差大幅提升,而DBN网络则保持了训练集与测试集上相对误差的一致性.这说明DBN网络在用电负荷的预测上,具有较强的泛化能力.