技术领域
[0001] 本
发明属于电
力系统技术领域，更具体地，涉及一种基于广义需求侧资源的DBN电网负荷预测方法及装置。
背景技术
[0002] 短期负荷预测对于调度部
门的机组最优组合、经济调度、最优潮流而言，尤其是对现在与将来的电力市场有着重要的意义，准确的负荷预测，有利于经济合理地安排电网内部发
电机组的启停，提高发电设备的利用率和经济调度的有效性，保持电网运行的安全
稳定性。
[0003]
智能电网中可控负荷、分布式电源以及储能等广义需求侧资源以其灵活多样的方式进行需求响应，使负荷转移能力增强，可转移时间范围更广。在电力市场环境下，拥有广义需求侧资源的用户针对不同的价格
信号和激励机制以用电经济性为目标，通过复杂决策过程，合理调整可控负荷、分布式电源及储能资源，改变了负荷特性与变化规律。为此，在运行调度与电力市场的短期负荷预测中，需要考虑广义需求侧资源，以提高预测
精度。另一方面，随着电网规模不断扩大，设备不断增多，信息化程度不断提高，智能电网调度系统对负荷的采集
频率和数据准确性也不断提升，为负荷特性分析和负荷预测提供了高
质量、海量化的数据集，为
深度学习的使用提供了数据
基础。而目前基于
人工智能的负荷预测方法多为三层的浅层网络，难以很好地处理如今电网复杂环境下输入和输出之间的关系。
发明内容
[0004] 针对目前智能电网在
现有技术中存在的问题，本发明提出一种基于广义需求侧资源的DBN电网负荷预测方法及装置，该方法能够实现对智能电网环境下多种因素影响的高精度负荷预测。
[0005] 为实现上述目的，本发明采用如下技术方案：
[0006] 一种基于广义需求侧资源的DBN电网负荷预测方法，DBN模型包括多个受限
玻尔兹曼机RBM和
单层反向传播BP神经网络，DBN电网负荷预测方法包括如下步骤：
[0007] 获取样本集，并对样本集进行预处理后，将其划分为训练样本集和测试样本集；
[0008] 采用所述训练样本集逐层训练RBM，将训练好的上一层RBM的输出作为下一层RBM的输入，直到训练完DBN的所有RBM层，完成DBM的预训练；
[0009] 把预训练好的DBN作为网络的初始状态，训练得出的参数作为DBN的初始参数，然后使用反向传播BP神经网络的方法，运用
梯度下降法对网络的整体权值进行有监督的学习，对DBN模型的网络参数初始值进行优化，得到最优负荷
预测模型；
[0010] 利用测试样本集对训练好的DBN负荷预测模型进行测试，测试完成的模型即可对待预测日的负荷进行预测。
[0011] 本技术方案进一步的优化，样本集的参数包括天气、日类型、历史负荷和广义需求侧资源因素，所述广义需求侧资源因素包括光照强度、
风速、实时电价、负荷削减量、负荷转移量和储能充放电功率。
[0012] 本技术方案进一步的优化，广义需求侧资源包括可削减负荷LC、可转移负荷LS、储能系统ES以及光伏、风电两种分布式电源，针对可削减负荷LC、可转移负荷LS和储能系统ES，根据电力市场实时电价和合同约定价格的差额，以负荷聚合商LA收益最大为目标，并在合同内容的约束下，建立基于电价合同的广义需求侧资源调度模型：
[0013] 可削减负荷调度模型：
[0014] 可削减负荷LC调度模型的目标函数为：
[0015]
[0016] 式(1)中，ρt为电力市场实时电价； 为LC在t时刻的总负荷削减量； 为LC合同在t时刻的总成本；T为1天中时间序列的个数；
[0017] 可转移负荷调度模型：
[0018] 可转移负荷LS调度模型的目标函数为：
[0019]
[0020] 式(4)中，ρt为电力市场实时电价； 为LS在t时刻的总负荷削减量； 为LS合同在t时刻的总成本；T为1天中时间序列的个数；
[0021] 储能系统调度模型：
[0022] 储能系统ES放电时调度模型的目标函数为：
[0023]
[0024] 式(7)中， 为ES在t时刻的总放电量； 为ES在t时刻的总成本。
[0025] 本技术方案更进一步的优化，广义需求侧资源调度模型公式化为混合整数线性规划MILP问题，采用Yalmip优化工具箱对该MILP问题求解。
[0026] 本技术方案进一步的优化，样本集预处理包括对数据量化处理和归一化处理。
[0027] 本技术方案进一步的优化，RBM的训练步骤如下：
[0028] 步骤6.1：给定训练样本集合 最大训练周期K、学习率ε、
隐藏层层数和单元数目nh，初始化可见层偏置向量a、隐藏层偏置向量b和权值矩阵W；
[0029] 步骤6.2：随机选取样本vm，输入可见层，按照式(12)计算第一个隐藏层所有神经元的状态hj；
[0030]
[0031] 步骤6.3：根据上一步得出的隐藏层神经元状态hj，同步骤6.2，根据式(13)计算得出可见层的重构神经元状态v′i；
[0032]
[0033] 步骤6.4：根据上一步可见层神经元状态v′i，同步骤6.2，计算得出隐藏层的重构神经元状态h′j；
[0034] 步骤6.5：根据式(14)计算参数变化量，按照式(15)更新参数，继续随机选取下一个训练样本，返回步骤6.2，如果样本中的样本都选择完毕，则进行步骤6.6，
[0035]
[0036]
[0037] 式(14)中，D为原始数据定义的分布，Recon为重构后定义的分布；
[0038] 步骤6.6：返回步骤6.2，进行第k+1次训练，当训练次数达到K次时，RBM训练结束。
[0039] 一种基于广义需求侧资源的DBN电网负荷预测装置，所述DBN模型包括多个
受限玻尔兹曼机RBM和单层反向传播BP神经网络，DBN电网负荷预测装置包括，
[0040]
数据采集单元，获取样本集，并对样本集进行预处理后，将其划分为训练样本集和测试样本集；
[0041] DBN预训练单元，采用所述训练样本集逐层训练RBM，将训练好的上一层RBM的输出作为下一层RBM的输入，直到训练完DBN的所有RBM层，完成DBM的预训练；
[0042] DBN模型微调单元，把预训练好的DBN作为网络的初始状态，训练得出的参数作为DBN的初始参数，然后使用反向传播BP神经网络的方法，运用梯度下降法对网络的整体权值进行有监督的学习，对DBN模型的网络参数初始值进行优化，得到最优负荷预测模型；
[0043] 测试单元，利用测试样本集对训练好的DBN负荷预测模型进行测试，测试完成的模型即可对待预测日的负荷进行预测。
[0044] 本技术方案进一步的优化，数据采集单元获取样本集的参数包括天气、日类型、历史负荷和广义需求侧资源因素，所述广义需求侧资源因素包括光照强度、风速、实时电价、负荷削减量、负荷转移量和储能充放电功率。
[0045] 本技术方案更进一步的优化，广义需求侧资源包括可削减负荷LC、可转移负荷LS、储能系统ES以及光伏、风电两种分布式电源，针对可削减负荷LC、可转移负荷LS和储能系统ES，根据电力市场实时电价和合同约定价格的差额，以负荷聚合商LA收益最大为目标，并在合同内容的约束下，建立基于电价合同的广义需求侧资源调度模型：
[0046] 可削减负荷调度模型：
[0047] 可削减负荷LC调度模型的目标函数为：
[0048]
[0049] 式(1)中，ρt为电力市场实时电价； 为LC在t时刻的总负荷削减量； 为LC合同在t时刻的总成本；T为1天中时间序列的个数；
[0050] 可转移负荷调度模型：
[0051] 可转移负荷LS调度模型的目标函数为：
[0052]
[0053] 式(4)中，ρt为电力市场实时电价； 为LS在t时刻的总负荷削减量； 为LS合同在t时刻的总成本；T为1天中时间序列的个数；
[0054] 储能系统调度模型：
[0055] 储能系统ES放电时调度模型的目标函数为：
[0056]
[0057] 式(7)中， 为ES在t时刻的总放电量； 为ES在t时刻的总成本。
[0058] 本技术方案更进一步的优化，广义需求侧资源调度模型公式化为混合整数线性规划MILP问题，采用Yalmip优化工具箱对该MILP问题求解。
[0059] 本技术方案进一步的优化，数据采集单元中样本集预处理包括对数据量化处理和归一化处理。
[0060] 本技术方案进一步的优化，DBN预训练单元中RBM的训练步骤如下：
[0061] 步骤6.1：给定训练样本集合 最大训练周期K、学习率ε、隐藏层层数和单元数目nh，初始化可见层偏置向量a、隐藏层偏置向量b和权值矩阵W；
[0062] 步骤6.2：随机选取样本vm，输入可见层，按照式(12)计算第一个隐藏层所有神经元的状态hj；
[0063]
[0064] 步骤6.3：根据上一步得出的隐藏层神经元状态hj，同步骤6.2，根据式(13)计算得出可见层的重构神经元状态v′i；
[0065]
[0066] 步骤6.4：根据上一步可见层神经元状态v′i，同步骤6.2，计算得出隐藏层的重构神经元状态h′j；
[0067] 步骤6.5：根据式(14)计算参数变化量，按照式(15)更新参数，继续随机选取下一个训练样本，返回步骤6.2，如果样本中的样本都选择完毕，则进行步骤6.6，
[0068]
[0069]
[0070] 式(14)中，D为原始数据定义的分布，Recon为重构后定义的分布；
[0071] 步骤6.6：返回步骤6.2，进行第k+1次训练，当训练次数达到K次时，RBM训练结束。
[0072] 区别于现有技术，上述技术方案的有益效果体如下：
[0073] 1.本发明将广义需求侧资源影响因素融入到负荷预测模型的构建中，可以有效改善模型的预测性能，提高负荷预测精度，有利于经济合理地安排电网内部
发电机组的启停，提高发电设备的利用率和经济调度的有效性，保持电网运行的安全稳定性。
[0074] 2.本发明选取的深度置信网络是一种高效的深度学习
算法，具有强大的
无监督学习能力，可以有效地处理如今电网海量化的负荷数据集，有利于加快模型训练和预测速度，提高负荷预测实时性和准确性。
[0075] 3.本发明针对可削减负荷LC、可转移负荷LS、储能系统ES，建立基于电价合同的广义需求侧资源调度模型，该模型借助负荷聚合商确定了广义需求侧资源参与电力市场的最优调度计划，引导用户合理安排用电时间，有利于
削峰填谷，减小电网负荷峰谷差，使发电、用电趋于平衡。
附图说明
[0076] 图1为负荷预测方法的流程示意图；
[0077] 图2为LA的运营机制示意图；
[0078] 图3为RBM的结构示意图图；
[0079] 图4为DBN的结构示意图；
[0080] 图5为DBN预测模型预训练过程的流程示意图。
具体实施方式
[0081] 为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体
实施例并配合附图详予说明。
[0082] 本发明公开了一种基于广义需求侧资源的DBN电网负荷预测方法及装置，广义需求侧资源包括：可控负荷、分布式电源和储能装置。可控负荷包括可削减负荷LC和可转移负荷LS，分布式电源包括
光伏发电和
风力发电。在电力市场环境下，拥有广义需求侧资源的用户针对不同的价格信号和激励机制以用电经济性为目标，通过复杂决策过程，合理调整可控负荷、分布式电源及储能资源，会改变负荷特性与变化规律，故将广义需求侧资源影响因素融入到DBN负荷预测模型中，建立了基于广义需求侧资源的DBN短期负荷预测模型。结合历史负荷数据、天气数据对预测模型进行训练测试，得到待测区域的日负荷预测曲线。该方法可以提高负荷预测精度，稳定性好，能够满足负荷
大数据下的电网预测要求。
[0083] 参阅如图1所示，本发明优选一实施例一种基于广义需求侧资源的DBN电网负荷预测方法，包括如下步骤，
[0084] 步骤1：广义需求侧资源包括可削减负荷LC、可转移负荷LS、储能系统ES以及光伏、风电两种分布式电源。
[0085] 步骤2：针对可削减负荷LC、可转移负荷LS、储能系统ES，根据电力市场实时电价和合同约定价格的差额，以负荷聚合商LA收益最大为目标，并在合同内容的约束下，建立基于电价合同的广义需求侧资源调度模型。
[0086] 参阅图2所示，为LA的运营机制示意图。负荷聚合商LA作为一个中介机构，可以整合用户需求响应资源并将它们引入市场交易，使得闲置的负荷资源发挥作用，同时也为其他电力系统参与者带来利益。
[0087] 步骤2.1、建立可削减负荷调度模型：
[0088] 可削减负荷LC调度模型的目标函数为：
[0089]
[0090] 式(1)中，ρt为电力市场实时电价； 为LC在t时刻的总负荷削减量； 为LC合同在t时刻的总成本；T为1天中时间序列的个数。 和 的计算公式如下：
[0091]
[0092]
[0093] 式(2)和式(3)中， 和 分别为第k个LC合同规定的负荷削减量、启动成本和价格； 为负荷削减状态指标， 表示第k个LC合同在t时刻执行，否则
为LC合同启动指标， 表示第k个LC合同在t时刻启动，否则 NLC为
合同数量。
[0094] 步骤2.2、建立可转移负荷调度模型：
[0095] 可转移负荷LS调度模型的目标函数为：
[0096]
[0097] 式(4)中，ρt为电力市场实时电价； 为LS在t时刻的总负荷削减量； 为LS合同在t时刻的总成本；T为1天中时间序列的个数。 和 的计算公式如下：
[0098]
[0099]
[0100] 式(5)和式(6)中， 和 分别为第k个LS合同规定的负荷转移量、启动成本和价格； 为负荷转移状态指标； 为LC合同启动指标；；NLC为合同数量。
[0101] 步骤2.3、建立储能系统调度模型：
[0102] 储能系统ES放电时调度模型的目标函数为：
[0103]
[0104] 式(7)中， 为ES在t时刻的总放电量； 为ES在t时刻的总成本。 和 的计算公式如下：
[0105]
[0106]
[0107] 式(8)和式(9)中， 为第k个ES合同在t时刻的放电功率， 为第k个ES合同的约定价格，NES为ES合同数量。
[0108] 储能系统ES充电电时调度模型的目标函数为：
[0109]
[0110] 式(10)中， 为t时刻LA从储能用户处获得的总收益； 为ES在t时刻的总充电量。
[0111] 广义需求侧资源调度模型的各项相关约束条件为：
[0112]
[0113]
[0114]
[0115]
[0116]
[0117]
[0118]
[0119]
[0120]
[0121]
[0122]
[0123]
[0124] 其中，
[0125] 和 分别为合同的最短持续时间和最长持续时间， 为每日合同最大执行次数， 为合同停止指标， 表示第k个LC/LS合同在t时刻启动，
否则
[0126] ηk和 分别为第k个ES合同规定的储能装置额定功率、充放电效率和连续充放电时间， 为储能装置容量， 为每日合同最大执行次数， 为储能充放电
状态指标， 分别为ES充放电合同启动、停止指标。
[0127] 步骤3：将上述步骤2的广义需求侧资源调度模型公式化为混合整数线性规划MILP问题，采用Yalmip优化工具箱对该MILP问题求解。该问题的自变量为电力市场的实时电价，根据实时电价和合同约定价格的差额，以负荷聚合商LA收益最大为目标，并在合同内容的约束下对该问题优化求解可以确定需求响应资源在日前电力市场中的最佳参与时间，进而得到每个时刻的负荷削减量LC、负荷转移量LS和储能系统充放电功率ES，即需求响应计划量。
[0128] 本领域技术人员可知，还可采用CPLEX求解MILP问题。
[0129] 步骤4：分析广义负荷影响因素，确定将广义需求侧资源作为负荷预测网络的输入量。将电价和影响光伏、风机出力的光照强度、风速以及步骤3求解得到的负荷削减量、负荷转移量和储能系统充放电功率作为预测模型的新增输入量，并结合一些传统刚性负荷的影响因素。以预测d日t时刻负荷为例，则该负荷预测网络的输入量包括：天气和日类型历史负荷
广义需求侧资源影响因素 其中，上
标d和下标t分别表示日期和时刻点； 即为预测日前一天前一时刻负荷值； 和
分别为d日的最高
温度、平均温度和最低温度；Ttd和 分别为d日t时刻的温度和湿度；
gd为d日的天气状况；wd分别为d日的日类型； 和Wtd分别为d日t时刻的光照强度和风速；Ptd为d日t时刻的实时电价； 和 分别为d日t时刻的负荷削减量、负荷转移量和
储能充放电功率。
[0130] 步骤5：按如下方式对数据进行预处理：
[0131] 步骤5.1：对日类型wd和天气状况gd进行合理量化。将日类型划分为工作日和休息日，分别用1和0.5量化表示；将雨、
雪等恶劣天气量化值为0，阴、多
云等天气量化值为0.5，晴天量化值为1。
[0132] 步骤5.2：数据归一化处理。对于其他原始数据，进行归一化处理，将数据映射到[0,1]区间上，归一化公式为：
[0133]
[0134] 其(11)中，X为归一化前的原始数据，X*为对应的归一化处理后的数据，Xmax和Xmin分别为样本数据中的最大值和最小值。
[0135] 步骤5.3：将数据合理划分为训练样本集和测试样本集。
[0136] 步骤6：利用深度置信网络DBN对预测日一天的负荷进行逐点预测，参阅图3和图4所示，分别为RBM的结构示意图图和DBN的结构示意图。DBN预测模型由多个堆叠的RBM和单层反向传播BP网络组成，训练过程由无监督的预训练和有监督的微调构成。参阅图5所示，为DBN预测模型预训练过程的流程示意图，具体步骤如下：
[0137] 步骤6.1：给定训练样本集合 最大训练周期K、学习率ε、隐藏层层数和单元数目nh，初始化可见层偏置向量a、隐藏层偏置向量b和权值矩阵W；
[0138] 步骤6.2：随机选取样本vm，输入可见层，按照式(12)计算第一个隐藏层所有神经元的状态hj；
[0139]
[0140] 步骤6.3：根据上一步得出的隐藏层神经元状态，同步骤6.2，根据式(13)计算得出可见层的重构神经元状态v′i；
[0141]
[0142] 步骤6.4：根据上一步可见层神经元状态v′i，同步骤6.2，计算得出隐藏层的重构神经元状态h′j；
[0143] 步骤6.5：根据式(14)计算参数变化量，按照式(15)更新参数。继续随机选取下一个训练样本，返回步骤6.2，如果样本中的样本都选择完毕，则进行步骤6.6。
[0144]
[0145]
[0146] 式(14)中，D为原始数据定义的分布，Recon为重构后定义的分布。
[0147] 步骤6.6：返回步骤6.2，进行第k+1次训练，当训练次数达到K次时，继续步骤6.7。
[0148] 步骤6.7：将训练好的RBM的输出作为下一层RBM的
输入层输入数据，按照步骤6.1-6.6进行训练，直到训练完DBN的所有RBM层。至此，完成DBN的预训练过程。
[0149] 步骤6.8：把上一步训练好的DBN网络作为网络的初始状态，训练得出的参数作为DBN的初始参数，然后使用反向传播的方法，运用梯度下降法对网络的整体权值进行有监督的学习，对模型的网络参数初始值进行优化，得到最优负荷预测模型。
[0150] 步骤6.9：利用测试样本集对训练好的DBN负荷预测模型进行测试，测试通过的模型即可对待预测日的负荷进行预测，测试通过判断标准为预测误差满足要求。
[0151] 一种基于广义需求侧资源的DBN电网负荷预测装置，DBN模型包括多个受限玻尔兹曼机RBM和单层反向传播BP神经网络，DBN电网负荷预测装置包括数据采集单元、DBN预训练单元、DBN模型微调单元和测试单元。
[0152] 数据采集单元，获取样本集，并对样本集进行预处理后，将其划分为训练样本集和测试样本集。
[0153] 以预测d日t时刻负荷为例，则该样本集数据包括：天气和日类型历史负荷
广义需求侧资源影响因素
其中，上标d和下标t分别表示日期和时刻点； 即
为预测日前一天前一时刻负荷值； 和 分别为d日的最高温度、平均温度和最低
温度；Ttd和 分别为d日t时刻的温度和湿度；gd为d日的天气状况；wd分别为d日的日类型；
和Wtd分别为d日t时刻的光照强度和风速；Ptd为d日t时刻的实时电价； 和
分别为d日t时刻的负荷削减量、负荷转移量和储能充放电功率。
[0154] 广义需求侧资源影响因素数据获取方式为：广义需求侧资源包括可削减负荷LC、可转移负荷LS、储能系统ES以及光伏、风电两种分布式电源。针对可削减负荷LC、可转移负荷LS、储能系统ES，根据电力市场实时电价和合同约定价格的差额，以负荷聚合商LA收益最大为目标，并在合同内容的约束下，建立基于电价合同的广义需求侧资源调度模型。
[0155] 1.建立可削减负荷调度模型：
[0156] 可削减负荷LC调度模型的目标函数为：
[0157]
[0158] 式(1)中，ρt为电力市场实时电价； 为LC在t时刻的总负荷削减量； 为LC合同在t时刻的总成本；T为1天中时间序列的个数。 和 的计算公式如下：
[0159]
[0160]
[0161] 式(2)和式(3)中， 和 分别为第k个LC合同规定的负荷削减量、启动成本和价格； 为负荷削减状态指标， 表示第k个LC合同在t时刻执行，否则
为LC合同启动指标， 表示第k个LC合同在t时刻启动，否则 NLC为
合同数量。
[0162] 2.建立可转移负荷调度模型：
[0163] 可转移负荷LS调度模型的目标函数为：
[0164]
[0165] 式(4)中，ρt为电力市场实时电价； 为LS在t时刻的总负荷削减量； 为LS合同在t时刻的总成本；T为1天中时间序列的个数。 和 的计算公式如下：
[0166]
[0167]
[0168] 式(5)和式(6)中， 和 分别为第k个LS合同规定的负荷转移量、启动成本和价格； 为负荷转移状态指标； 为LC合同启动指标；；NLC为合同数量。
[0169] 3.建立储能系统调度模型：
[0170] 储能系统ES放电时调度模型的目标函数为：
[0171]
[0172] 式(7)中， 为ES在t时刻的总放电量； 为ES在t时刻的总成本。 和的计算公式如下：
[0173]
[0174]
[0175] 式(8)和式(9)中， 为第k个ES合同在t时刻的放电功率， 为第k个ES合同的约定价格，NES为ES合同数量。
[0176] 储能系统ES充电电时调度模型的目标函数为：
[0177]
[0178] 式(10)中， 为t时刻LA从储能用户处获得的总收益； 为ES在t时刻的总充电量。
[0179] 将广义需求侧资源调度模型公式化为混合整数线性规划MILP问题，采用Yalmip优化工具箱对该MILP问题求解。该问题的自变量为电力市场的实时电价，根据实时电价和合同约定价格的差额，以负荷聚合商LA收益最大为目标，并在合同内容的约束下对该问题优化求解可以确定需求响应资源在日前电力市场中的最佳参与时间，进而得到每个时刻的负荷削减量LC、负荷转移量LS和储能系统充放电功率ES，即需求响应计划量。
[0180] 样本集进行预处理：
[0181] a.对日类型wd和天气状况gd进行合理量化。将日类型划分为工作日和休息日，分别用1和0.5量化表示；将雨、雪等恶劣天气量化值为0，阴、多云等天气量化值为0.5，晴天量化值为1。
[0182] b.数据归一化处理。对于其他原始数据，进行归一化处理，将数据映射到[0,1]区间上，归一化公式为：
[0183]
[0184] 其(11)中，X为归一化前的原始数据，X*为对应的归一化处理后的数据，Xmax和Xmin分别为样本数据中的最大值和最小值。
[0185] DBN预训练单元，采用所述训练样本集逐层训练RBM，将训练好的上一层RBM的输出作为下一层RBM的输入，直到训练完DBN的所有RBM层，完成DBM的预训练。
[0186] RBM层的训练过程如下：
[0187] 步骤6.1：给定训练样本集合 最大训练周期K、学习率ε、隐藏层层数和单元数目nh，初始化可见层偏置向量a、隐藏层偏置向量b和权值矩阵W；
[0188] 步骤6.2：随机选取样本vm，输入可见层，按照式(12)计算第一个隐藏层所有神经元的状态hj；
[0189]
[0190] 步骤6.3：根据上一步得出的隐藏层神经元状态，同步骤6.2，根据式(13)计算得出可见层的重构神经元状态v′i；
[0191]
[0192] 步骤6.4：根据上一步可见层神经元状态v′i，同步骤6.2，计算得出隐藏层的重构神经元状态h′j；
[0193] 步骤6.5：根据式(14)计算参数变化量，按照式(15)更新参数。继续随机选取下一个训练样本，返回步骤6.2，如果样本中的样本都选择完毕，则进行步骤6.6。
[0194]
[0195]
[0196] 式(14)中，D为原始数据定义的分布，Recon为重构后定义的分布。
[0197] 步骤6.6：返回步骤6.2，进行第k+1次训练，当训练次数达到K次时，继续步骤6.7。
[0198] 步骤6.7：将训练好的RBM的输出作为下一层RBM的输入层输入数据，按照步骤6.1-6.6进行训练，直到训练完DBN的所有RBM层。至此，完成DBN的预训练过程。
[0199] DBN模型微调单元，把预训练好的DBN作为网络的初始状态，训练得出的参数作为DBN的初始参数，然后使用反向传播BP神经网络的方法，运用梯度下降法对网络的整体权值进行有监督的学习，对DBN模型的网络参数初始值进行优化，得到最优负荷预测模型；
[0200] 测试单元，利用测试样本集对训练好的DBN负荷预测模型进行测试，测试完成的模型即可对待预测日的负荷进行预测。
[0201] 本发明可以确定广义需求侧资源参与电力市场的最优调度计划，引导用户合理安排用电时间，有利于削峰填谷，并能有效提高负荷预测实时性和准确性，从而提高发电设备的利用率和经济调度的有效性，保持电网运行的安全稳定性。
[0202] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
[0203] 尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和
修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的
专利保护范围，凡是利用本发明
说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。
