[发明专利]基于负载数据图像化卷积神经网络的配变重过载预警方法

权利要求书

1.基于负载数据图像化卷积神经网络的配变重过载预警方法，其特征在于，包括以下步骤：

步骤X1，选择需要进行预测的对象提取出用电流数据并根据负载率计算公式转换成负载率数据，然后将负载率数据按照每天的96条负载率数据化为一条日数据，并加入日重过载标签，把回归预测转化为分类预测；

步骤X2，连续数据图像化，将每日的96条数据转变为4*24的平面图象结构数据；

步骤X3，建立包含3个隐含层1个池化层1个全连接层的卷积神经网络，使用3*3的卷积核，激活函数选择RELU,然后将4*24的图像化数据输入卷积神经网络，并且对模型参数进行调优；

步骤X4，使用10天内的短期平均负载率并加入天气预报的气象数据，作为朴素贝叶斯算法的条件概率，建立朴素贝叶斯算法模型；

步骤X5，加入朴素贝叶斯算法修正规则，对每个对象提取过去10天的短期平均负载率特征，如果比过去60天的长期平均负载率有30％以上的变化则使用朴素贝叶斯算法进行修正。

2.如权利要求1所述基于负载数据图像化卷积神经网络的配变重过载预警方法，其特征在于，把连续的负载率数据进行离散并图像化，使用卷积神经网络对离散图像化后的数据进行训练建模，对非周期性非稳定性数据预测达到了比较好的效果。

3.如权利要求1所述基于负载数据图像化卷积神经网络的配变重过载预警方法，其特征在于，使用气象数据和短期平均负载数据作为条件，建立朴素贝叶斯算法模型，来对某些近期变化较大的变压器的预测结果进行修正，应对突变的能力增强。，其特征在于，包括以下步骤：

步骤X1，选择需要进行预测的对象提取出用电流数据并根据负载率计算公式转换成负载率数据，然后将负载率数据按照每天的96条负载率数据化为一条日数据，并加入日重过载标签，把回归预测转化为分类预测；

步骤X2，连续数据图像化，将每日的96条数据转变为4*24的平面图象结构数据；

步骤X3，建立包含3个隐含层1个池化层1个全连接层的卷积神经网络，

使用3*3的卷积核，激活函数选择RELU,然后将4*24的图像化数据输入卷积神经网络，并且对模型参数进行调优；

步骤X4，使用10天内的短期平均负载率并加入天气预报的气象数据，作为朴素贝叶斯算法的条件概率，建立朴素贝叶斯算法模型；

步骤X5，加入朴素贝叶斯算法修正规则，对每个对象提取过去10天的短期平均负载率特征，如果比过去60天的长期平均负载率有30％以上的变化则使用朴素贝叶斯算法进行修正。

4.如权利要求1所述基于负载数据图像化卷积神经网络的配变重过载预警方法，其特征在于，把连续的负载率数据进行离散并图像化，使用卷积神经网络对离散图像化后的数据进行训练建模，对非周期性非稳定性数据预测达到了比较好的效果。

5.如权利要求1所述基于负载数据图像化卷积神经网络的配变重过载预警方法，其特征在于，使用气象数据和短期平均负载数据作为条件，建立朴素贝叶斯算法模型，来对某些近期变化较大的变压器的预测结果进行修正，应对突变的能力增强。