[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

说明书

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，包括以下步骤：1)选择需要进行预测的对象提的电流数据并根据负载率计算公式转换成负载率，然后对负载率数据进行数据离散化处理；2)，连续数据图像化；3)，建立卷积神经网络并将图像化数据输入，并且对模型参数进行调优；4)，使用短期平均负载率和天气预报的气象数据作为朴素贝叶斯算法的条件概率，建立修正算法模型；5)，加入修正规则，对每个对象提取短期平均负载率特征，如果和长期负载率特征对比有30％以上的变化则使用朴素贝叶斯算法进行修正。本发明解决了配变重过载难以预测，只能依赖人工经验的方法，具有思路新颖，经济价值高，适合推广使用的优点。

技术领域

本发明属于电力系统分析计算领域，尤其涉及电力系统配网变压器负载预测技术领域。

背景技术

目前配网变压器重过载预测主要由人工经验完成，根据变压器的短期历史特点进行经验预测，唯一的调节方法就是根据气象的预测数据进行小幅度的调整，然而由于配网变压器众多，人工经验很难对每一台变压器进行预测，通常是以区域或线路为单位进行，而且也无法综合比较久远的历史信息，不但耗时耗力，而且即使是同一区域或者同一条线路，所涉及到的用户也有很大不同，这样模糊的预测效果并不理想。近年来很多企业和院校都尝试使用大数据机器学习算法来对配变重过载进行预测，这种预测是根据连续型的电流数据进行的典型回归预测，但是由于配变重过载的标准比较严格，例如油浸式变压器要持续2个小时以上的高负载率才被认定为重过载，电流数据为每15分钟一条，也就是说需要连续精准预测8条数据才可以形成一次重过载预测，而进行日预测则要精准预测96条数据，这对任何一种回归预测算法来说都是一个很大的挑战，甚至是根本不可能做到的，而且重过载预测的关键点在于对负载率峰值的预测，即使回归算法可以找到一些变压器负载率的变化趋势，但是只是趋势拟合比较好而找不到高峰值也依然没有意义。而一种基于负载数据图像化的卷积神经网络的配变重过载预警方法则巧妙的将这个典型的回归预测问题转化为了分类问题，并且思路新颖，将这种普通的连续型数据变成了图像数据格式，并使用在图像识别领域效果很好的卷积神经网络算法进行分类预测，再通过朴素贝叶斯算法对部分结果进行修正，最后在整体预测中达到了非常高的水平。

发明内容

综上所述，有必要提供一种新的智能化的配电网变压器重过载预测方法，可以以日为单位对配变重过载进行较为准确预测，提前错峰调控，部署相关检修人员，提高电网运行的稳定性。