[发明专利]一种电力负荷预测中类图片转换方法

说明书

本发明公开了一种电力负荷预测中类图片转换方法，提出了一种新的时间序列数据转换成类彩色图片结构的数据的方法，将转换后的数据输入按一定逻辑使用异形卷积核的改进的卷积神经网络，增强了对时间*特征矩阵中局部和整体的隐含特征规律的提取能力。其在实际电力短期负荷预测实验中，与主流方法相比，训练时间减少，预测的精度提升。

技术领域

本发明属于神经网络、图片识别技术领域，涉及一种类图片转换方法，具体涉及一种电力负荷预测中类图片转换方法。

背景技术

短期电力负荷预测主要是指预报未来几小时、一天至几天的电力负荷，电力负荷预测是能量管理系统的重要组成部分，短期负荷预测不但为电力系统的安全、经济运行提供保障，也是市场环境下编排调度计划、供电计划、交易计划的基础(文献[1])。目前，人工神经网络的应用在负荷预测领域已经较为成熟，比如常见的BP神经网络(backpropagation，BP)，循环神经网络(Recurrent Neural Network，RNN)，长短期记忆网络(Long Short-Term Memory，LSTM)，卷积神经网络(Convolutional Neural Networks，CNN)等。为了获得更好的预测精度，王成纲等人将小波分析法(Wavelet)引入负荷预测，将负荷序列看成是一系列具有不同频率特征分量的叠加，对分解后的分量根据其特点构造相应的神经网络模型进行预测，最后将各分量预测结果以获得最终预测值。这种方法在一定程度上克服了电力负荷序列对外部因素敏感的影响，使非平稳非线性的复杂时间序列转换成了平稳的信号，预测精度得以提高，但是小波基的选取和分解尺度的确定对预测结果有很大的影响(文献[2])。经验模态分解(Empirical Mode Decomposition,EMD)是由Huang等人在1998年提出的希尔伯特-黄变换算法(Hilbert-Huang transform，HHT)的核心算法。文献[3]将EMD和人工神经网络(ANN)结合，利用EMD高适应性的特点，解决了小波分解分辨率低，对小波基选择敏感的问题，更加适合负荷预测的分解分析。文献[4]介绍的经过KPCA和NSGAII优化参数的CNN虽能允许畸形数据的存在，且局部连接和权值共享在一定程度上提高了负荷预测效率和准确性，但对负荷序列的特征提取工作仍需加强。

人工神经网络在电力系统的短期负荷预测领域已经相对成熟，主要问题包含两方面：

(1)通常情况下，电力负荷不仅仅是由过去的电力负荷所决定的，其他特征如地域，人口，温度，气压，工作日或周末等都在一定程度上影响着电力负荷，将同一时刻不同特征对预测目标的影响；不同时刻同一特征对预测目标的影响；不同时刻不同特征对预测目标的影响都进行合理的运算是需要考虑的问题。

(2)实际应用模型时，常见的全连接神经网络虽有一定预测效果，但其完全没有记忆能力，无法学习到动态的时序行为，RNN和LSTM虽有记忆能力，但这种记忆会随着时间轴的拉长而不断减弱，对不同特征不同时间的组合的学习能力较弱，卷积神经网络的表征学习能力有其研究价值，但要考虑如何对特征时间序列卷积。

目前迫切需要一种能充分分析时间*特征矩阵，有对时间*特征矩阵中局部和整体的隐含特征规律的提取能力，且训练时间短，预测精度较高的方法。

[1]康重庆，夏清，刘梅.电力系统负荷预测[M].北京：中国电力出版社，2007.

[2]王成纲.基于负荷分解的电力系统短期预测方法的研究[D].保定：华北电力大学，2006.

[3]郑连清，郑艳秋.基于经验模式分解与人工神经网络的短期电力负荷预测[J].电力系统保护与控制，2009，37(3):66-69.

[4]牛东晓，马天男，王海潮，刘鸿飞，黄雅莉.基于KPCA和NSGAⅡ优化CNN参数的电动汽车充电站短期负荷预测[J].电力建设,2017,38(3):85-92。

发明内容

本发明的目的是对已有的方法作出一定改进，进一步提高短期负荷预测的准确度，减少所消耗的时间。