[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

摘要

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。

主权项

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。