一种电力负荷预测方法和装置

技术领域

本发明涉及电力技术领域，尤其涉及一种电力负荷预测方法和装置。

背景技术

(1)数据选取方面

现有技术进行电力负荷预测数据选取时常遗漏重要变量，例如：忽视降水量对当地电力负荷预测的影响；忽视不确定性因素(如：节假日、日夜交替、季节变动和周末与周中等)对电力负荷预测的影响；忽视温度、湿度突变因素对电力负荷预测影响；忽视风沙大雾等特殊天气对电力负荷预测的影响。

(2)数据采集技术方面

现有的数据采集主要依靠电网部门公布的电力设备负荷历史数据与其他国家统计部门发布的公开信息，主要有以下两种弊端：1.数据时效性相对较低，难以适应实时的数据测度需求。2.电力部门的数据采集区域较为固定，难以适应某一特定范围内的数据需求。

(3)现有测度模型方面

传统电力负荷预测方法有线性回归、时间序列、灰色模型、卡尔曼滤波等，它们主要是利用历史负荷的时序性关系进行预测，但是面对非线性、非平稳问题的处理能力难以解决，随着经济社会发展，电力负荷非线性、非平稳关系将更加复杂多变，传统电力负荷预测方法也就难以适用新的预测环境。

现今神经网络法是主流的电力负荷预测方法，是人工智能算法的一种，人工神经网络法是最为典型的智能算法。但现今人工智能算法大多依赖参数设置准确性，主观的参数设置使得准确性难以保证，需要寻找选取参数更为客观的算法。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种电力负荷预测方法和装置，用以解决现有预测方法环境信息收集实时性不足，难以适用电力负荷非线性和非平稳关系的问题。

一方面，本发明实施例提供了一种电力负荷预测方法，包括：采集各时刻电力负荷预测所需的电力负荷时间序列，其中，所述电力负荷时间序列包括电力负荷、温度均值、湿度均值、雨量均值和特殊天气数据；利用所述电力负荷时间序列构建多变量无阈值改进递归图以将所述电力负荷时间序列转化为编码图像，其中，通过所述电力负荷时间序列相空间重构获得反映多态动力信号信息的相空间，并在所述相空间中构造无阈值改进递归图；以及将生成的编码图像输入卷积神经网络预测模型，以生成预测的电力负荷。

上述技术方案的有益效果如下：递归图使得高维空间中的递归现象能够展现于二维图形上，对非平稳信号敏感，能够有效揭示非平稳信号特征，同时对递归图进行多变量无阈值改进以提高其特征反映能力，减少特征丢失。将这种无阈值改进递归图作为卷积神经网络预测模型的输入，卷积神经网络可以通过相对简单的形式表示复杂函数，通常只需要增加神经网络结构的深度，就可以使其学习到足够复杂的特征。相较于传统的浅层神经网络需要输入人工选择的特征，卷积神经网络得益于其网络结构中含有多层隐藏层，能够将数据中原始的特征映射到新的特征空间中，从而能够基于大数据自动提取其高维特征。

基于上述方法的进一步改进，利用所述电力负荷时间序列构建多变量无阈值改进递归图以将所述电力负荷时间序列转化为编码图像进一步包括：根据多个传感器采集的所述电力负荷时间序列将所述电力负荷时间序列相空间重构为：

X″＝{X″

在相空间X″

D

X″

基于上述方法的进一步改进，在将生成的编码图像输入卷积神经网络预测模型之前进一步包括：获取电力系统的历史数据，并从所述历史数据中提取多个时段的所述电力负荷、所述温度均值、所述湿度均值、所述雨量均值和所述特殊天气数据；根据多个时段的所述电力负荷、所述温度均值、所述湿度均值、所述雨量均值和所述特殊天气数据生成训练集；以及生成卷积神经网络，利用所述训练集对所述卷积神经网络进行训练以生成所述卷积神经网络预测模型。

基于上述方法的进一步改进，所述卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，其中，所述输入层，用于接收所述编码图像；所述卷积层，用于利用卷积过滤器对所述编码图像进行卷积计算，以获取所述编码图像的特征面；所述池化层，用于将经过所述卷积层卷积得到的特征面划分为多个子块，以及在每个子块上提取特征以构建池化层的特征面；所述全连接层，用于整合所述卷积层或者所述池化层中具有类别区分性的特征面生成预测的电力负荷值；以及所述输出层，用于输出所述预测的电力负荷值。

基于上述方法的进一步改进，所述卷积层的计算公式如下：

其中，

基于上述方法的进一步改进，对所述卷积层操作以下Relu激活函数：

其中，对于所述编码图像中的每个负值，所述Relu激活函数返回0值，对于所述编码图像中的每个正值，所述Relu激活函数返回1。

基于上述方法的进一步改进，采集各时刻电力负荷预测所需的电力负荷时间序列进一步包括：利用安装在用电设备的电流传输线上的电力负荷传感器采集各时刻所述电力负荷；利用部署在用电区域内的不同方向上的温度传感器，采集温度数据的均值；利用部署在所述用电区域的阴面和阳面的湿度传感器，采集湿度数据的均值；利用布置在平坦土地上的多个翻斗式雨量传感器，采集雨量数据均值；以及利用风沙强度传感器和大雾浓度传感器，采集各时刻风沙强度与大雾浓度特殊天气均值。

另一方面，本发明实施例提供了一种电力负荷预测装置，包括：采集模块，用于采集各时刻电力负荷预测所需的电力负荷时间序列，其中，所述电力负荷时间序列包括电力负荷、温度均值、湿度均值、雨量均值和特殊天气数据；编码图像生成模块，用于利用所述电力负荷时间序列构建多变量无阈值改进递归图以将所述电力负荷时间序列转化为编码图像，其中，通过所述电力负荷时间序列相空间重构获得反映多态动力信号信息的相空间，并在所述相空间中构造无阈值改进递归图；以及预测模块，用于将生成的编码图像输入卷积神经网络预测模型，以生成预测的电力负荷。

基于上述装置的进一步改进，所述编码图像生成模块进一步包括：相空间重构子模块和递归图生成子模块，其中，所述相空间重构子模块，用于根据多个传感器采集的所述电力负荷时间序列将所述电力负荷时间序列相空间重构为：

X″＝{X″

所述递归图生成子模块，用于在相空间X″

D

X″

基于上述装置的进一步改进，所述卷积神经网络预测模型的卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，其中，所述输入层，用于接收所述编码图像；所述卷积层，用于利用卷积过滤器对所述编码图像进行卷积计算，以获取所述编码图像的特征面；所述池化层，用于将卷积得到的特征面划分为多个子块，以及在每个子块上提取特征以构建池化层的特征面；所述全连接层，用于整合所述卷积层或者所述池化层中具有类别区分性的特征面以生成预测的电力负荷值；以及所述输出层，用于输出所述预测的电力负荷值。

与现有技术相比，本发明至少可实现如下有益效果之一：

1、递归图使得高维空间中的递归现象能够展现于二维图形上，对非平稳信号敏感，能够有效揭示非平稳信号特征，同时对递归图进行多变量无阈值改进以提高其特征反映能力，减少特征丢失。

2、将这种无阈值改进递归图作为卷积神经网络预测模型的输入，卷积神经网络可以通过相对简单的形式表示复杂函数，通常只需要增加神经网络结构的深度，就可以使其学习到足够复杂的特征。相较于传统的浅层神经网络需要输入人工选择的特征，卷积神经网络得益于其网络结构中含有多层隐藏层，能够将数据中原始的特征映射到新的特征空间中，从而能够基于大数据自动提取其高维特征。

3、选取对于电力负荷预测结果有重要影响的以下数据：电力负荷、温度、湿度、雨量与时间周期变化和风沙大雾特殊天气信息以有效拓展数据收集范围。

4、本申请采用物联传感技术采集电力负荷预测所需信息，在所需监测的环节部署传感器收集信息。广泛的传感器信息采集有利于解决环境信息收集实时性不足的问题，同时传感器信息采集地域灵活可以收集测算的各地区数据。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为根据本发明实施例的电力负荷预测方法的流程图。

图2为根据本发明实施例的电力负荷预测流程图。

图3为根据本发明实施例的卷积神经网络结构图。

图4为根据本发明实施例的卷积神经网络的具体结构图。

图5为根据本发明实施例的电力负荷预测装置的框图。

图6为根据本发明实施例的存储模块功能划分的示意图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

本发明的一个具体实施例，公开了一种电力负荷预测方法。参考图1，电力负荷预测方法，包括：在步骤S102中，采集各时刻电力负荷预测所需的电力负荷时间序列，其中，电力负荷时间序列包括电力负荷、温度均值、湿度均值、雨量均值和特殊天气数据；在步骤S104中，利用电力负荷时间序列构建多变量无阈值改进递归图以将电力负荷时间序列转化为编码图像，其中，通过电力负荷时间序列相空间重构获得反映多态动力信号信息的相空间，并在相空间中构造无阈值改进递归图；以及在步骤S106中，将生成的编码图像输入卷积神经网络预测模型，以生成预测的电力负荷。

与现有技术相比，本实施例提供的电力负荷预测方法，递归图使得高维空间中的递归现象能够展现于二维图形上，对非平稳信号敏感，能够有效揭示非平稳信号特征，同时对递归图进行多变量无阈值改进以提高其特征反映能力，减少特征丢失。将这种无阈值改进递归图作为卷积神经网络预测模型的输入，卷积神经网络可以通过相对简单的形式表示复杂函数，通常只需要增加神经网络结构的深度，就可以使其学习到足够复杂的特征。相较于传统的浅层神经网络需要输入人工选择的特征，卷积神经网络得益于其网络结构中含有多层隐藏层，能够将数据中原始的特征映射到新的特征空间中，从而能够基于大数据自动提取其高维特征。

下文中，将参考图1至图4，对电力负荷预测方法的各个步骤S102至S106进行详细描述。

在步骤S102中，采集各时刻电力负荷预测所需的电力负荷时间序列，其中，电力负荷时间序列包括电力负荷、温度均值、湿度均值、雨量均值和特殊天气数据。采集各时刻电力负荷预测所需的电力负荷时间序列进一步包括：利用安装在用电设备的电流传输线上的电力负荷传感器采集各时刻电力负荷；利用部署在用电区域内的不同方向上的温度传感器，采集温度数据的均值；利用部署在用电区域的阴面和阳面的湿度传感器，采集湿度数据的均值；利用布置在平坦土地上的多个翻斗式雨量传感器，采集雨量数据均值；以及利用风沙强度传感器和大雾浓度传感器，采集各时刻风沙强度与大雾浓度特殊天气均值。

与现有技术相比，本实施例提供的电力负荷预测方法，选取对于电力负荷预测结果有重要影响的以下数据：电力负荷、温度、湿度、雨量与时间周期变化和风沙大雾特殊天气信息以有效拓展数据收集范围。在所需监测的环节部署传感器收集信息以有利于解决环境信息收集实时性不足的问题，同时传感器信息采集地域灵活可以收集测算的各地区数据。另外，以上数据，在剔除异常值之后，不需要进行其他数据预处理步骤。

在步骤S104中，利用电力负荷时间序列构建多变量无阈值改进递归图以将电力负荷时间序列转化为编码图像，其中，通过电力负荷时间序列相空间重构获得反映多态动力信号信息的相空间，并在相空间中构造无阈值改进递归图。利用电力负荷时间序列构建多变量无阈值改进递归图以将电力负荷时间序列转化为编码图像进一步包括：根据多个传感器采集的电力负荷时间序列将电力负荷时间序列相空间重构为：

X″＝{X″

在相空间X″

D

其中，X″

另外，由于多变量无阈值改进递归图本身就是将电力负荷时间序列转化为编码图像，所以不需要对电力负荷时间序列进行规范化处理，所以省略了电力负荷时间序列的预处理步骤，和对图像进行编码处理的步骤。因此，本申请简化了数据预处理步骤。

在步骤S106中，将生成的编码图像输入卷积神经网络预测模型，以生成预测的电力负荷。在将生成的编码图像输入卷积神经网络预测模型之前进一步包括：获取电力系统的历史数据，并从历史数据中提取多个时段的电力负荷、温度均值、湿度均值、雨量均值和特殊天气数据；根据多个时段的电力负荷、温度均值、湿度均值、雨量均值和特殊天气数据生成训练集；以及生成卷积神经网络，利用训练集对卷积神经网络进行训练以生成卷积神经网络预测模型。

卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，其中，输入层，用于接收编码图像；卷积层，用于利用卷积过滤器对编码图像进行卷积计算，以获取编码图像的特征面；池化层，用于将经过卷积层卷积得到的特征面划分为多个子块，以及在每个子块上提取特征以构建池化层的特征面；全连接层，用于整合卷积层或者池化层中具有类别区分性的特征面生成预测的电力负荷值；以及输出层，用于输出预测的电力负荷值。卷积层的计算公式如下：

其中，

具体地，对卷积层操作以下Relu激活函数：

其中，对于编码图像中的每个负值，Relu激活函数返回0值，对于编码图像中的每个正值，Relu激活函数返回1。

本发明的另一个具体实施例，公开了一种电力负荷预测装置。参考图5，电力负荷预测装置包括：采集模块502、编码图像生成模块504和预测模块506。

采集模块502，用于采集各时刻电力负荷预测所需的电力负荷时间序列，其中，电力负荷时间序列包括电力负荷、温度均值、湿度均值、雨量均值和特殊天气数据。

编码图像生成模块504，用于利用电力负荷时间序列构建多变量无阈值改进递归图以将电力负荷时间序列转化为编码图像，其中，通过电力负荷时间序列相空间重构获得反映多态动力信号信息的相空间，并在相空间中构造无阈值改进递归图。具体地，编码图像生成模块进一步包括：相空间重构子模块和递归图生成子模块，其中，相空间重构子模块，用于根据多个传感器采集的电力负荷时间序列将电力负荷时间序列相空间重构为：

X″＝{X″

递归图生成子模块，用于在相空间X″

D

X″

预测模块506，用于将生成的编码图像输入卷积神经网络预测模型，以生成预测的电力负荷。参考图4，卷积神经网络预测模型的卷积神经网络包括输入层、卷积层、池化层、全连接层和输出层，其中，输入层，用于接收编码图像；卷积层，用于利用卷积过滤器对编码图像进行卷积计算，以获取编码图像的特征面；池化层，用于将卷积得到的特征面划分为多个子块，以及在每个子块上提取特征以构建池化层的特征面；全连接层，用于整合卷积层或者池化层中具有类别区分性的特征面以生成预测的电力负荷值；以及输出层，用于输出预测的电力负荷值。

下文中，将参考图2至图4以及图6，以具体示例的方式对电力负荷预测方法进行详细描述。

1、本申请的整体目的：电力负荷预测是供电及相关管理部门的重要工作。首先精确的电力负荷预测有利于保障电网安全稳定运行，指导电力生产及运行，保障电网建设和发展。其次精确的电力负荷预测有利于经济安排电机启动和停止，减少发电所需成本。最后精确的电力负荷预测可以指导未来电机组装、确定发电机组建设的容量大小、建设时间和建设地点。为了实现上述电力负荷预测目的，解决上述现有技术的不足，本技术重点解决如下问题：

(1)本申请将拓展数据收集范围，全面选取电力负荷预测需要的影响因素数据。选取对于电力负荷预测结果有重要影响的：电力负荷、温度、湿度、雨量与时间周期变化和风沙大雾特殊天气信息。

(2)本申请采用物联传感技术采集电力负荷预测所需信息，在所需监测的环节部署传感器收集信息。广泛的传感器信息采集有利于解决环境信息收集实时性不足的问题，同时传感器信息采集地域灵活可以收集测算的各地区数据。

随着电力负荷预测所需信息的深度和广度都逐渐增大，现有信息获取技术已经逐渐不能满足人们对于预测准确度的需求。本发明所引入的物联传感技术借助高灵敏度的检测传感器，能够把自然界中的各种物理量、化学量以及生物量等转化为可测量的电信号，进而提供多方位全覆盖的数据信息，为实现更高准确度的电力负荷预测提供数据支持。

(3)本申请改进原有单一电力负荷预测的方法，创新性的将时间序列图像编码技术与卷积神经网络(CNN)相结合。利用递归图(RP)将电力负荷时间序列生成编码图像，然后将生成的编码图像输入卷积神经网络进行电力负荷预测。将前文提取的负荷特征，采集的温度、湿度、雨量与时间周期变化和风沙大雾特殊天气信息，输入以上最优方法得出电力负荷预测结果。

本申请的电力负荷预测方法在电力负荷预测方面有较多优势。首先，递归图使得高维空间中的递归现象能够展现于二维图形上，对非平稳信号敏感，能够有效揭示非平稳信号特征，能够很好的解决上述现有技术所存在的不足，同时，我们对递归图进行多变量无阈值改进以提高其特征反映能力，减少特征丢失。其次，卷积神经网络可以通过相对简单的形式表示复杂函数，通常只需要增加神经网络结构的深度，就可以使其学习到足够复杂的特征。相较于传统的浅层神经网络需要输入人工选择的特征，卷积神经网络得益于其网络结构中含有多层隐藏层，能够将数据中原始的特征映射到新的特征空间中，从而能够基于大数据自动提取其高维特征。卷积神经网络具有局部连接和权值共享两大特点，能够有效提取数据局部特征，特征识别不受特征位置影响，同时能够有效避免过拟合。

2、本发明提供的完整技术方案

本发明是基于物联传感技术的一套完整电力负荷预测方法。首先在数据获取环节布置传感器获取电力负荷预测所需的基础信息，之后利用边缘计算技术对于数据进行预处理，利用互联网技术将初始数据上传到云端存储；其次利用Mysql数据库技术将传感器与边缘计算处理后的初始数据进行存储；最后将进行多变量无阈值改进后的递归图与卷积神经网络(CNN)相结合，形成一套独有的电力负荷预测方法，达到显著提升电力负荷预测精准度与预测效率的目的。下文对于每个步骤进行详细介绍：

(1)数据获取层次

首先在数据初始获取时，需要按要求安装如下传感器：1、电力负荷信息采集探测传感器：传感器需要安装在用电设备的电流传输线上，不间断探测设备的用电负荷变化。由于实际中工业、农业、商业、生活用电负荷差异极大，因此需要在以上四种场景下布置尽可能多的传感器，全面采集电力负荷预测区域内的电力负荷信息。2、在用电区域内部署温度传感器，同一用电区域内东南西北四个方向均需要安装多个传感器，测度不同方向的温度取均值作为此区域的温度数据。3、在用电区域内部署湿度传感器，湿度传感器需在同一区域的阴面和阳面部署多个传感器测度湿度数据，最终取平均湿度数据。4、在用电区域部署雨量传感器，在测量区域的平坦土地上布置多个翻斗式雨量传感器，最终取均值记录当地的降雨量情况。5、部署时间周期变化传感器，本传感器主要用于记录预测区域所在地的节假日、日夜交替、季节变动和周末与周中等周期性变动信息。6、在测度区域内东南西北多个方向均布置多个风沙强度与大雾浓度监测传感器，记录相应数据取均值作为特殊气象数据。

其次为提升数据处理的实时性、解决电力负荷预测云端数据负载过重的问题，本发明采用边缘计算装置解决。边缘计算装置包括信息采集单元与计算单元，信息采集单元使用微控制器ATMega328P，此控制器具有14个GPIO接口、12位ADC接口、6路PWM接口、1路SPI接口、12路1

最后通过5G与互联网技术将边缘计算处理后的数据上传到服务器存储层，本系统部署了5G数据传输端口、WIFI与蓝牙端口保证数据传输到存储层。

(2)数据存储层次

本系统的数据存储层次基于Mysql技术构建存储数据库模块。本模块利用Mysql技术解决电力负荷预测技术多元数据的存储需求，实现异构数据并存，从而智能实时管理电力负荷预测所需数据，最大程度实现数据智能收集、解析、存储、挖掘。与此同时基于Mysql技术构建的存储模块拓展性强、适用范围广，后期模块升级稳定便捷。

如图6所示，本模块有数据解析、数据存储与数据管理三个功能。相对应本模块的三个功能，Mysql数据存储模块的管理流程如下所示：首先收集上一环节传输的电力负荷预测所需数据，将数据信息输入表达式中进行解析参数管理，用Mysql格式进行数据融合处理，形成新的Dataset数据流；其次根据上步形成的Dataset数据流建立Mysql数据库，自动匹配数据库字段绑定信息；最后将复杂的电力负荷预测原始数据进行整合统一管理。

1)数据解析

Mysql数据存储管理的前提是将传感器收集的数据包中实验数据源码，按照数据协议解析为表示系统执行状态的实际物理值。再将数据看作为一个群资源，根据资源分布状况得出数据解析参数，根据数据解析参数的属性将数据融合处理，形成Dataset数据流。

2)数据存储

数据库系统绑定SqlSource1平台设计可视化平台界面，数据格式自动匹配数据库字段commanbar的界面功能。在平台界面设置的基础上，建立Mysql数据库存储管理传感器检测的基础数据。具体方法为：采用GridView绑定数据源控件中的数据信息；通过Mysql统一数据格式，实现不同异构数据同时存储；结合TCP/IP服务器以及A/D运转协议实现电力负荷预测信息的实时存储与临时离线存储。

3)数据管理

利用MySql的字段特征分解代码，对数据进行降维处理。分类筛选数据资源，使得数据进入动态配置状态，从而进一步整合数据，统一管理海量数据信息方便下一步电力负荷预测的信息调用。

(3)电力负荷预测测算层次

首先确定本预测方案使用的数据信息。在进行电力负荷测度前需要收集：A：每一个电力负荷信息采集探测传感器采集各时刻电力负荷数据。B：传感器收集的温度数据各时刻均值。C：传感器收集的湿度数据各时刻均值。D：传感器收集的雨量数据均值。E：时间周期变化信息。F：传感器收集的各时刻风沙强度与大雾浓度特殊天气均值信息。

其次介绍本专利电力负荷预测方案，主要流程如下：

首先，采集预测地区一段时间的电力负荷数据形成时间序列图；其次，通过多变量无阈值改进后的递归图将时间序列图中的电力负荷信号转化为编码图像；然后，将递归图生成的编码图像输入卷积神经网络进行电力负荷预测；最后，形成预测值(参考图2)。

以下对多变量无阈值改进的递归图和卷积神经网络进行展开介绍：

1.利用电力负荷构建多变量无阈值改进递归图，将电力负荷信号转化为编码图像

电力需求侧主体多样，用电情况也各不相同。电力负荷信号随机变化性强，具有显著的非线性、非平稳特征，加大了电力负荷预测特征提取难度，进而影响电力负荷预测精准度。递归图法对于处理非线性、非平稳信号效果显著，因此本文选用递归图法将原始电力负荷信号转化为图形编码，为之后进一步特征提取奠定基础。

本发明应用的多变量无阈值改进后的递归图方法介绍：

传统递归图法数学表现为两根时间轴组成的0-1方阵，设

R

其中，R

对于一维电力负荷信号

X′＝{X′

X′

鉴于参数选择的重要影响，本发明引入多变量无阈值方法改进传统递归图，相较于传统递归图展现的图形特征，多变量无阈值递归图可以表现更多细节具体信息，从而减少参数依赖，提升特征反映能力。

对比递归图与无阈值递归图可以发现，虽然递归图可以直观地表达信号递归特性，但相较于无阈值递归图丢失了较多的肉眼无法识别的隐匿信息；无阈值递归图包含了更多丰富的非线性动力学特征，保留了较多抽象的高层表示属性特征，这种特性正好与CNN的优越特性形成完美的契合。

具体改进方法如下：

A:根据多个传感器获的的结构震动响应，将电力负荷信号相空间重构过程改为：

X″＝{X″

X″

B:然后，在相空间X″

D

X″

2.将生成的编码图像输入卷积神经网络(CNN)进行电力负荷预测

深度学习或多层神经网络是一类用于回归、聚类和分类问题的机器学习算法。这些模型常用于音频识别、图像处理、机器翻译、计算机视觉、医学图像分割和类似的应用。总的来说，深度学习在数据量大、模型复杂如图像分类等情况下可以实现更高性能的计算，其整体优于传统的机器学习技术。

卷积神经网络是一种深度神经网络，能够较好地进行图像的判别和处理。卷积神经网络具有局部连接、权值共享两个重要特征，模型的参数量相对于全连接神经网络大幅减少，能够有效解决深度神经网路梯度消失或爆炸以及过拟合的问题。参考图3和图4，卷积神经网络结构是由输入层、卷积层、激活函数、池化层、全连接层和输出层构成。

卷积神经网络卷积层主要利用卷积过滤器进行卷积运算，对于图片中的每一个特征首先局部感知，然后更高层次对局部进行综合操作，从而得到全局信息提取，获得图像的关键特征。

卷积层的计算原理卷积运算的公式如下所示：

其中，

池化层主要将卷积得到的特征面划分为许多子块，在每个子块上提取特征以构建新的特征面，池化层能够显著地缩小特征面尺寸，大幅较少复杂的计算量，同时又不过多地损失信息。常用的池化方式是最重要特征法和平均特征法，本技术说明方案采用最大特征法进行池化操作。

对卷积层操作激活函数使用ReLU激活函数，Relu的作用在于增强网络的非线性以获得更好的泛化能力。对于图像中的每个负值，Relu函数都返回0值，每个正值，返回为1，如公式所示：

本发明与传统方案预测效果对比：

本发明采用某用电区域，一周内的用电实际负荷为样本，提前预测24h的用电负荷，对比传统方案与本发明对电力负荷预测精度，不同方案误差率如下表1所示：

表1不同方案误差率对比表

通过连续一周的检测，本发明实施例进行电力负荷预测的误差明显小于其他传统方案，因此本发明对于电力负荷预测精度有明显提升。

3.本发明技术方案带来的有益效果

本发明可以产生如下有益成果：

本发明构建了完整的电力负荷预测系统，一站式解决电力负荷预测数据采集、数据存储、负荷预测问题。本发明的实施例可以为电力负荷预测提供更为精准的预测结果，更好指导电力生产运行，进而节省发电供电成本，为电网建设与发电装机建设提供数据依据。

克服现有方案电力负荷预测影响因素考虑不全面的问题，全面考虑电力负荷、温度、湿度、雨量、时间周期变化与特殊天气因素；利用物联传感技术，采用传感器收集电力负荷预测所需原始信息，解决现有数据采集技术实时性差与测试地域灵活度低的问题，做到实时收集、实地收集可以采集任意范围内的原始数据；利用边缘计算技术处理原始信息数据，增加数据处理实时性，降低云端平台电力负荷预测计算压力，规范化初始数据；利用Mysql技术实现电力负荷预测多元数据存储，增加数据存储实时性与管理便捷性；将多变量无阈值改进后的递归图法与卷积神经网络(CNN)相结合，能够更加有效地揭示非平稳信号的特征，减少特征丢失，同时能够有效提取数据局部特征，特征识别不受特征位置影响，同时能够有效避免过拟合，整体显著提升电力负荷预测精准度与预测效率。

与现有技术相比，本发明至少可实现如下有益效果之一：

1、递归图使得高维空间中的递归现象能够展现于二维图形上，对非平稳信号敏感，能够有效揭示非平稳信号特征，同时对递归图进行多变量无阈值改进以提高其特征反映能力，减少特征丢失。

2、将这种无阈值改进递归图作为卷积神经网络预测模型的输入，卷积神经网络可以通过相对简单的形式表示复杂函数，通常只需要增加神经网络结构的深度，就可以使其学习到足够复杂的特征。相较于传统的浅层神经网络需要输入人工选择的特征，卷积神经网络得益于其网络结构中含有多层隐藏层，能够将数据中原始的特征映射到新的特征空间中，从而能够基于大数据自动提取其高维特征。

3、选取对于电力负荷预测结果有重要影响的以下数据：电力负荷、温度、湿度、雨量与时间周期变化和风沙大雾特殊天气信息以有效拓展数据收集范围。

4、本申请采用物联传感技术采集电力负荷预测所需信息，在所需监测的环节部署传感器收集信息。广泛的传感器信息采集有利于解决环境信息收集实时性不足的问题，同时传感器信息采集地域灵活可以收集测算的各地区数据。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。