基于卷积神经网络的负荷预测

电力负荷预测对于保证大扰动下的系统稳定、优化智能电网中的能源分配具有重要意义。传统的预测模型主要基于时间序列分析，由于其不可忽略的预测误差，已经不能完全满足电力系统的实际需要。为提高预测精度，将时间序列数据分析转变为图像处理，并利用计算机图像领域广泛使用的深度学习方法进行电力负荷预测。卷积神经网络(convolution neural network, CNN)作为图像处理的有力工具，尽管已有学者将其用于时间序列数据处理，但仍是将数据作为序列矩阵处理，并未体现出CNN处理图像矩阵的优势。因此提出基于序列到图像转换的CNN(sequence to image convolutional neural network, STI-CNN),将负荷序列转换为负荷图像，使CNN可以更有效地提取相邻信息特征，充分考虑到各种外部影响因素，使用双分支深度网络模型对输入数据进行精确聚类，通过STI-CNN方法进行负荷预测。负荷预测实验结果表明，所提STI-CNN方法在不同的预测指标方面都有卓越的表现，所用预测时间更短，具有更高准确度。