电力物联网负荷预测指纹图像构造方法、系统及介质技术方案

本申请涉及一种电力物联网负荷预测指纹图像构造方法、系统及介质，方法包括步骤1：在电力物联网感知层，利用气象传感器采集影响负荷消耗的气象数据，并与当前的时间信息一起构成一维训练数据指纹；步骤2：在电力物联网网络层进行一维训练数据指纹传输，送至电力物联网平台层；步骤3：利用电力物联网的网络层将一维训练数据传输给电力物联网的平台层，在平台层对原始一维训练指纹进行数据预处理，得到训练指纹的二维矩阵表示形式；步骤4：利用图像处理技术，生成训练数据指纹图像。本申请能够将一维的训练数据指纹构造成图像格式，从而满足深度学习算法的输入需求，拓宽深度学习在电力物联网负荷预测领域的应用。联网负荷预测领域的应用。联网负荷预测领域的应用。

【技术实现步骤摘要】
电力物联网负荷预测指纹图像构造方法、系统及介质


[0001]本申请涉及电力物联网与电力负荷预测应用领域，特别涉及一种电力物联网负荷预测指纹图像构造方法、系统及介质。

技术介绍

[0002]随着万物互联时代的到来，未来电力物联网的数据传输量将会出现井喷式增长，电力物联网监控系统的监测点规模化、多维化、智能化的需求越来越迫切。电力物联网为了实现泛在物联，具有连接节点数量多、监测点分布广和采集的数据类型多的特点。如何实现海量传感器监测数据的预测功能是未来解决电力物联网部署的关键性问题。由于配电网拓扑结构及运行环境复杂，部件种类繁多，容易受到设备故障、恶劣环境等因素的影响。如何及时预测超负荷用电并制定有效的用电方案，指引企业合理调整用电负荷，保护用户安全用电、提升电网稳定性和安全性，是当前智能电网用电研究的重点。
[0003]目前，电力物联网中负荷预测方法刻分为统计学习法和机器学习法。统计学习法包括多元线性回归法、卡尔曼滤波法等；机器学习方法包括支持向量机、决策树、贝叶斯分类器等。 统计学习方法虽然在处理稳定序列时表现优异，但因无法解决非线性问题，导致该方法不适用于现阶段的负荷预测研究。机器学习方法能很好地解决非线性问题，因此在预测领域应用较为广泛。文献1结合天气因子、节假日因素、上一时隙负荷量等多维度数据特征作为输入，利用随机森林算法进行训练，获取短期电力负荷预测模型，最后利用训练好的模型对测试集进行预测.[1. 曾豪. 面向区域电力物联网的用户侧电力资源管理策略研究[D].北京邮电大学,2021.] 文献2提出了一种基于核密度的电力系统流量预测优化模型。用不同高斯核来估计每个区域的负荷运行趋势，优化负荷最优估计窗宽，精准预测流量需求迸发期。[2. 袁欣雨,刘玮,孙辰军,宋峥峥. 基于优化核函数的泛在电力物联网负荷预测模型修正研究.全国第四届“智能电网”会议论文集.]。
[0004]然而上述经典的机器学习算法通常比较适合处理小样本数据，当样本数据量显著增大时通常会出现性能下降。近年来，随着深度学习的发展和广泛运用，深度学习算法被运用到电力负荷预测当中。卷积神经网络(CNN)是一类经典的深度学习算法，该算法是一种模仿人脑的前馈神经网络，具有局部感知和权值共享的特点。该网络由输入层、卷积层、激活函数、池化层和全连接层组成。
[0005]CNN对于二维图像的处理具有得天得厚的优势，因此要提高基于CNN的负荷预测性能，加强对电力负荷训练数据指纹的图像化研究就显得尤其重要。但是现有电力负荷测量数据指纹都是向量，一维数据对目前深度学习网络的输入要求不具有通用性。

技术实现思路

[0006]本申请实施例的目的在于提供一种电力物联网负荷预测指纹图像构造方法、系统及介质，能够将一维的训练数据指纹构造成图像格式，从而满足深度学习算法的输入需求，拓宽深度学习在电力物联网负荷预测领域的应用。
[0007]为实现上述目的，本申请提供如下技术方案：第一方面，本申请实施例提供一种电力物联网负荷预测指纹图像构造方法，包括以下步骤：步骤1：电力物联网感知层构建数据库在电力物联网感知层，利用气象传感器采集影响负荷消耗的气象数据，并与当前的时间信息一起构成一维训练数据指纹；步骤2：电力物联网网络层传输训练数据在电力物联网网络层进行一维训练数据指纹传输，送至电力物联网平台层；步骤3：电力物联网平台层进行数据预处理利用电力物联网的网络层将一维训练数据传输给电力物联网的平台层，在平台层对原始一维训练指纹进行数据预处理，得到训练指纹的二维矩阵表示形式；步骤4：电力物联网平台层进行生成训练数据指纹图像利用图像处理技术，生成训练数据指纹图像。
[0008]所述步骤3中包括如下步骤：步骤3
‑
1：归一化处理将一维训练指纹中时间信息和气象测量数据分别进行数据归一化，去除量纲的影响，增加数据的可比性；步骤3
‑
2：统计特征提取对归一化后每个训练数据指纹，分别提取各自的最大值，最小值，平均值，中位数，方差和标准差；步骤3
‑
3：二维训练数据矩阵将统计特征和原始训练数据指纹作为二维矩阵的元素，放在矩阵的响应位置。如果统计特征和原始训练数据指纹数目比矩阵元素数目少，通过补零操作，填充二维训练数据矩阵。
[0009]所述步骤4中包括如下步骤：步骤4
‑
1：生成训练数据指纹灰度图像利用线性映射方法将二维训练数据指纹中每个元素值对应每一个灰度值，构建灰度图像；步骤4
‑
2：生成训练数据指纹彩色图像利用灰度分层法，将灰度图像中每个灰度值对应不同颜色，得到训练数据指纹的伪彩色图像，对于获得的训练数据指纹，送到电力物联网的应用层进行负荷预测训练。
[0010]第二方面，本申请实施例提供一种电力物联网负荷预测指纹图像构造系统，包括，数据库构建模块，用以在在电力物联网感知层，利用气象传感器采集影响负荷消耗的气象数据，并与当前的时间信息一起构成一维训练数据指纹；训练数据传输模块，用以在电力物联网网络层进行一维训练数据指纹传输，送至电力物联网平台层；数据预处理模块，用以利用电力物联网的网络层将一维训练数据传输给电力物联网的平台层，在平台层对原始一维训练指纹进行数据预处理，得到训练指纹的二维矩阵表示形式；
训练数据指纹图像生成模块，用以利用图像处理技术，生成训练数据指纹图像。
[0011]第三方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序代码，所述程序代码被处理器执行时，实现如上所述的电力物联网负荷预测指纹图像构造方法的步骤。
[0012]与现有技术相比，本申请的有益效果是：1.本申请提取训练数据指纹中的统计特征，不仅扩充训练数据指纹的维度，更加充分描述训练数据特征，而且能够为二维训练数据指纹矩阵的构建提供更多的数值信息。
[0013]2.本申请利用图像处理技术构建训练数据指纹彩色图像，能够克服现有训练数据指纹对某些深度学习网络的输入不匹配，拓宽深度学习算法在电力负荷领域的应用。
附图说明
[0014]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0015]图1是本申请的流程图；图2是本申请的数据处理流程图；图3是本申请二维训练数据指纹矩阵生成示意图；图4是本申请基于灰度分层法的彩色图像生成方法示意图；图5是本申请的系统图。
具体实施方式
[0016]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0017]术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力物联网负荷预测指纹图像构造方法，其特征在于，包括以下步骤：步骤1：电力物联网感知层构建数据库在电力物联网感知层，利用气象传感器采集影响负荷消耗的气象数据，并与当前的时间信息一起构成一维训练数据指纹；步骤2：电力物联网网络层传输训练数据在电力物联网网络层进行一维训练数据指纹传输，送至电力物联网平台层；步骤3：电力物联网平台层进行数据预处理利用电力物联网的网络层将一维训练数据传输给电力物联网的平台层，在平台层对原始一维训练指纹进行数据预处理，得到训练指纹的二维矩阵表示形式；步骤4：电力物联网平台层进行生成训练数据指纹图像利用图像处理技术，生成训练数据指纹图像。2.根据权利要求1所述的一种电力物联网负荷预测指纹图像构造方法，其特征在于，所述步骤3中包括如下步骤：步骤3
‑
1：归一化处理将一维训练指纹中时间信息和气象测量数据分别进行数据归一化，去除量纲的影响，增加数据的可比性；步骤3
‑
2：统计特征提取对归一化后每个训练数据指纹，分别提取各自的最大值，最小值，平均值，中位数，方差和标准差；步骤3
‑
3：二维训练数据矩阵将统计特征和原始训练数据指纹作为二维矩阵的元素，放在矩阵的响应位置，如果统计特征和原始训练数据指纹数目比矩阵元素数目少，通过补零操作，填充二维训练数据矩阵...

【专利技术属性】
技术研发人员：刘畅，饶玮，王晋，刘畅，周亮，王捷，田里，唐泽洋，徐江珮，王怡聪，喻潇，龙凤，
申请(专利权)人：国网湖北省电力有限公司电力科学研究院，
类型：发明
国别省市：