CN113642676B - 基于异构气象数据融合的区域电网负荷预测方法和装置 - Google Patents
基于异构气象数据融合的区域电网负荷预测方法和装置 Download PDFInfo
- Publication number
- CN113642676B CN113642676B CN202111184358.0A CN202111184358A CN113642676B CN 113642676 B CN113642676 B CN 113642676B CN 202111184358 A CN202111184358 A CN 202111184358A CN 113642676 B CN113642676 B CN 113642676B
- Authority
- CN
- China
- Prior art keywords
- data
- cloud
- meteorological
- meteorological data
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000004927 fusion Effects 0.000 title claims abstract description 44
- 238000005192 partition Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000001556 precipitation Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 42
- 238000011176 pooling Methods 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000001737 promoting effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于异构气象数据融合的区域电网负荷预测方法和装置，属于电力技术领域，解决现有气象数据使电网负荷的预测准确性低和速度低的问题。该方法包括：确定区域电网内的各个气象分区中的影响负荷的气象数据，气象数据包括通过全天空成像仪拍摄获的取云图数据；对气象数据进行预处理；建立Gabor过滤器‑卷积自动编码器的云图分类判别模型，并利用判别模型对预处理的云图数据进行预测分类处理；将分类的云图数据与其他气象数据进行融合，以形成气象数据集合，其他气象数据包括气压、温度、降水量、相对湿度、风速、风向、日期类型和云图数据；建立负荷预测模型；以及利用负荷预测模型预测各气象分区的负荷。提高负荷预测的准确性和速度。
Description
技术领域
本发明涉及电力技术领域，尤其涉及一种基于异构气象数据融合的区域电网负荷预测方法和装置。
背景技术
电力负荷预测是指导电网规划、安排发电计划的基础，高精度的负荷预测对提升电网安全稳定经济运行具有重要的作用。短期电力负荷易受到气象条件、节假日类型等多种数值的、非数值因素的影响，负荷的变化呈现出一定程度的随机性和非线性，影响负荷预测的准确性，预测的精度有待于进一步提高。
目前针对电力负荷预测方法主要分为两类：传统预测方法和智能预测方法。传统预测方法主要有时间序列、回归模型、趋势外推等方法；智能预测方法主要有神经网络、支持向量机等。传统预测方法模型较为简单、模型的参数固定，难以对突变的负荷进行解释。以神经网络为代表的智能预测方法能够实现线性、非线性的复杂映射，目前应用较为广泛。针对短期负荷的影响因素，常见的方法考虑气象因素主要有气温、湿度等因素，主要数据类型为结构化数据。
目前大多数的负荷预测方法集中于建立结构化的气象影响因素与负荷之间的因果关系，但仅通过结构化的气象数据进行建模丢失了非结构化气象因素中蕴含的数据信息，所构建模型无法体现出非结构化数据对负荷变量的解释。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种基于异构气象数据融合的区域电网负荷预测方法和装置，用以解决云图数据由于采集环境中的复杂因素干扰而产生的小样本和不可靠标注以及云图数据直接作为神经网络的输入会产生巨大的工作量与复杂度进而导致电网负荷的预测准确性低和速度低的问题。
一方面，本发明实施例提供了一种基于异构气象数据融合的区域电网负荷预测方法，其特征在于，包括：确定区域电网内的各个气象分区中的影响负荷的气象数据，其中，所述气象数据包括通过全天空成像仪拍摄获取的云图数据；对所述气象数据进行预处理；建立Gabor过滤器-卷积自动编码器的云图分类判别模型，并利用所述判别模型对预处理的云图数据进行预测分类处理；将分类的云图数据与其他气象数据进行融合，以形成气象数据集合，其中，所述其他气象数据包括气压、温度、降水量、相对湿度、风速、风向、日期类型；建立BP神经网络的负荷预测模型，其中，利用所述气象数据集合作为所述BP神经网络的输入，与所述气象数据相对应的气象分区的负荷作为输出；以及利用所述负荷预测模型预测各气象分区的负荷。
上述技术方案的有益效果如下：通过全天空成像仪拍摄获取云图图像，利用拍摄镜头和数字成像系统定时拍摄获取全天空可见光红、绿、蓝三波段图像数据；对气象数据进行预处理；建立Gabor过滤器-卷积自动编码器的云图分类判别模型，并利用判别模型对预处理的云图数据（即，非结构化数据）进行分类处理以将云图数据转换为结构化数据以能够在编码过程中进行降维处理以减少工作量，提高分类效率并消除采集环境的复杂因素干扰进而提高区域电网负荷的预测速度和准确性。将分类的云图数据（即，结构化数据）与其他气象数据（即，结构化数据）进行融合，以形成气象数据集合；利用气象数据集合作为负荷预测模型的输入，与气象数据相对应的气象分区的负荷作为输出，利用负荷预测模型预测各气象分区的负荷。
基于上述方法的进一步改进，利用所述判别模型对预处理的云图数据进行预测分类处理包括：通过所述Gabor过滤器-卷积自动编码器对所述预处理的云图数据进行特征提取以分别获得云图Gabor特征编码和卷积自动编码器特征；将所述卷积自动编码器特征与所述云图Gabor特征编码串联融合以获得融合特征；以及基于待分类云图的融合特征和已知云图分类的融合特征计算待分类云图和已知云图之间的相似度，并通过所述相似度判断待分类云图类别。
基于上述方法的进一步改进，通过所述Gabor过滤器-卷积自动编码器对所述预处理的云图数据进行特征提取进一步包括：对云图图像进行卷积计算并将卷积计算结果的卷积图像幅值作为提取的Gabor特征以增强云图特征级数据；对每个像素点的Gabor特征进行编码运算以获得每个像素点的5个尺度和8个方向幅值矩阵；对云图的全部像素点进行非极大值抑制运算以获得所有幅值矩阵；以及对所有幅值矩阵计算平均值以获得所述全部像素点的平均幅值矩阵并将所述平均幅值矩阵转化为向量形式，作为云图Gabor特征编码。
上述技术方案的有益效果如下：利用每个方向的二进制编码之和，在不减少图像纹理特征信息以便进行多尺度分析的前提下，有效地降低了特征维数，并将平均幅值矩阵转化的向量形式的云图Gabor特征编码，能够有效抑制因非极大值抑制误判而产生的噪声干扰。
基于上述方法的进一步改进，通过所述Gabor过滤器-卷积自动编码器对所述预处理的云图数据进行特征提取进一步包括：通过编码单元和解码单元重构误差函数并通过最小化所述误差函数实现云图特征的无监督学习以获得最优编码单元和解码单元；截取所述最优编码单元并通过所述最优编码单元获得所述卷积自动编码器特征，其中，所述编码单元包括：卷积层，用于对输入图像进行卷积计算和偏置处理以获得卷积特征图；池化层，用于对所述卷积特征图进行池化处理以获得二维特征图；以及全连接层，用于将池化的二维特征图伸展成一维特征，并将所述一维特征降低到所需的特征维度以获得一维输出特征；所述解码单元包括：全连接层，将所述一维输出特征提升到所需维度的一维特征维度并将所述一维特征转换为二维特征图；反池化层，用于以所述二维特征图及其中的每个数据点的位置索引为输入，按步长和池化核大小恢复特征在池化运算前的特征图，其余位置补0；以及反卷积层，用于对池化运算前的特征图进行反卷积计算以获得二维图像。
上述技术方案的有益效果如下：卷积自动编码器将卷积和池化操作融入编码过程，将卷积和池化的反向操作引入解码过程，以通过最小化输入和输出的重构误差指导网络参数学习，以获得最优编码单元和解码单元。截取最优编码单元并通过最优编码单元获得卷积自动编码器特征以捕获云图最具代表性的非线性深度矩阵。
基于上述方法的进一步改进，对所述气象数据进行预处理包括：通过移动平均法对异常气象数据进行处理；使用最大-最小值法对所述气象数据进行归一化处理以将气象数据转换为[0,1]范围内的数据；以及将采集到的彩色云图数据进行灰度化处理以降低云图颜色通道数。
基于上述方法的进一步改进，所述分类的云图数据包括雨层云、积雨云、卷积云和非降雨云，并且分别用1、2、3和4来表示所述分类的云图数据，其中，对所述分类的云图数据进行预处理，以获得在[0, 1]范围内的结构化数据。
基于上述方法的进一步改进，所述BP神经网络包括：输入层、中间隐含层和输出层，所述输入层的输入向量为：
其中，当n=6时，x 1为前一天同一时刻的负荷；x 2为温度；x 3为相对湿度；x 4为降雨量；x 5为日期类型；x 6为云图类型；所述中间隐含层的输出向量为：
所述输出层的输出向量O为预测的对应气象分区的负荷，所述输出层的输出向量为：
期望输出的向量为：
其中，m为中间隐含层的节点数，l为输出层的输出节点数，d 1、d 2、…d l分别为对应气象分区的期望输出负荷。
基于上述方法的进一步改进，所述BP神经网络的算法步骤包括：初始化网络，在（-1,1）区间上选择随机数对网络各个连接权重进行赋值，并且设定误差和网络最大的迭代次数；训练网络模型：所述中间隐含层的输出为：
其中，j=1,2,…,m，所述输出层的输出为：
其中，k=1,2,…,l，函数f 1、f 2的转移函数均为Sigmoid函数：
基于期望输出与实际输出计算各层的误差函数：
对于输入层，误差函数为：
利用误差反向传播进行误差计算并且调整网络权重：
推导得到误差信号为：
通过不断地调整权重，使得误差不断减少：
计算全局误差：
根据全局误差是否达到初始设置的精度，或者是判断训练次数是否达到初始设置的最大的迭代次数，达到结束算法；否则继续计算各层的误差函数、调整网络权重以及计算全局误差，其中，w ij 为输入层与隐含层神经元之间的连接权重，v jk 为输出层神经元之间连接权值，d i 为输出神经元的期望输出，隐含层激励函数为f 1，输出层激励函数为f 2，e为误差函数。
另一方面，本发明实施例提供了一种基于异构气象数据融合的区域电网负荷预测装置，包括：气象数据确定模块，用于确定所述区域电网内的各个气象分区中的影响负荷的气象数据，其中，所述气象数据包括通过全天空成像仪拍摄获取的云图数据；预处理模块，用于对所述气象数据进行预处理；云图分类判别模型，用于建立Gabor过滤器-卷积自动编码器的云图分类判别模型，并利用所述判别模型对预处理的云图数据进行预测分类处理；融合模块，用于将分类的云图数据与其他气象数据进行融合，以形成气象数据集合，其中，所述其他气象数据包括气压、温度、降水量、相对湿度、风速、风向、日期类型；以及负荷预测模型，用于建立BP神经网络的负荷预测模型，其中，利用所述气象数据集合作为所述BP神经网络的输入，与所述气象数据相对应的气象分区的负荷作为输出；并且利用所述负荷预测模型预测各气象分区的负荷。
基于上述装置的进一步改进，利用所述判别模型对预处理的云图数据进行预测分类处理包括：通过所述Gabor过滤器-卷积自动编码器对所述预处理的云图数据进行特征提取以分别获得云图Gabor特征编码和卷积自动编码器特征；将所述卷积自动编码器特征与所述云图Gabor特征编码串联融合以获得融合特征；以及基于待分类云图的融合特征和已知云图分类的融合特征计算待分类云图和已知云图之间的相似度，并通过所述相似度判断待分类云图类别。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、通过全天空成像仪拍摄获取云图图像，利用拍摄镜头和数字成像系统定时拍摄获取全天空可见光红、绿、蓝三波段图像数据；对气象数据进行预处理；建立Gabor过滤器-卷积神经网络的云图分类判别模型，并利用判别模型对预处理的云图数据（即，非结构化数据）进行分类处理以将云图数据转换为分类后的结构化数据，从而能够在编码过程中进行降维处理以减少工作量，提高分类效率并消除采集环境的复杂因素干扰，进而提高区域电网负荷的预测速度和准确性。将分类的云图数据（即，结构化数据）与其他气象数据（即，结构化数据）进行融合，以形成气象数据集合；利用气象数据集合作为负荷预测模型的输入，与气象数据相对应的气象分区的负荷作为输出，利用负荷预测模型预测各气象分区的负荷。
2、融合结构化气象数据和非结构化气象数据，构建复合数据体系与负荷之间的复杂映射关系，充分挖掘非结构化气象数据对负荷的影响，有助于提高区域电网短期负荷预测精度。
3、利用每个方向的二进制编码之和，在不减少图像纹理特征信息以便进行多尺度分析的前提下，有效地降低了特征维数，并将平均幅值矩阵转化的向量形式的云图Gabor特征编码，能够有效抑制因非极大值抑制误判而产生的噪声干扰。卷积自动编码器将卷积和池化操作融入编码过程，将卷积和池化的反向操作引入解码过程，以通过最小化输入和输出的重构误差指导网络参数学习，以获得最优编码单元和解码单元。截取最优编码单元并通过最优编码单元获得卷积自动编码器特征以捕获云图最具代表性的非线性深度矩阵。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基于异构气象数据融合的区域电网负荷预测方法的流程图。
图2为根据本发明实施例的多级卷积自动编码器的网络架构。
图3为根据本发明实施例的待分类云图与已知分类云图的判别结构图。
图4为根据本发明实施例的BP神经网络结构。
图5为根据本发明实施例的融合多源异构气象数据的基于异构气象数据融合的区域电网负荷预测方法的流程图。
图6为根据本发明实施例的基于异构气象数据融合的区域电网负荷预测装置的结构图。
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，公开了一种基于异构气象数据融合的区域电网负荷预测方法。如图1所示，基于异构气象数据融合的区域电网负荷预测方法，包括：在步骤S102中，确定区域电网内的各个气象分区中的影响负荷的气象数据，其中，气象数据包括通过全天空成像仪拍摄获取的云图数据；在步骤S104中，对气象数据进行预处理；在步骤S106中，建立Gabor过滤器-卷积自动编码器的云图分类判别模型，并利用判别模型对预处理的云图数据进行预测分类处理；在步骤S108中，将分类的云图数据与其他气象数据进行融合，以形成气象数据集合，其中，其他气象数据包括气压、温度、降水量、相对湿度、风速、风向、日期类型；在步骤S110中，建立BP神经网络的负荷预测模型，其中，利用气象数据集合作为BP神经网络的输入，与气象数据相对应的气象分区的负荷作为输出；以及在步骤S112中，利用负荷预测模型预测各气象分区的负荷。
上述技术方案的有益效果如下：通过全天空成像仪拍摄获取云图图像，利用拍摄镜头和数字成像系统定时拍摄获取全天空可见光红、绿、蓝三波段图像数据；对气象数据进行预处理；建立Gabor过滤器-卷积自动编码器的云图分类判别模型，并利用判别模型对预处理的云图数据进行分类处理以将云图数据（即，非结构化数据）转换为结构化数据从而能够在编码过程中进行降维处理来减少工作量，提高分类效率并消除采集环境的复杂因素干扰。将分类的云图数据（即，结构化数据）与其他气象数据（即，结构化数据）进行融合，以形成气象数据集合；利用气象数据集合作为负荷预测模型的输入，与气象数据相对应的气象分区的负荷作为输出，利用负荷预测模型预测各气象分区的负荷。
下文中，参考图1至图5，对根据本发明实施例的基于异构气象数据融合的区域电网负荷预测方法的以下各个步骤进行详细描述。
在步骤S102中，确定区域电网内的各个气象分区中的影响负荷的气象数据，其中，气象数据包括通过全天空成像仪拍摄获取的云图数据。气象数据包括气压、温度、降水量、相对湿度、风速、风向、日期类型和云图数据等，通过全天空成像仪拍摄获取云图数据。具体地，气象数据包括结构化气象数据和非结构化气象数据。结构化气象数据（又称为其他气象数据）包括气压、温度、降水量、相对湿度、风速、风向和日期类型（节假日和工作日）等。非结构化气象数据包括云图数据或雷达拼图。
在步骤S104中，对气象数据进行预处理。具体地，对气象数据进行预处理包括：通过移动平均法对异常气象数据进行处理；使用最大-最小值法对气象数据进行归一化处理以将气象数据转换为[0,1]范围内的数据，其中，根据大数据可知，区域电网负荷在一个星期内通常是周期变化，例如，将日期类型中的周二至周四转换为数值0.2，将周一至周五转换为数值0.4以及将周六至周日转换为数值0.6以及将法定假日转换为0.8至1的数值；以及将采集到的彩色云图数据进行灰度化处理以降低云图颜色通道数。
在步骤S106中，建立Gabor过滤器-卷积自动编码器的云图分类判别模型，并利用判别模型对预处理的云图数据进行预测分类处理。利用判别模型对预处理的云图数据进行预测分类处理包括：具体地，参考图3，通过Gabor过滤器-卷积自动编码器对预处理的云图数据进行特征提取以分别获得云图Gabor特征编码和卷积自动编码器特征；将卷积自动编码器特征与云图Gabor特征编码串联融合以获得融合特征；以及基于待分类云图的融合特征和已知云图分类的融合特征计算待分类云图和已知云图之间的相似度，并通过相似度判断待分类云图类别。分类的云图数据包括雨层云、积雨云、卷积云和非降雨云，并且分别用1、2、3和4来表示分类的云图数据，其中，对分类的云图数据（即，1、2、3和4）进行预处理，以获得在[0, 1]范围内的结构化数据。
参考图2，通过Gabor过滤器-卷积自动编码器对预处理的云图数据进行特征提取进一步包括：对云图图像进行卷积计算并将卷积计算结果的卷积图像幅值作为提取的Gabor特征以增强云图特征级数据；对每个像素点的Gabor特征进行编码运算以获得每个像素点的5个尺度和8个方向幅值矩阵；对云图的全部像素点进行非极大值抑制运算以获得所有幅值矩阵；以及对所有幅值矩阵计算平均值以获得全部像素点的平均幅值矩阵并将平均幅值矩阵转化为向量形式，作为云图Gabor特征编码。
通过Gabor过滤器-卷积自动编码器对预处理的云图数据进行特征提取进一步包括：通过编码单元和解码单元重构误差函数并通过最小化误差函数实现云图特征的无监督学习以获得最优编码单元和解码单元；以及截取最优编码单元并通过最优编码单元获得卷积自动编码器特征，其中，编码单元包括：卷积层，用于对输入图像进行卷积计算和偏置处理以获得卷积特征图；池化层，用于对卷积特征图进行池化处理以获得二维特征图；以及全连接层，用于将池化的二维特征图伸展成一维特征，并将一维特征降低到所需的特征维度以获得一维输出特征；解码单元包括：全连接层，将一维输出特征提升到所需维度的一维特征维度并将一维特征转换为二维特征图；反池化层，用于以二维特征图及其中的每个数据点的位置索引为输入，按步长和池化核大小恢复特征在池化运算前的特征图，其余位置补0；以及反卷积层，用于对池化运算前的特征图进行反卷积计算以获得二维图像。在可选实施例中，编码单元包括多个卷积层和池化层，参考图2，编码单元包括卷积1、池化1、卷积2、池化2、卷积3和池化3。相应地，解码单元包括多个反卷积层和多个反池化层。
在步骤S108中，将分类的云图数据与其他气象数据进行融合，以形成气象数据集合，其中，其他气象数据包括气压、温度、降水量、相对湿度、风速、风向、日期类型。
在步骤S110中，建立BP神经网络的负荷预测模型，其中，利用气象数据集合作为BP神经网络的输入，与气象数据相对应的气象分区的负荷作为输出。利用气象数据集合作为BP神经网络的输入，与气象数据相对应的气象分区的实际负荷作为输出训练该负荷预测模型。BP神经网络包括：输入层、中间隐含层和输出层。
输入层的输入向量为：
其中，当n=6时，x 1为前一天同一时刻的负荷；x 2为温度；x 3为相对湿度；x 4为降雨量；x 5为日期类型；x 6为云图类型；
中间隐含层的输出向量为：
其中，输出层的输出向量O为预测的对应气象分区的负荷，
输出层的输出向量为：待预测时刻所对应气象分区实际负荷。
其中，输出向量为使用负荷预测模型进行计算后得到的待预测时刻所对应气象分区的负荷。
期望输出的向量为：
其中，m为中间隐含层的节点数，l为输出层的输出节点数，d 1、d 2、…d l分别为对应气象分区的期望输出负荷。
通过调整BP神经网络的权重，输出层的输出向量不断逼近期望输出向量，完成BP神经网络的训练。预测未来某一时刻的负荷，将这一时刻的云图数据进行结构化处理，再融合非结构化气象、负荷等因素作为BP神经网络的输入，网络的输出向量即为该时刻负荷的预测值。
BP神经网络的算法步骤包括：初始化网络，在（-1,1）区间上选择随机数对网络各个连接权重进行赋值，并且设定误差和网络最大的迭代次数；
训练网络模型
中间隐含层的输出为：
其中，j=1,2,…,m，
输出层的输出为：
其中，k=1,2,…,l，
函数f 1、f 2的转移函数均为Sigmoid函数：
基于期望输出与实际输出计算各层的误差函数：
对于输入层，误差函数为：
利用误差反向传播进行误差计算并且调整网络权重：
推导得到误差信号为：
通过不断地调整权重，使得误差不断减少：
计算全局误差：
根据全局误差是否达到初始设置的精度，或者是判断训练次数是否达到初始设置的最大的迭代次数，达到结束算法；否则继续计算各层的误差函数、调整网络权重以及计算全局误差，其中，w ij 为输入层与隐含层神经元之间的连接权重，v jk 为输出层神经元之间连接权值，d i 为输出神经元的期望输出，隐含层激励函数为f 1，输出层激励函数为f 2，e为误差函数。
在步骤S112中，利用负荷预测模型预测各气象分区的负荷。重复步骤S102、步骤S104、步骤S106、步骤S108，步骤S110，建立BP神经网络即为预测模型，其输出向量为待预测时刻各气象分区对应的负荷。
本发明的另一个具体实施例，公开了一种基于异构气象数据融合的区域电网负荷预测装置。参图6，基于异构气象数据融合的区域电网负荷预测装置包括：气象数据确定模块602、预处理模块604、云图分类判别模型606、融合模块608和负荷预测模型610。下文中参考图6，对根据以下实施例的基于异构气象数据融合的区域电网负荷预测装置进行说明。
气象数据确定模块602，用于确定区域电网内的各个气象分区中的影响负荷的气象数据，其中，气象数据包括通过全天空成像仪拍摄获取的云图数据。预处理模块604，用于对气象数据进行预处理。云图分类判别模型606，用于建立Gabor过滤器-卷积自动编码器的云图分类判别模型，并利用判别模型对预处理的云图数据进行预测分类处理。具体地，云图分类判别模型606用于通过Gabor过滤器-卷积自动编码器对预处理的云图数据进行特征提取以分别获得云图Gabor特征编码和卷积自动编码器特征；将卷积自动编码器特征与云图Gabor特征编码串联融合以获得融合特征；以及基于待分类云图的融合特征和已知云图分类的融合特征计算待分类云图和已知云图之间的相似度，并通过相似度判断待分类云图类别。融合模块608，用于将分类的云图数据与其他气象数据进行融合，以形成气象数据集合，其中，其他气象数据包括气压、温度、降水量、相对湿度、风速、风向、日期类型。负荷预测模型610，用于建立BP神经网络的负荷预测模型，其中，利用气象数据集合作为BP神经网络的输入，与气象数据相对应的气象分区的负荷作为输出；并且利用负荷预测模型预测各气象分区的负荷。
下文中，将参考图2至图5以具体实例的方式对基于异构气象数据融合的区域电网负荷预测方法进行详细描述。
随着气象相关技术的不断发展，气象大数据提供了丰富的气象数据信息，包括气压、气温、降水量、相对湿度、风速、风向、卫星云图、雷达拼图等。融合结构化数据和非结构化的气象数据，构建复合数据体系与负荷之间的复杂映射关系，充分挖掘非结构化气象数据对负荷的影响，有助于提高区域电网短期负荷预测精度。
本发明提出一种融合多源异构气象数据的区域电网短期负荷预测方法。方法主要包含的步骤是：a、构建负荷影响因素，b、数据准备，c、数据预处理，d、预测模型构建，e、模型有效性评价。具体内容如下所示：
构建负荷影响因素。主要包括结构化的数据：t-1、t-2、t-3（t为15分钟至1个小时，例如，15分钟一个时刻，全天96点）的负荷、温度、相对湿度、降雨量、日期类型（节假日、工作日）。非结构化的数据：云图（雨层云、积雨云、卷积云）。
短期负荷与温度、相对湿度、降雨量、日期类型较为敏感。气温对短期用电负荷有直接影响，夏季气温升高，空调负荷增加，冬季气温降低，取暖负荷增加。相对湿度、降雨量对人体舒适度产生影响，进而影响用电负荷。考虑工作日负荷与节假日负荷数据（从电网调度系统获取）有较大差别，因此将日期类型数据引入到模型中，能够有效地区别不同日期类型下的负荷水平。云层在短时段内遮蔽太阳，改变太阳光照在地面的辐射量，对人体舒适度、农业、部分工业用电产生直接影响，在夏季和冬季尤为明显，会引起负荷在短时间内发生变化。此外，部分云图能够在短时间内产生降水，区域电网负荷在短时间内的快速变化，云图数据的引入在一定程度上能够反映快速变化的云对负荷的影响。
数据准备。考虑到同一区域电网内不同区域之间的温度、湿度、降雨量等存在差异，如果将区域电网全网负荷与整个区域的平均温度、湿度、降雨量进行建模，由于模型所采用的气象因素数据粒度较大，模型无法很好地解释气象因素（影响因素）与负荷（预测指标）之间的复杂因果变化关系，预测精度将受到较大影响。因此，根据气象数据区域划分（通常与行政区域划分一致），将全网负荷分解为与气象分区吻合的分区电网负荷，保证气象分区下的气象因素与分区电网负荷数据在空间上的一致性。例如，区域电网有N个气象分区，将电网负荷分解为N个负荷，每个分区对应一个负荷。由于区域电网短期负荷的数据周期一般为15分钟（可选地，为30分钟、1个小时等），因此同步设定气象数据采集周期也为15分钟（可选地，也为30分钟、1个小时等），保证气象数据和负荷数据在时间上的一致性。由此，负荷数据和气象数据在时空尺度上保持同步，建立区域电网负荷预测的基本数据集。
下面对云图数据处理方式进行说明。同样根据气象区域划分，将区域电网所覆盖的区域分割为等比例尺寸，基于动态变化的气象云图，每15分钟（可选地，30分钟、1个小时等）抓取各分区内的云图，确保云图数据和气象数据在时间采集维度和空间区域维度上的一致性。云图是由全天空成像仪拍摄，利用拍摄镜头及数字成像系统，定时拍摄获取全天空可见光红、绿、蓝三波段图像，并设定与区域范围相一致的拍摄范围，保证云图覆盖范围与区域范围一致。
数据预处理。影响区域电网短期负荷的因素及负荷有缺失或者异常的数据，容易对模型训练产生干扰，进而影响负荷预测的精度。此外，不同影响因素之间的指标量纲不同，需进行无量纲化处理，才能输入到模型中进行分析和预测。数据预处理主要包括确实异常数据处理和数据归一化处理。
异常数据处理。负荷预测的海量历史数据在采集、传输和存储的过程中，由于设备或者人为的因素可能会产生一些偏差较大的数据或者缺省数据等异常数据值，这些异常数据将会影响数据分析的结果，加大预测模型误差。本技术方案采用移动平均的方法进行指标数据处理，设x为观测数据，t时刻数据异常确实数据处理为：
数据归一化处理。数值型数据处理：对于此种类型的数据，使用最大-最小值法对数据进行归一化处理，计算公示如下所示：
其中，x为原始数值型数据。
日期类型数值化处理：将周二至周四映射成0.2，周一和周五都映射成0.4，周六和周日映射成0.6，小长假按情况映射成0.8-1。
云图数据处理。灰度化处理：云图预处理主要是对图像进行灰度化。将采集到的彩色图进行灰度化处理，减少像素点颜色的复杂度，采用YUV灰度处理，
公示如下：
负荷预测模型构建。预测模型是负荷预测的关键环节，其模型设计的优劣决定了负荷预测的精度。考虑到神经网络预测模型针对线性、非线性影响因素有较好的优势，本技术方案提出一种串联的两阶段混合神经网络预测模型。本技术方案设计充分考虑模型输入的数据以及数据规模来设计合适的网络结构以及模型深度。
第一阶段：设计Gabor过滤器-卷积自动编码器的云图分类模型判别模型，将经过数据预处理的云图进行预测分类处理。
第二阶段：将第一阶段得到的云图分类数据与其他结构化的数据进行拼接，形成新的数据集合，将该集合数据作为BP神经网络的输入，区域电网负荷作为模型输出进行网络训练，最终对区域电网负荷进行预测。
模型构建：
第一阶段：Gabor过滤器-卷积自动编码器的云图分类判别模型
本技术方案主要关注短时间内光线的遮挡情况以及可能产生的降雨概率，将云图分为四类晴朗、雨层云、积雨云、卷积云、其他云。
雨层云：属于低云族，呈暗灰色，不打雷不打闪，布满全天，完全遮蔽日月的光线。
积雨云：属于低云族，会带来各种程度的降雨，有时甚至会产生龙卷风和强烈的外旋气流。
卷积云：天空以卷积云为主，又伴有卷层云和卷云的共同发展变化，常预示着暴雨天气的降临。
非降雨云：不属于晴朗、雨层云、积雨云、卷积云的种类。
本申请采用Gabor滤波器技术进行云图纹理的特征提取，再基于卷积神经网络（CNN）进行关键特征映射，实现云图的分类及判别。
Gabor滤波器是一种有效的空间局部纹理特征提取工具，其实质是一种窗函数为高斯函数的短时傅里叶变换。在空域中，二维Gabor滤波器为一个由高斯包络调制的正弦平面波，可以对二维信息进行局部、定向的频率分析，从而实现纹理信息的提取。
通过Gabor过滤器-卷积自动编码器对所述预处理的云图数据进行云图纹理的特征提取；以及融合Gabor特征、卷积自动编码器关键特征对已知类型云图、待分类云图进行特征相似计算，通过判断特征相似性，判断待分类云图类别。
（1）Gabor特征提取
基于上述方法的进一步改进，通过Gabor过滤器对所述预处理的云图数据进行云图纹理的特征提取进一步包括：二维Gabor函数定义如下公式：
式中，（x,y）为给定位置坐标，
为Gabor滤波器中心频率，
为不同方向滤波器的相角，Gabor滤波器组选用了8个不同方向μ∈{0,1,2,3,4,5,6,7}和5个不同尺度v∈{0,1,2,3,4}，k max =π/2。
假设云图图像为I（x,y），Gabor滤波器形成的8个方向、5个尺度的滤波器组记为
G μ,v (x,y)，则I（x,y）和Gabor函数G μ,v 进行卷积为
式中：O μ,v (z)为卷积结果，*为卷积算子，z=(x,y)。
幅值信息反映了云图图像能量谱，采用卷积图像幅值响应作为输出特征
式中，C μ,v (z)为云图的幅值特征，real(O μ,v (z))和imag(O μ,v (z))分别为卷积结果的实部和虚部，经过Gabor特征提取，每幅云图被转换为5个尺度、8个方向的特征图，实现云图特征级数据增强。
目前单幅云图扩增到40幅Gabor特征图，扩增图存在冗余信息，直接作为卷积神经网络的输入，会产生巨大的计算工作量与复杂度，考虑Gabor特征的二次提取。
对图像对每个像素点的Gabor特征值进行编码运算，计算每个像素点5个尺度和8个方向幅值，矩阵形式为
式中，c ij 表示第i个尺度，第j个方向的幅值。为进一步突出Gabor纹理的方向性，对M pixel 的幅值在8个方向执行归一化处理，即在同一方向不同尺度进行非极大值抑制运算
通过非极大值抑制获得不同尺度下Gabor幅值响应的最大值，从而确定每个像素点特征提取的最优尺度。
设每幅云图包含N个像素点，对所有像素点都进行非极大值抑制运算，得到N个幅值矩阵，然后对所有幅值矩阵计算平均值，得矩阵
式中M i pixel 是第i个像素点的幅值，
是所有像素点的平均幅值。操作能有效消除因非极大值抑制误判而产生的噪声干扰，图像编码特征的鲁棒性。
假设云图像分辨率为D 1 ×D 2 像素，经过5个尺度、８个方向的Gabor变换，得到40幅同等分辨率的云图Gabor特征图，特征维数为D 1 ×D 2 ×5×8。一幅云图经特征编码后，最终输出编码特征的维数降为５×８，显然Gabor特征得到较大程度压缩。
云图Gabor特征图编码，将平均幅值矩阵
转化为向量形式
（2）卷积自动编码器
卷积自动编码器（convolutional auto-encoder, CAE）以自动编码器为基本架构，将卷积网络中的卷积和池化操作融入编码过程，将卷积和池化的反向操作引入解码过程，通过最小化输入和输出的重构误差指导网络参数学习。能够有效解决云图由于采集环境中的复杂因素干扰产生的小样本和不可靠标注问题。
CAE中的编码单元包含卷积、池化和全连接层，解码单元则由全连接、反池化和反卷积层构成，通过最小化重构数据与输入数据的均方误差实现云图特征的无监督学习。
1）编码单元
卷积层：假设输入图像为x，卷积层特征提取过程为
式中：F i 表示卷积层的第i个特征图，f(•)为卷积层神经元激活函数。W i 为对应于第i个特征图的卷积核，b i 表示卷积层的第i个特征图的偏置项。
池化层：防止神经网络训练过拟合，降低网络对形变或者位移的敏感性。采用2×2平均池化对卷积特征图进行处理。
全连接层：将池化后的二维特征图伸展成一维特征，并将该特征进一步通过全连接运算降低到所需的特征维度。
2）解码单元
全连接层：首先采用全连接运算将编码所得一维输出特征提升到所需维度，然后将该一维特征转换为二维特征。
反池化层：以二维特征图及图中每个数据点的位置索引为输入，按一定的步长和池化核大小恢复特征在池化运算前的特征图，其余位置补０。
反卷积层：与正向卷积运算相似，但运算中所用权重为卷积运算中权重的转置，反卷积运算为
式中：c是对应于每个输入二维特征图的偏差，表示运算中的全部通道数，F i 为第i个通道的特征图，W i T 为权重W i 的转置。
采用多级卷积自动编码器级联的方式，构建小规模卷积自动编码网络用于小样本下的云图深度特征提取，网络架构如图2所示。
解码过程为编码过程的逆操作，解码输出为二维图像x ' i ，重构误差函数为
式中，m是训练样本数量，x i 和x ' i 分别表示第i个输出样本，
是模型的待求解参数，λ是正则化系数。
经卷积自动编码网络训练获得最优编码单元和解码单元，截取其中的编码单元与Gabor特征提取模块融合构建一种对称双子网网络架构，如图3。该编码单元捕获云图最具代表性的非线性深度特征，并与Gabor编码特征串联融合作为云图最终输出特征用于云图相似计算。
图3的相似度计算公式为
式中，τ为待分类云图与已知云图的相似度，A为待分类云图的融合特征，B为已知云图的分类特征。τ≥0.9时，认为待分类云图与已知云图属于同类。
第二阶段：基于多源异构气象数据融合的BP神经网络模型
本申请将预处理后的结构化气象数据、第一阶段处理后的非结构化气象数据、负荷、日期类型数据等进行样本拼接，形成BP神经网络的输入，构建基于多源异构气象数据融合的BP神经网络模型，基于训练后的模型对区域电网短期负荷进行预测。
BP神经网络属于一种多层前馈神经网络，具有较强的非线性映射能力，多用于函数拟合、模型识别分类、时间序列预测等场景。BP神经网络有输入层、中间隐含层和输出层构成，其拓扑结构如图4所示。
典型的BP神经网络是三层网络模型。设经过数据预处理后的结构化气象数据、负荷数据、日期类型数据以及经过第一阶段处理后的非结构化气象云图数据形成的输入向量为
其中，当n=6时，x 1为前一天同一时刻的负荷；x 2为温度；x 3为相对湿度；x 4为降雨量；x 5为日期类型；x 6为云图类型。
隐含层的输出向量为
输出层输出向量为
期望输出的向量为
其中， m为中间隐含层的节点数，l为输出层的输出节点数，d 1、d 2、…d l分别为对应气象分区的期望输出负荷。
本申请采用反向传播算法进行寻优，算法的基本原理是实际的输出值与期望的输出值之间作为误差的信号，误差信号从输出层逐层开始反向传播，权值再传播过程中不断调整，误差不断缩小，最后权重经过不断修正，使得该神经网络结果更加接近于期望输出。
BP神经网络算法步骤如下：
步骤一：初始化网络。在（-1, 1）区间上选择随机数对网络各个连接权重进行赋值，并且设定误差和网络最大的迭代次数。
步骤二：训练网络模型
（1）隐含层的输出
其中，j=1,2,…,m，
（2）输出层的输出
其中，k=1,2,…,l，
函数f 1、f 2的转移函数均为Sigmoid函数
f（x）连续并且可导，导数为
步骤三：对期望输出于实际输出，计算各层的误差函数
对于输入层，误差函数为
步骤四：利用误差反向传播的思想进行误差计算并且调整网络权重
进一步推导得到误差信号为
通过不断地调整权重，使得误差不断减少，调整权重的量，误差于梯度下降的方向成正比例关系，用如下公式表达
步骤五：计算全局误差
其中，w ij 为输入层与隐含层神经元之间的连接权重，v jk 为输出层神经元之间连接权值，d i 为输出神经元的期望输出，隐含层激励函数为f 1，输出层激励函数为f 2，e为误差函数。
步骤六：流程结束判断依据。判断的依据是看全局误差是否达到初始设置的精度，或者是判断训练次数是否达到初始设置的最大的迭代次数，如果达到结束算法；如果没有达到则需要进入步骤三中继续运行。
本技术方案提出的一种融合多源异构气象数据的区域电网短期负荷预测方法流程如图所示。图5为融合多源异构气象数据的区域电网短期负荷预测方法流程。
模型有效性评价
为了评估本技术方案的预测精度，本文采用平均绝对百分比误差（y MAPE ）和根均方误差（y RMSE ）两种误差评价指标对预测模型的性能优劣进行评估。上述两者的计算值越小，就表示负荷预测结果越准确。
n为预测结果的总个数；y real (i)、y fore (i)为第i个时刻的负荷的实际值和预测值。
与现有技术相比，本发明至少可实现如下有益效果之一：
1、通过全天空成像仪拍摄获取云图图像，利用拍摄镜头和数字成像系统定时拍摄获取全天空可见光红、绿、蓝三波段图像数据；对气象数据进行预处理；建立Gabor过滤器-卷积神经网络的云图分类判别模型，并利用判别模型对预处理的云图数据进行分类处理以将云图数据（即，非结构化数据）转换为结构化数据以能够在编码过程中进行降维处理以减少工作量，提高分类效率并消除采集环境的复杂因素干扰，进而提高区域电网负荷的预测速度和准确性。将分类的云图数据（即，结构化数据）与其他气象数据（即，结构化数据）进行融合，以形成气象数据集合；利用气象数据集合作为负荷预测模型的输入，与气象数据相对应的气象分区的负荷作为输出，利用负荷预测模型预测各气象分区的负荷。
2、融合结构化气象数据和非结构化气象数据，构建复合数据体系与负荷之间的复杂映射关系，充分挖掘非结构化气象数据对负荷的影响，有助于提高区域电网短期负荷预测精度。
3、利用每个方向的二进制编码之和，在不减少图像纹理特征信息以便进行多尺度分析的前提下，有效地降低了特征维数，并将平均幅值矩阵转化的向量形式的云图Gabor特征编码，能够有效抑制因非极大值抑制误判而产生的噪声干扰。卷积自动编码器将卷积和池化操作融入编码过程，将卷积和池化的反向操作引入解码过程，以通过最小化输入和输出的重构误差指导网络参数学习，以获得最优编码单元和解码单元。截取最优编码单元并通过最优编码单元获得卷积自动编码器特征以捕获云图最具代表性的非线性深度矩阵。
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。
Claims (8)
1.一种基于异构气象数据融合的区域电网负荷预测方法，其特征在于，包括：
确定区域电网内的各个气象分区中的影响负荷的气象数据，其中，所述气象数据包括通过全天空成像仪拍摄获取的云图数据；
对所述气象数据进行预处理；
建立Gabor过滤器-卷积自动编码器的云图分类判别模型，并利用所述判别模型对预处理的云图数据进行预测分类处理，其中，利用所述判别模型对预处理的云图数据进行预测分类处理包括：通过所述Gabor过滤器-卷积自动编码器对所述预处理的云图数据进行特征提取以分别获得云图Gabor特征编码和卷积自动编码器特征；将所述卷积自动编码器特征与所述云图Gabor特征编码串联融合以获得融合特征；以及基于待分类云图的融合特征和已知云图分类的融合特征计算待分类云图和已知云图之间的相似度，并通过所述相似度判断待分类云图类别；
将分类的云图数据与其他气象数据进行融合，以形成气象数据集合，其中，所述其他气象数据包括气压、温度、降水量、相对湿度、风速、风向、日期类型；
建立BP神经网络的负荷预测模型，其中，利用所述气象数据集合作为所述BP神经网络的输入，与所述气象数据相对应的气象分区的负荷作为输出；以及
利用所述负荷预测模型预测各气象分区的负荷。
2.根据权利要求1所述的基于异构气象数据融合的区域电网负荷预测方法，其特征在于，通过所述Gabor过滤器-卷积自动编码器对所述预处理的云图数据进行特征提取进一步包括：
对云图图像进行卷积计算并将卷积计算结果的卷积图像幅值作为提取的Gabor特征以增强云图特征级数据；
对每个像素点的Gabor特征进行编码运算以获得每个像素点的5个尺度和8个方向幅值矩阵；
对云图的全部像素点进行非极大值抑制运算以获得所有幅值矩阵；以及
对所有幅值矩阵计算平均值以获得所述全部像素点的平均幅值矩阵并将所述平均幅值矩阵转化为向量形式，作为云图Gabor特征编码。
3.根据权利要求1或2所述的基于异构气象数据融合的区域电网负荷预测方法，其特征在于，通过所述Gabor过滤器-卷积自动编码器对所述预处理的云图数据进行特征提取进一步包括：
通过编码单元和解码单元重构误差函数并通过最小化所述误差函数实现云图特征的无监督学习以获得最优编码单元和解码单元；以及
截取所述最优编码单元并通过所述最优编码单元获得所述卷积自动编码器特征，其中，
所述编码单元包括：卷积层，用于对输入图像进行卷积计算和偏置处理以获得卷积特征图；池化层，用于对所述卷积特征图进行池化处理以获得二维特征图；以及全连接层，用于将池化的二维特征图伸展成一维特征，并将所述一维特征降低到所需的特征维度以获得一维输出特征；
所述解码单元包括：全连接层，将所述一维输出特征提升到所需维度的一维特征维度并将所述一维特征转换为二维特征图；反池化层，用于以所述二维特征图及其中的每个数据点的位置索引为输入，按步长和池化核大小恢复特征在池化运算前的特征图，其余位置补0；以及反卷积层，用于对池化运算前的特征图进行反卷积计算以获得二维图像。
4.根据权利要求1所述的基于异构气象数据融合的区域电网负荷预测方法，其特征在于，其中，对所述气象数据进行预处理包括：
通过移动平均法对异常气象数据进行处理；
使用最大-最小值法对所述气象数据进行归一化处理以将气象数据转换为[0,1]范围内的数据；以及
将采集到的彩色云图数据进行灰度化处理以降低云图颜色通道数。
5.根据权利要求4所述的基于异构气象数据融合的区域电网负荷预测方法，其特征在于，所述分类的云图数据包括雨层云、积雨云、卷积云和非降雨云，并且分别用1、2、3和4来表示所述分类的云图数据，其中，
对所述分类的云图数据进行预处理，以获得在[0, 1]范围内的结构化数据。
6.根据权利要求5所述的基于异构气象数据融合的区域电网负荷预测方法，其特征在于，所述BP神经网络包括：输入层、中间隐含层和输出层，
所述输入层的输入向量为：
其中，当n=6时，x 1为前一天同一时刻的负荷；x 2为温度；x 3为相对湿度；x 4为降雨量；x 5为日期类型；x 6为云图类型；
所述中间隐含层的输出向量为：
所述输出层的输出向量O为预测的对应气象分区的负荷，所述输出层的输出向量为：
期望输出的向量为：
其中，m为中间隐含层的节点数，l为输出节点的数量，d 1、d 2、…d l分别为对应气象分区的期望输出负荷。
7.根据权利要求6所述的基于异构气象数据融合的区域电网负荷预测方法，其特征在于，所述BP神经网络的算法步骤包括：
初始化网络，在（-1,1）区间上选择随机数对网络各个连接权重进行赋值，并且设定误差和网络最大的迭代次数；
训练网络模型：其中，训练过程中，
所述中间隐含层的输出为：
其中，j=1,2,…,m，
所述输出层的输出为：
其中，k=1,2,…,l，
函数f 1、f 2的转移函数均为Sigmoid函数：
基于期望输出与实际输出计算各层的误差函数：
对于输入层，误差函数为：
利用误差反向传播进行误差计算并且调整网络权重：
推导得到误差信号为：
通过不断地调整权重，使得误差不断减少：
计算全局误差：
根据全局误差是否达到初始设置的精度，或者是判断训练次数是否达到初始设置的最大的迭代次数，达到结束算法；否则继续计算各层的误差函数、调整网络权重以及计算全局误差，其中，w ij 为输入层与隐含层神经元之间的连接权重，v jk 为输出层神经元之间连接权值，d k 为输出神经元的期望输出，隐含层激励函数为f 1，输出层激励函数为f 2，e为误差函数。
8.一种基于异构气象数据融合的区域电网负荷预测装置，其特征在于，包括：
气象数据确定模块，用于确定所述区域电网内的各个气象分区中的影响负荷的气象数据，其中，所述气象数据包括通过全天空成像仪拍摄获取的云图数据；
预处理模块，用于对所述气象数据进行预处理；
云图分类判别模型，用于建立Gabor过滤器-卷积自动编码器的云图分类判别模型，并利用所述判别模型对预处理的云图数据进行预测分类处理，其中，利用所述判别模型对预处理的云图数据进行预测分类处理包括：通过所述Gabor过滤器-卷积自动编码器对所述预处理的云图数据进行特征提取以分别获得云图Gabor特征编码和卷积自动编码器特征；将所述卷积自动编码器特征与所述云图Gabor特征编码串联融合以获得融合特征；以及基于待分类云图的融合特征和已知云图分类的融合特征计算待分类云图和已知云图之间的相似度，并通过所述相似度判断待分类云图类别；
融合模块，用于将分类的云图数据与其他气象数据进行融合，以形成气象数据集合，其中，所述其他气象数据包括气压、温度、降水量、相对湿度、风速、风向、日期类型；以及
负荷预测模型，用于建立BP神经网络的负荷预测模型，其中，利用所述气象数据集合作为所述BP神经网络的输入，与所述气象数据相对应的气象分区的负荷作为输出；并且利用所述负荷预测模型预测各气象分区的负荷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111184358.0A CN113642676B (zh) | 2021-10-12 | 2021-10-12 | 基于异构气象数据融合的区域电网负荷预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111184358.0A CN113642676B (zh) | 2021-10-12 | 2021-10-12 | 基于异构气象数据融合的区域电网负荷预测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642676A CN113642676A (zh) | 2021-11-12 |
| CN113642676B true CN113642676B (zh) | 2022-02-22 |
Family
ID=78426357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111184358.0A Active CN113642676B (zh) | 2021-10-12 | 2021-10-12 | 基于异构气象数据融合的区域电网负荷预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113642676B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117977587B (zh) * | 2024-04-02 | 2024-06-07 | 南京鼎研电力科技有限公司 | 基于深度神经网络的电力负荷预测系统及方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093288B (zh) * | 2013-02-21 | 2016-03-30 | 江苏省电力公司电力科学研究院 | 基于气象信息的分区电网母线负荷预测系统 |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN105550712B (zh) * | 2015-12-23 | 2019-01-08 | 西安电子科技大学 | 基于优化卷积自动编码网络的极光图像分类方法 |
| CN105678406A (zh) * | 2015-12-31 | 2016-06-15 | 国网湖北省电力公司 | 一种基于云模型的短期负荷预测方法 |
| CN108763820A (zh) * | 2018-06-13 | 2018-11-06 | 国网江苏省电力有限公司电力科学研究院 | 一种基于堆栈自编码器的气象敏感负荷功率估算方法 |
| CN110222888A (zh) * | 2019-05-27 | 2019-09-10 | 深圳供电局有限公司 | 一种基于bp神经网络的日平均电力负荷预测方法 |
| CN112507793B (zh) * | 2020-11-05 | 2023-08-08 | 上海电力大学 | 一种超短期光伏功率预测方法 |
| CN112561207A (zh) * | 2020-12-25 | 2021-03-26 | 浙江华云电力工程设计咨询有限公司 | 一种考虑气象因素的电网负荷预测方法、装置和电力系统 |
| CN112818978B (zh) * | 2021-03-22 | 2024-04-09 | 东南大学 | 基于多分辨自动编码器的光学符号识别方法 |
| CN113112085A (zh) * | 2021-04-22 | 2021-07-13 | 国网山东省电力公司德州市陵城区供电公司 | 一种基于bp神经网络的新能源场站发电负荷预测方法 |
-
2021
- 2021-10-12 CN CN202111184358.0A patent/CN113642676B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113642676A (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112991354B (zh) | 一种基于深度学习的高分辨率遥感影像语义分割方法 | |
| CN112668494A (zh) | 基于多尺度特征提取的小样本变化检测方法 | |
| CN110728658A (zh) | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 | |
| CN112446419A (zh) | 基于注意力机制的时空神经网络雷达回波外推预报方法 | |
| CN115223063B (zh) | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 | |
| CN112950780B (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
| CN112686207A (zh) | 一种基于区域信息增强的城市街道场景目标检测方法 | |
| CN116612103B (zh) | 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统 | |
| CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
| Jang et al. | Neural network application for cloud detection in SPOT VEGETATION images | |
| CN113642676B (zh) | 基于异构气象数据融合的区域电网负荷预测方法和装置 | |
| CN114120036A (zh) | 一种轻量化的遥感图像云检测方法 | |
| CN116152206A (zh) | 一种光伏输出功率预测方法、终端设备及存储介质 | |
| CN116385902A (zh) | 一种遥感大数据处理方法、系统及云平台 | |
| CN117233869B (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
| CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
| CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
| CN112446256A (zh) | 一种基于深度isa数据融合的植被类型识别方法 | |
| Kumawat et al. | Time-Variant Satellite Vegetation Classification Enabled by Hybrid Metaheuristic-Based Adaptive Time-Weighted Dynamic Time Warping | |
| CN114511787A (zh) | 一种基于神经网络的遥感图像地物信息生成方法及其系统 | |
| Jing et al. | Time series land cover classification based on semi-supervised convolutional long short-term memory neural networks | |
| CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 | |
| CN113642677B (zh) | 一种区域电网负荷预测方法和装置 | |
| CN117115566B (zh) | 利用全季节遥感影像的城市功能区识别方法及系统 | |
| CN114565858B (zh) | 基于地理空间感知低秩重建网络的多光谱影像变化检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |