技术摘要：
本发明公开了一种基于CNN和LSTM的电力系统负荷预测方法，涉及电力技术领域，该方法将历史时间序列数据按照电力系统负荷的周期性转换为负荷图片，利用预先基于CNN网络训练得到的特征提取模型提取得到负荷图片中每个像素点的h个时间序列特征，将提取得到时间序列特征的负  全部
背景技术：
电力系统中准确的负荷预测是确保系统安全稳定运行的重要手段之一，同时也为 供电企业的电力调度、电力设施建设等提供了重要依据。电力负荷影响因素众多(如社会因 素、政策因素、气象因素、节假日因素等)，这些数据通常都会影响到电力的使用。因此，如何 恰当使用这些因素的数据通过这些不同方面的影响因素来预测符合是提高预测精度的关 键问题。 为此，相关技术中有使用CNN(Convolutional  Neural  Networks，卷积神经网络) 提取周期性负荷特征的做法，但其不具备在时间轴上的传播计算能力，预测精度不高。也有 使用LSTM(Long-Short  Term  Memory，长短期记忆神经网络)预测电力负荷的做法，但其没 有考虑到负荷的周期性，导致负荷预测的准确性仍旧较低。
技术实现要素：
本发明人针对上述问题及技术需求，提出了一种基于CNN和LSTM的电力系统负荷 预测方法，该方法包括： 获取电力系统负荷的历史时间序列数据，历史时间序列数据包括历史N个时间片 段的电力负荷数据； 并将历史时间序列数据按照电力系统负荷的周期性转换为负荷图片，负荷图片中 每个像素点均表示每个时间片段的电力负荷数据； 利用预先基于CNN网络训练得到的特征提取模型提取得到负荷图片中每个像素点 的h个时间序列特征； 将提取得到时间序列特征的负荷图片再次转换为时间序列得到第一时间序列，第 一时间序列包括N个时间片段各自对应的h个时间序列特征； 将第一时间序列输入预先基于LSTM网络训练得到的负荷预测模型，负荷预测模型 输出电力系统负荷的预测值。 本发明的有益技术效果是： 本申请公开了一种基于CNN和LSTM的电力系统负荷预测方法，该方法将CNN和LSTM 进行结合，提高了对隐式的时间序列特征的提取能力以及时间轴上的计算能力，克服了CNN 和LSTM各自的缺点，对于拥有周期性和长时间依赖性的电力系统负荷的预测有较大的意 义，有利于提高预测的精度和准确性，具有较高的应用价值。 附图说明 图1是本申请公开的电力系统负荷预测方法的方法流程示意图。 图2是利用本申请的方法进行预测的结果与利用单模型CNN和单模型LSTM模型进 4 CN 111582943 A 说　明　书 2/4 页 行预测的结果的对比示意图。