沈俊豪，沈艳霞

（江南大学物联网技术应用教育部工程研究中心，江苏 无锡 214122）

0 引言

准确的负荷预测能够供电企业的电力调度、电力设施建设等提供重要依据，同时也是确保电力系统安全稳定运行的重要手段之一[1-2]。

然而电力负荷受多个因素的影响，如时间、气温等，具有高维非线性的特点，许多预测模型难以贴切地描述负荷变化，严重影响了预测精度[3-4]。

文中考虑短期电力负荷预测，将CNN模型自动提取隐式特征能力以及LSTM解决时间序列长时间依赖问题的能力相结合，提出采用基于二维CNN特征提取的双向LSTM预测模型，即Conv2D-LSTM预测模型。区别于Conv1D-LSTM模型，文中对时间序列重新排列，变换其数据流通方向，保证其充分提取其高维特征。把CNN提取到的深层特征重新变换为时间序列，再对新的时间序列应用双向LSTM进行预测，提高负荷预测的精度。

1 Conv2D-LSTM负荷预测模型

Conv2D-LSTM模型的流程图如图1所示，图1（a）为输入的历史时间序列，包含实际功率和实际的气象特征，图1（e）为待预测日的气象预报特征。将图1（a）中输入的长时间序列以一天的采样点数为周期转换为二维的图片，采取二维卷积提取序列的周期性特征。接着，将提取到的特征重新转换为长时间序列并与图1（e）中的序列在序列的最后一个维度上进行拼接，输入至双向LSTM中，实现最终的负荷预测。图中，n为输入历史序列的天数，T为一天的采样点数。

图1 Conv2D-LSTM模型流程图

1.1 卷积层

CNN网络能够有效提取图片的特征[5]，二维输入的卷积运算可表示为。……