一种基于行业关系复杂网络的行业用电量预测方法与流程

本发明涉及智能电网领域，主要涉及一种基于行业关系复杂网络的行业用电量预测方法。

背景技术：

1、行业用电量预测在现代电力系统研究领域中是一个重要研究方向，对于电力系统规划、电力市场交易、行业政策制定等多个方面具有重要意义，现有的行业用电量的预测主要分为两类：基于电量数据时序发展规律的方法，主要有回归分析、灰度预测、指数平滑法及差分自回归移动平均法，例如cn114444397a《一种基于用户画像数据模型的短期用电量预测算法》；将外部因素与历史数据结合的预测方法，主要有模糊预测、lasso模型、支持向量机、人工神经网络，例如cn115619025a《基于meemd与最优组合集成的电力负荷三角模糊预测方法》；更进一步的，专利cn114331101a《行业用电量预测方法》公开了“一种行业用电量预测方法，本发明方法其通过相关性系数，对行业用电因素进行筛选，仅保留了相关性高的因素，并在此基础上，通过聚类模型对筛选后的数据进行聚类，使得数据量进一步得到压缩。最后，通过预测模型获取行业用电量预测结果”，该发明筛选获得相关性的相关变量步骤较为简单，无法准确表征相关性因素与用电数据之间的关联；而cn116777049a《一种用户用电量预测方法及系统》公开了“一种用户用电量预测方法及系统，涉及用电量预测领域，以用电量的影响因素为特征，获取不同特征值下的历史用电量，以时段的用电量及特征值为一个样本，通过调整划分时段的时长，获取多个尺度的时序样本数据集；构建多尺度用电量预测模型，基于多个尺度的时序样本数据集对模型进行训练；利用训练好的多尺度用电量预测模型，预测下一时段用户用电量”，该发明基于长短期记忆网络lstm和混合密度网络mdn，考虑用电量的不确定性和影响因素的多样性，构建多尺度用电量预测模型，但该发明仅考虑了时间特征忽略了空间特征的相关性对预测模型的影响，可能导致对不同地点的用电量预测效果不一致，准确率受限。

技术实现思路

1、为了解决现有技术所存在的上述问题，本技术提供了一种基于行业关系复杂网络的行业用电量预测方法。

2、本技术的技术方案如下：

3、一种基于行业关系复杂网络的行业用电量预测方法，所述方法包括：

4、步骤1：获取行业用电量数据并进行数据清洗，获得清洗后的数据集；

5、步骤2：利用所述数据集，根据各个行业之间的相关系数构建距离矩阵，基于所述距离矩阵使用普里姆prim算法获得最小生成树mst，根据mst构造对应算法生成平面最大过滤图pmfg；

6、步骤3：基于所述pmfg，利用鲁汶louvain算法将行业划分到不同的社区中进行社区分类，获得社区分类结果；

7、步骤4：确定目标行业，根据社区分类结果选择相关行业，构建多图卷积与长短期记忆模型mgc-lstm，利用所述mgc-lstm模型进行行业用电量的预测。

8、优选的，所述数据清洗具体为使用插值的方法处理行业用电量数据中的异常值和缺失值。

9、优选的，利用所述数据集，计算各个行业之间的皮尔逊相关系数ρij，根据所述皮尔逊相关系数度量距离获得距离矩阵，其中，根据所述皮尔逊相关系数度量距离dij以公式表达为：

10、

11、优选的，基于所述距离矩阵使用普里姆prim算法获得最小生成树mst具体为：

12、初始化节点集合vnew和边集合enew，将任意一个节点作为起始节点x，将所述起始节点x添加到vnew中，enew为空集；

13、遍历距离矩阵的行或列，找到与节点v最近的节点u，将距离最小的节点对<u,v>添加到最小生成树的边集合enew，其中u∈vnew，将顶点v加入节点集合vnew中，重复该步骤直至节点集合vnew包含所有节点；

14、通过vnew和enew构建最小生成树的结构。

15、优选的，根据mst构造对应算法生成平面最大过滤图pmfg具体为：

16、将最小生成树mst边集合中所有边的权重按大小顺序组成权重向量w1；

17、通过计算距离矩阵中每行的最小值获得向量w2；

18、合并w1和w2生成新的向量a，所述向量a通过与边集合中的权重进行比较，确定向量a对应的边，将所述对应的边进行连接，生成平面图；

19、将距离矩阵按照升序或降序排列，获得距离排序向量b；

20、判断排序向量b中的元素是否属于向量a，如果不属于，则将该元素所在的边加入平面图，若该元素所在的边加入平面图后，平面图保持平面性，则确定将此边加入平面图，否则将其剔除，重复该步骤直至平面图中边的数量大于等于3n-6；

21、获得最终的平面最大过滤图pmfg。

22、优选的，基于所述pmfg，利用鲁汶louvain算法将行业划分到不同的社区中进行社区分类，获得社区分类结果具体为：

23、将平面最大过滤图pmfg中每个节点作为一个原始社区，计算将每个节点加入不同邻居社区时每个原始社区的模块化指数增量δq，所述节点选择增量δq最大的原始社区加入，其中，计算模块化指数增量δq以公式表达为：

24、ki＝∑jaij；

25、式中，∑tot为将节点加入不同邻居社区后，邻居社区内所有节点对应的总度数之和；ki为与该节点相连的边的数量；ki，in为与该节点相连的边的内部权重；m为平面最大过滤图pmfg的总连接权重；aij为从节点i到节点j的连接权重；

26、将加入节点后的原始社区作为新的节点，迭代新的节点加入社区的过程直至模块化指数增量δq小于预设目标值，迭代结束，获得社区分类结果。

27、优选的，确定目标行业，根据社区分类结果选择相关行业具体为：

28、若目标行业所属社区的行业数量小于预设值，则选择社区分类结果中与目标行业相关系数最大的前四个行业；

29、若目标行业所属社区的行业数量大于预设值，则将社区分类结果中与目标行业相邻的行业作为初始行业列表，选择与所述初始行业列表相关系数最大的前四个行业。

30、优选的，所述方法还包括获取目标行业与相关行业的地市地理位置和行业历史用电量数据，根据各个地市的地理位置之间的距离构建邻接矩阵a1，根据行业历史用电量数据的相关系数构建邻接矩阵a2；

31、将邻接矩阵a1和邻接矩阵a2融合获得邻接矩阵a，以公式表达为：

32、a＝pa1+qa2；

33、

34、

35、式中，p和q为可学习参数，di,j为两地市之间的距离，ri,j为两地市同一行业历史用电量数据的相关系数；

36、优选的，构建多图卷积与长短期记忆模型mgc-lstm，利用所述mgc-lstm模型进行行业用电量的预测具体为：

37、利用邻接矩阵a和双层图卷积网络gcn从行业历史用电量数据中提取空间特征，将gcn提取的数据传递到长短期记忆模型lstm中，提取行业历史用电量数据的时间特征；

38、将lstm最后时刻的隐藏状态向量作为线性层的输入，获得对应地市目标行业的用电量预测值。

39、优选的，所述方法还包括将平均绝对误差mae、均方根误差rmse和平均绝对百分比误差mape作为指标衡量多图卷积与长短期记忆模型mgc-lstm的性能，其中：

40、

41、

42、

43、式中，n为行业历史用电量数据数量，yi为行业历史用电量数值，为行业用电量预测值。

44、与现有技术相比，本发明的有益效果是：

45、1)本发明提供了一种基于行业关系复杂网络的行业用电量预测方法，利用行业用电量数据集计算各个行业之间的皮尔逊相关系数，通过相关系数度量距离获得距离矩阵，更准确地刻画行业之间的相似性和关联性；

46、2)本发明提供了一种基于行业关系复杂网络的行业用电量预测方法，基于距离矩阵使用普里姆prim算法获得最小生成树mst，进而构造平面最大过滤图pmfg，更精准的提取行业网络中的核心结构和关键连接，从而更好地理解行业之间的依赖关系；

47、3)本发明提供了一种基于行业关系复杂网络的行业用电量预测方法，利用鲁汶louvain算法将行业划分到不同的社区中进行社区分类，将相似行业聚集到一起，并且将关联程度高的行业放在同一个社区，增强行业间的相似性和联系；

48、4)本发明提供了一种基于行业关系复杂网络的行业用电量预测方法，构建多图卷积与长短期记忆模型mgc-lstm，可以结合空间特征和时间特征进行用电量预测，提高预测的准确性和可解释性，从而为行业用电量管理和规划提供有益参考。