一种基于时间图卷积的短期电力负荷时空预测方法与流程

本发明属于电力系统运行优化，具体涉及一种基于时间图卷积的短期电力负荷时空预测方法。

背景技术：

1、随着新型电力系统的建设与发展，新能源发电的不确定性严重影响着电网的安全、稳定，对电力系统的灵活性提出了更高的要求，电力负荷预测是帮助实现电能供需平衡、充分发挥需求侧资源灵活性的重要工具，准确的负荷预测对电力系统的运行控制、调度和规划有着重要意义，然而，在当今电网智能化、电能需求多元化的背景下，电力负荷在经济、气候和地理等多种因素的影响下呈现出较强的波动性和随机性，给准确的负荷预测带来了挑战；目前，常见的电力负荷预测方法主要分为传统预测模型和基于机器学习的模型两类，传统预测模型主要是通过统计学方法分析历史负荷序列的规律来实现对未来负荷的预测，例如多元回归法、随机森林和指数平滑法等，传统方法模型简单、计算速度快，应用场景一般为节点级的负荷预测，但当下负荷在多种因素的影响下具有强非线性特征，传统模型难以进行处理，随着技术发展，智能量测设备的普及为负荷预测提供了海量准确的数据，基于大数据的机器学习预测模型得到了广泛关注，其中代表包括支持向量机(svm)和人工神经网络(ann)及其变体，数据驱动的机器学习方法能够从复杂非线性序列中提取出抽象特征，因此预测精度更高、鲁棒性更强，然而，以上方法考虑的都是单一负荷节点的历史数据和相关的气象、节假日等因素的影响，而忽略了同一区域内不同节点用电行为的空间相关性；因此，提供一种有效捕获空间相关性、构造负荷预测的时空信息图、误差小、精度高的一种基于时间图卷积的短期电力负荷时空预测方法是非常有必要的。

技术实现思路

1、本发明的目的是为了克服现有技术的不足，而提供一种有效捕获空间相关性、构造负荷预测的时空信息图、误差小、精度高的一种基于时间图卷积的短期电力负荷时空预测方法。

2、本发明的目的是这样实现的：一种基于时间图卷积的短期电力负荷时空预测方法，所述的方法包括以下步骤：

3、步骤1：根据电力网络的拓扑信息构造利用图邻接矩阵，并根据节点的负荷历史数据构造特征矩阵，二者共同形成包含负荷时空特征的信息图；

4、步骤2：利用图卷积网络在处理非欧氏图结构的数据方面的优越性，发掘同一区域内节点负荷的空间相关性，利用门控循环网络发掘历史负荷序列的时间相关性；

5、步骤3：将负荷时空信息图输入tgcn模型进行训练并预测。

6、所述的步骤1中的根据电力网络的拓扑信息构造利用图邻接矩阵，并根据节点的负荷历史数据构造特征矩阵，二者共同形成包含负荷时空特征的信息图具体为：图是一种用于表示对象与对象之间的关系的数据结构，图中各对象之间的关系表示为图的边，将对象之间的相互关系建模为图结构，便于以系统性的方式理解复杂的网络结构，解决了cnn在处理非欧式结构数据时难以定义卷积核的问题。

7、所述的步骤1中的图的表达式为g＝(v,e)，其中v和e分别为节点和边的集合，gcn网络有两个输入，分别为邻接矩阵a和特征矩阵x，邻接矩阵用以描述图中各节点的拓扑结构，特征矩阵为每个节点特征向量xi的集合，一个gcn层以{x,a}作为输入并生成n×d维的输出h，n为节点数量，d为每个节点的输出特征数量，对应关系以非线性函数f(x,a)表示，则gcn的传播规则定义为：其中：为矩阵的对角节点度矩阵，wl为网络中第l层的权重；σ为激活函数；hl是网络中第l层的输出，ho＝x。

8、所述的步骤2中的利用图卷积网络在处理非欧氏图结构的数据方面的优越性，发掘同一区域内节点负荷的空间相关性，利用门控循环网络发掘历史负荷序列的时间相关性具体为：基于同一区域内多个节点的历史负荷数据，结合电力网络的拓扑结构来预测未来一定时间步长的负荷；通过拓扑关系来获取中心节点与邻近节点之间的空间特征，在时间维度上用前时刻的历史负荷来预测未来时刻的负荷值。

9、所述的步骤2中的门控循环网络gru具体为：gru由重置门和更新门构成，z(t)和r(t)分别表示在当前时间步t下更新门和重置门的值；为当前时间步t下的候选输出，其值由前一时间步t-1的输出h(t-1)、r(t)和输入x(t)共同确定；单层gru重置门、更新门、候选输出和gru输出的计算公式为：z(t)＝σ(wzx(t)+uzh(t-1)+bz)，r(t)＝σ(wrx(t)+urh(t-1)+br)，其中：wz、wr、w为前馈权重矩阵；uz、ur、u为循环权重矩阵；bz、br、b为偏置参数；σ为sigmoid激活函数。

10、所述的步骤3中的将负荷时空信息图输入tgcn模型进行训练并预测具体为：tgcn模型能够处理复杂的多元时空序列问题，一方面利用图卷积网络来发掘各节点负荷之间的潜在联系，获取其空间相关性；另一方面，使用门控循环网络发掘负荷的动态变化规律，获取其时间相关性，最终实现电力负荷的时空预测。

11、所述的步骤3中的基于tgcn的电力负荷时空预测模型具体为：根据图神经网络的定义，包含区域内负荷时空特征的图可以表示为g＝(v,e)，其中v表示系统节点的集合，e为节点之间边的集合，负荷预测的目标是基于同一区域内多个节点的历史负荷数据，结合电力网络的拓扑结构来预测未来一定时间步长的负荷，假设图中浅色节点为预测中心节点，虚线箭头表示图卷积过程中通过拓扑关系来获取中心节点与邻近节点之间的空间特征，在时间维度上用前t个时刻的历史负荷来预测未来p个时刻的负荷值，首先，将电力网络中的负荷节点视为图节点，设x＝{x1,x2,...,xn}表示网络中n个节点的历史负荷数据，其中xi＝[xi1,xi2,...,xit]表示第i个节点历史数据序列，n×t阶节点特征矩阵表示网络中的节点负荷数据，t为模型输入历史数据的时间尺度，将各节点之间的联络线视为图的边，使用线路拓扑来定义邻接矩阵a，若节点ij之间存在联络线，则对应元素aij＝1，反之则为0，综上所述，利用网络拓扑g和节点特征矩阵x实现负荷的时空序列预测问题可以用公式来表示：其中：f表示神经网络的学习映射函数。

12、所述的步骤3中的基于tgcn的时空负荷预测模型具体为：提出了基于tgcn的时空负荷预测模型，预测模型主要由gcn和gru两部分构成，a为网络的邻接矩阵，gcn为图卷积过程；输入量是网络拓扑信息和节点负荷历史数据，输出量为节点的未来负荷值。

13、所述的预测结果评价具体为：为了对模型预测的性能进行清晰直观的评价，选择均方根误差rmse和平均绝对误差mae进行评价，公式为：其中，yt、和分别为真实负荷和预测负荷；n为样本点数。

14、本发明的有益效果：本发明为一种基于时间图卷积的短期电力负荷时空预测方法，在使用中，本发明方法能够利用电力网络的拓扑信息和节点负荷历史数据构造图邻接矩阵与特征矩阵，共同形成负荷预测的时空信息图，将传统的一元负荷时间序列预测问题转化为多元时空负荷预测问题，充分发掘电力负荷数据的时空特征，进一步提高负荷预测精度，可为电力系统调节提供有效参考，具有良好的实际应用价值；本发明具有有效捕获空间相关性、构造负荷预测的时空信息图、误差小、精度高的优点。