一种基于图卷积神经网络和迁移学习的电网负荷预测方法技术

本发明专利技术公开一种基于图卷积神经网络和迁移学习的电网负荷预测方法。针对电网负荷数据的时空特性，采用图卷积网络并结合迁移学习方法，设计了一种适用于大范围区域的电网负荷预测方法。本发明专利技术首先将整个电网按区域划分成为多个子区域并单独为每个子区域构建模型进行预测。在模型构建中，采用动态时间规整算法融合时间相似性，利用电网拓扑结构引入图卷积网络提取空间特征，在时域上通过卷积操作提取时间特征，并利用迁移学习方法训练不同区域的网络模型。本发明专利技术方法可减少云端服务器的计算压力，提升了电网负荷预测的准确性，减少模型训练的时间。

【技术实现步骤摘要】
一种基于图卷积神经网络和迁移学习的电网负荷预测方法
本专利技术涉及电网负荷预测
，特别是一种基于图卷积神经网络和迁移学习的电网负荷预测方法。
技术介绍
电网负荷预测对电力系统的用电规划、运行调度等任务起到非常关键的作用。由于电网负荷受各种因素的影响，与所处地区的经济水平、产业结构、气象条件等条件关系紧密，呈现一定的复杂性。另外，电网负荷的变化又具有一定的规律性和周期性。因此，如何对电网负荷进行精确预测是电力系统面临的一个重要问题。然而，以往大部分的研究主要集中在对单一节点负荷或电网总负荷的预测。电网是一个大范围多区域多节点的广域网络，因此，如何综合考虑电网不同区域之间的相关性以及各节点之间的空时特性，以实现快速大范围对电网各个节点的负荷进行精确预测，将具有很大的经济价值和实际意义。用于电网电荷预测的统计主要有两种方法，第一类是基于传统的统计方法，如自回归积分移动平均ARIMA、向量自回归VAR等。这类方法通常需要数据来满足一些假设，但这些电网数据太复杂而不能满足这些假设，因此它们在实际应用中通常预测精度不佳。第二类预测方法是基于数据驱动的方法。在这类方法中，主要基于传统的机器学习，如支持向量回归(SVR)、k最近邻(KNN)、这些方法的性能优于统计方法。然而，这些方法需要许多复杂的特征提取，不适合处理大量复杂的电网数据。随着深度学习的快速发展，许多领域(如图像处理、语音识别)都取得了突破。利用基于深度学习的方法来获取数据的时空相关性，如卷积神经网络(CNN)、循环卷积神经网络(RNN)，这些方法可以用来对电网负荷数据进行有效的预测，但是不能充分提取电网节点间的空间相关性。同时，一般只能对单一节点进行预测。为解决上述问题，本专利技术提出了一种基于图卷积神经网络和迁移学习的电网负荷预测方法。
技术实现思路
本专利技术的目的在于提供一种基于图卷积神经网络和迁移学习的电网负荷预测方法，本专利技术将电网负荷数据的时间相似性和电网拓扑结构融合图卷积神经网络模型的构造中，挖掘电网节点负荷的时空特性，采用迁移学习方法减少不同电网子区域的模型训练时间，有效提升了电网负荷预测的准确性，减少模型训练的时间成本。为实现上述目的，本专利技术的技术方案是：一种基于图卷积神经网络和迁移学习的电网负荷预测方法，包括如下步骤：步骤S1：根据地理位置信息，将要预测的区域划分成多个小区域，每个子区域单独构建一个模型预测该区域的电网负荷；步骤S2：提取每个子区域的电网节点的时空信息，包括电网节点的拓扑结构信息和负荷数据的时间序列信息，采用图卷积神经网络和全连接层构建预测模型；步骤S3：采用子区域所有节点的电网负荷数据，对构建的模型进行训练；步骤S4：采用迁移学习方法，将训练完成的网络模型共享给邻近子区域作为初始训练模型，并对各子区域模型进行训练。在本专利技术实施实例中，在所述步骤S1中，电网区域划分通过如下方式进行：步骤S11：根据地理位置信息，将电网节点拓扑结构划分为多个子图，在每个子图中提取其中连接点多的节点为中心节点，根据这些中心节点划成相似大小的子图。在节点小的子图上采用重叠使用附近区域的部分节点，让子图具有相似的大小。在本专利技术实施实例中，在所述步骤S2中，通过时间规整算法将每个子区域的时空信息融入模型的构建中，采用图卷积神经网络预测电网各节点的负荷。具体如下：步骤S21:利用动态时间规整算法(DynamicTimeWarping)计算子图中不同节点之间的相似性，其计算方法如下：其中(n,m)为两个不同序列的长度，Wnm表示两个序列的距离矩阵，wij为其中的元素，Dist(·)为经典的距离计算函数。步骤S22：根据电网拓扑结构的连通性构造包含空间信息的拓扑图GS。根据动态时间规整算法计算的序列相似度，取其前5％最相似的节点连接起来形成新的拓扑图GST，其中融合了电网节点的时间信息和空间信息。本专利技术实施例中，在所述步骤S3中，具体操作如下：步骤S31：分别采用子区域的所有节点前一周、一天、一小时的电网负荷数据分别进行图卷积操作，提取其中的空间信息，然后在时域上进行卷积运算，提取时间相关性,在网络层中采用ReLU作为激活函数进行非线性变换。将不同时刻的数据所提取的特征进行融合，最后通过全连接层进行预测。步骤S32：将构建的模型预测输出与真实值对比，计算损失值，对模型进行优化，采用均方误差为损失函数，然后使用反向传播算法对框架的参数进行不断优化，反向传播算法中不断计算参数梯度，并使用RMSprop算法不断自适应学习率，优化参数，使模型达到最优解。本专利技术实施例中，所述步骤S4中，采用迁移学习方法，将训练好的模型作为邻近区域的初始模型，迁移目标一般选择与源区域相似或者距离相近的子区域，并采用各子区域的电网负荷数据，对模型进行训练。相较于现有技术，本专利技术具有以下有益效果：本专利技术提出的一种基于图卷积神经网络和迁移学习的电网负荷预测，可克服现有方法中基于云计算导致的计算量太大的缺点，同时在模型中融入了电网负荷数据的空时相关性，从而提高预测精度。采用迁移学习克服了训练时间长的缺点，提高了模型训练的效率。附图说明图1是本专利技术实施例中的整体模型框架。具体实施方式下面结合附图，对本专利技术的技术方案进行具体说明。本专利技术的一种基于图卷积神经网络和迁移学习的电网负荷预测方法，如图1所示，具体按照如下步骤实现:步骤S1：根据地理位置信息，将电网节点拓扑结构划分为多个子图，在每个子图中提取其中连接点多的节点为中心节点，根据这些中心节点划成相似大小的子图。在具体拆分时，应尽量将图划分为节点数相似的区域，但是在具体实施的过程中很难保证一样，可以采用补零的方法，或者重叠使用不同区域的节点，让子图具有相似的大小。步骤S2：提取每个子区域的电网节点的时空信息，包括电网节点的拓扑结构信息和负荷数据的时间序列信息，采用图卷积神经网络和全连接层构建预测模型；首先，利用动态时间规整算法(DynamicTimeWarping)计算子图中不同节点之间的相似性，其计算方法如下：其中(n,m)为两个不同序列的长度，Wnm表示两个序列的距离矩阵，wij为其中的元素，Dist(·)为经典的距离计算函数。进一步，根据电网拓扑结构的连通性构造包含空间信息的拓扑图GS。根据动态时间规整算法计算的序列相似度，取其前5％最相似的节点连接起来形成新的拓扑图GST，其中融合了电网节点的时间信息和空间信息。步骤S3：采用子区域所有节点的电网负荷数据，对构建的图卷积网络模型进行训练；首先，分别采用子区域的所有节点前一周、一天、一小时的电网负荷数据分别进行图卷积操作，提取其中的空间信息，然后在时域上进行卷积运算，提取时间相关性,在网络层中采用ReLU作为激活函数进行非线性变换。将不同时刻的数据所提取的特征进行融合，最后通过全连接层进行预测。图卷积如下所示；gθ*Gx＝gθ(UΛUT)x＝Ugθ(L)xUTx上式本文档来自技高网...

【技术保护点】
1.一种基于图卷积神经网络和迁移学习的电网负荷预测方法，其特征在于：包括如下步骤，/n步骤S1：根据地理位置信息，将要预测的区域划分成多个小区域，每个子区域单独构建一个模型预测该区域的电网负荷；/n步骤S2：提取每个子区域的电网节点的时空信息，包括电网节点的拓扑结构信息和负荷数据的时间序列信息，采用图卷积神经网络和全连接层构建预测模型；/n步骤S3：采用子区域所有节点的电网负荷数据，对构建的模型进行训练；/n步骤S4：采用迁移学习方法，将训练完成的网络模型共享给邻近子区域作为初始训练模型，并对各子区域模型进行训练。/n

【技术特征摘要】
1.一种基于图卷积神经网络和迁移学习的电网负荷预测方法，其特征在于：包括如下步骤，
步骤S1：根据地理位置信息，将要预测的区域划分成多个小区域，每个子区域单独构建一个模型预测该区域的电网负荷；
步骤S2：提取每个子区域的电网节点的时空信息，包括电网节点的拓扑结构信息和负荷数据的时间序列信息，采用图卷积神经网络和全连接层构建预测模型；
步骤S3：采用子区域所有节点的电网负荷数据，对构建的模型进行训练；
步骤S4：采用迁移学习方法，将训练完成的网络模型共享给邻近子区域作为初始训练模型，并对各子区域模型进行训练。


2.根据权利要求1所述的一种基于图卷积神经网络和迁移学习的电网负荷预测方法，其特征在于：在所述步骤S1中，区域划分通过如下方式进行：
步骤S11：根据地理位置信息，将电网节点拓扑结构划分为多个子图，在每个子图中提取其中连接点多的节点为中心节点，根据这些中心节点划成相似大小的子图。在节点小的子图上采用重叠使用附近区域的部分节点，让子图具有相似的大小。


3.根据权利要求1所述的一种基于图卷积神经网络和迁移学习的电网负荷预测方法，其特征在于：在所述步骤S2中，具体时空图构造通过如下方式进行：
步骤S21:利用动态时间规整算法(DynamicTimeWarping)计算子图中不同节点之间的相似性，其计算方法如下：max(n，m)≤K≤n+m，其中(n,...

【专利技术属性】
技术研发人员：林巍然，吴志滔，
申请(专利权)人：福建维力能源科技有限公司，
类型：发明
国别省市：福建;35