基于门控时-空图神经网络的广域多母线负荷预测方法技术

本发明专利技术公开了基于门控时

【技术实现步骤摘要】
基于门控时
‑
空图神经网络的广域多母线负荷预测方法


[0001]本专利技术属于广域多母线负荷时
‑
空预测
，具体涉及基于门控时
‑ꢀ
空图神经网络的广域多母线负荷预测方法。

技术介绍

[0002]现代电力系统正向智能化、灵活化和网络化的方向发展，呈现出与以往不同的多元、灵活、关联的复杂形态。母线负荷预测对于电网调度运行的安全性和在线分析决策的准确性具有重要的意义。相较于系统负荷，母线负荷基数较小。加之受天气因素、供电区域用户行为等因素的影响，母线负荷波动性较大、随机性强、变化的趋势不明显，导致其难以精准预测。同时，受各母线供电对象的用电行为差异等因素影响，母线负荷间存在显著区别，难以利用统一的预测模型对多母线负荷进行预测。因此，需构建统一模型对广域多母线负荷进行精准的短期多母线时
‑
空负荷预测。
[0003]短期负荷预测方法主要分为两大类：统计方法和机器学习方法，如LSTM、 TCN、CNN、ARIMA等方法。与统计学习相比，基于机器学习的负荷预测方法能够更有效地捕捉负荷等数据的复杂非线性特征。电力系统运行过程中，不同母线供电区域内如为相同类型用户，则可能存在脱离地理距离限制的相似用电模式，具有潜在时
‑
空耦合关联。因此，计及时
‑
空耦合关联的负荷预测更为准确和可行。在基于机器学习的负荷预测中，Zhang G等人利用CNN 与Seq2Seq方法在欧几里得空间内对多负荷序列进行分析与挖掘，有效提升短期负荷预测精度。Jiang L提出一种基于CNN
‑
LSTM结合的多信息融合负荷预测方法。该方法利用LSTM、CNN分别学习短期与长期用电行为特征，有效提升负荷预测精度。Tae
‑
Young Kim等人提出一种计及时
‑
空关联信息的能耗预测方法，通过CNN与LSMT分别提取空间特征和时域特征，使预测精度得到提升。上述针对家庭、综合能源等进行研究，但方法受限于欧式空间下数据的顺序输入。导致对不同母线负荷数据间的时
‑
空关联性表达不够充分，模型的预测能力有待提升。而从非欧几里得域对多母线负荷序列进行分析与挖掘，不仅不受限于欧式空间下数据的顺序输入，且可有效兼顾当前母线负荷序列与多特定母线负荷间的时
‑
空关联对母线负荷预测的影响，进一步提升预测精度。
[0004]为准确描述电力系统广域多母线负荷间复杂时
‑
空耦合关联，需对各母线在时间断面上进行非电网拓扑约束的跨区域时
‑
空耦合联合建模。充分融合空间结构数据与时间序列数据。将非地理距离约束与脱离电网拓扑约束的各母线负荷间存在的复杂耦合关系映射至相似权时
‑
空图中。结合母线间具有差异性的负荷等特征，构建覆盖空间范围广、时间跨度长的相似权时
‑
空图。因相似权时
‑
空图各节点度数不同(即各节点邻域节点数量不同)，导致针对欧式数据的传统方法(如CNN方法)难以对其进行训练。
[0005]Graph Convolutional Network(GCN)是由不动点理论作为研究基础，由卷积神经网络与图嵌入等思想启发而来，为电力系统内数据的多样化表达和特征挖掘提供了新的技术路线。目前已成功被应用在电价预测、风功率预测、光伏出力预测以及家庭负荷预测等领域。Hang S等人提出一种基于GCN的日前市场边际电价预测方法。该方法充分考虑跨区域输
电条件下影响区域内电价的域外因素，提升节点电价预测精度。Khodayar等人结合图论、图卷积神经网络以及粗糙集，实现风电功率的精准预测。J Simeunovi等人将多站点光伏时序出力数据建模为图结构数据。提出基于GCN的多站点PV预测模型，有效提升光伏出力的预测精度。Lin W等人提出一种基于GCN的家庭负荷预测方法，有效提升家庭负荷预测精度，但没考虑气象、日期等因素对负荷波动的影响。此外，在母线负荷预测中该方法尚未应用。GCN特有的 Spatial Convolution Layer(SCL)可直接处理由节点与边构成的图结构数据，深入挖掘出负荷等数据中蕴含的时
‑
空耦合关联。因此，在母线负荷预测中可有效减少对调度影响较大的离群点(评价指标中)数量。但利用GCN中的 SCL仅能挖掘出母线负荷间的空间域特征，存在对相似权时
‑
空图间的时域特征挖掘不充分的问题。

技术实现思路

[0006]本专利技术的目的是提供基于门控时
‑
空图神经网络的广域多母线负荷预测方法，解决了现有技术中存在的未充分考虑广域空间内多母线负荷间存在的非结构化时
‑
空耦合关联对预测结果影响以及难以对多母线负荷进行统一预测建模的问题，能够实现全域多节点特征增强，有效提升负荷预测精度。
[0007]本专利技术所采用的技术方案是，基于门控时
‑
空图神经网络的广域多母线负荷预测方法，具体按照以下步骤实施：
[0008]步骤1、将某区域的母线作为一个节点，采集一段时间内每个节点的气象特征和每个节点的负荷特征，基于快速最大信息系数筛选负荷特征变化量影响最大的气象特征；
[0009]步骤2、根据筛选后得到的节点气象特征和节点负荷变量构建相似权时
‑ꢀ
空图；
[0010]步骤3、构建时
‑
空图神经网络，对时
‑
空图神经网络中的空间卷积层进行增强，通过空间卷积层对相似权时
‑
空图各节点空间特征进行提取挖掘，输出各时刻的高维特征向量；
[0011]步骤4、构建具有门控机制的GRUL，将各时刻的高维特征向量输入至具有门控机制的GRUL，输出节点未来一天负荷预测结果。
[0012]本专利技术的特点还在于：
[0013]步骤1中基于快速最大信息系数筛选负荷特征变量影响最大的气象特征具体过程为：节点气象特征包括节点温度，降雨量，气压，定义X＝节点温度，降雨量，气压，Y为负荷特征变量，对由X和Y构成的二维空间在X与 Y方向分别进行动态规划与均匀分割形成x*y的网格G，固定网格划分数，通过改变网格划分位置，得到不同的互信息值，最大互信息值表示为：
[0014][0015]式中：x与y表示在特征变量X与Y方向的区间划分；D表示气象特征数据，D|G表示数据D在G上的分布概率；I(D|G)表示D|G的互信息；max (
·
)表示最大值；
[0016]将气象特征数据D的最大规范互信息构建特征矩阵M(D)，特征矩阵 M(D)中元素定义为：
[0017][0018]式中，min{
·
，
·
}表示最小值，则快速最大信息系数定义为：
[0019][0020]故节点气象特征变量X与节点负荷变量Y间的相关度Rel(x)为：
[0021]Rel(x)＝Rapi本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于门控时
‑
空图神经网络的广域多母线负荷预测方法，其特征在于，具体按照以下步骤实施：步骤1、将某区域的母线作为一个节点，采集一段时间内每个节点的气象特征和每个节点的负荷特征，基于快速最大信息系数筛选负荷特征变化量影响最大的气象特征；步骤2、根据筛选后得到的节点气象特征和节点负荷变量构建相似权时
‑
空图；步骤3、构建时
‑
空图神经网络，对时
‑
空图神经网络中的空间卷积层进行增强，通过空间卷积层对相似权时
‑
空图各节点空间特征进行提取挖掘，输出各时刻的高维特征向量；步骤4、构建具有门控机制的GRUL，将各时刻的高维特征向量输入至具有门控机制的GRUL，输出节点未来一天负荷预测结果。2.根据权利要求1所述基于门控时
‑
空图神经网络的广域多母线短负荷预测方法，其特征在于，步骤1中所述基于快速最大信息系数筛选负荷特征变量影响最大的气象特征具体过程为：节点气象特征包括节点温度，降雨量，气压，定义X＝节点温度，降雨量，气压，Y为负荷特征变量，对由X和Y构成的二维空间在X与Y方向分别进行动态规划与均匀分割形成x*y的网格G，固定网格划分数，通过改变网格划分位置，得到不同的互信息值，最大互信息值表示为：式中：x与y表示在特征变量X与Y方向的区间划分；D表示气象特征数据，D|G表示数据D在G上的分布概率；I(D|G)表示D|G的互信息；max(
·
)表示最大值；将气象特征数据D的最大规范互信息构建特征矩阵M(D)，特征矩阵M(D)中元素定义为：式中，min{，
·
}表示最小值，则快速最大信息系数定义为：故节点气象特征变量X与节点负荷变量Y间的相关度Rel(x)为：Rel(x)＝RapidMIC(x,y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中变量间相关程度与Rel(x)值呈正相关；选择对...

【专利技术属性】
技术研发人员：黄南天，王圣元，王日俊，蔡国伟，刘洋，戴千斌，扈磊，赵暄远，郭玉，杨冬锋，黄大为，张良，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：