【技术实现步骤摘要】
一种基于层次化超图神经网络的电力负载预测方法
[0001]本专利技术属于电力负载预测
，具体涉及一种基于层次化超图神经网络的电力负载预测方法。
技术介绍
[0002]随着城市化和工业化的不断推进，电力需求不断增加，城市电力负载逐渐增大成为一项重要的问题。这种情况不仅影响人们的日常生活和工作，也给相关部门进行电力规划和能源管理带来了极大挑战。准确预测未来电力负载的变化能够有效指导人们进行电力供应和能源调配，同时为电力系统管理提供有力的数据支持。因此，电力负载预测成为了能源领域中非常重要且具有价值的研究方向之一。
[0003]现实生活中的电力负载数据由于周期性人类活动的影响，呈现出复杂多样的时间模式，如天模式（早高峰和晚高峰）和周模式（周内和周末）等。考虑这些时间模式间的交互通常比单独分析每个模式能够取得更准确的预测结果，对于电力负载的长期规划和早期预警都有非常重要的意义。
[0004]为了建模电力负载数据中不同尺度的时间模式及其交互，传统方法如季节性自回归移动平均（Seasonal ARIMA）和预言家模...
【技术保护点】
【技术特征摘要】
1.一种基于层次化超图神经网络的电力负载预测方法，其特征在于，包括以下步骤：S1，对电力负载数据进行预处理并构建训练样本；S2，利用层次化特征提取模块将训练样本的序列映射为不同时间尺度的子序列；S3，在超图
‑
超边图构建模块中，将子序列中不同时刻电力负载数据视为节点，根据时间邻近规则构建层次化超图以建模尺度内、尺度间以及混合尺度时间模式间的高阶交互；通过将超图的超边视为节点，基于节点之间的顺序关系和关联关系构建超边图；S4，在三阶段消息传递模块中，通过节点
‑
超边、超边
‑
超边以及超边
‑
节点之间的三阶段消息传递机制，聚合不同尺度的时间模式信息，学习不同尺度时间模式间的交互强度；S5，融合不同尺度的时间模式信息，进行电力负载预测，基于所有训练样本对电力负载预测模型进行训练，所述电力负载预测模型包括层次化特征提取模块、超图
‑
超边图构建模块和三阶段消息传递模块；S6，将待预测的电力负载序列输入训练好的电力负载预测模型，得到预测结果。2.根据权利要求1所述的基于层次化超图神经网络的电力负载预测方法，其特征在于，S1中，所述对电力负载数据进行预处理并构建训练样本，包括：对给定的电力负载数据进行预处理，包括异常值处理和归一化处理；通过滑动时间窗口对预处理后的电力负载数据进行划分得到训练数据集；将训练数据集按照固定批量大小进行分批，按批次选取训练样本。3.根据权利要求1所述的基于层次化超图神经网络的电力负载预测方法，其特征在于，S2中，所述利用层次化特征提取模块将训练样本的序列映射为不同时间尺度的子序列，包括：将训练样本的序列输入到层次化特征提取模块中，利用聚合函数通过设置不同大小的聚合窗口生成不同时间尺度的子序列，下一个时间尺度子序列的长度为上一个时间尺度子序列的长度除以上一个时间尺度对应的聚合窗口大小，最终将所有子序列构成子序列集合。4.根据权利要求1所述的基于层次化超图神经网络的电力负载预测方法，其特征在于，S3中，所述将子序列中不同时刻电力负载数据视为节点，根据时间邻近规则构建层次化超图以建模尺度内、尺度间以及混合尺度时间模式间的高阶交互，包括：将子序列中不同时刻电力负载数据视为节点，根据时间邻近规则构建原始尺度内超图、原始尺度间超图和原始混合尺度超图，对于每种类型的超图分别建立k跳连接来聚合不同邻居范围内的信息得到k跳尺度内超图、k跳尺度间超图和k跳混合尺度超图，其中k为两个相邻节点间的时间跨度，最终得到包含原始尺度内超图和k跳尺度内超图的尺度内超图，包含原始尺度间超图和k跳尺度间超图的尺度间超图，包含原始混合尺度超图和k跳混合尺度超图的混合尺度超图。5.根据权利要求4所述的基于层次化超图神经网络的电力负载预测方法，其特征在于，所述尺度内超图，为将同一尺度内的相邻节点之间按相关性建立原始连接得到多条超边构建原始尺度内超图，并将同一尺度内具有时间跨度且具有相关性信息的节点之间建立k跳连接得到多条超边构建k跳尺度内超图，将原始尺度内超图和k跳尺度内超图通过拼接操作得到尺度内超图。6.根据权利要求4所述的基于层次化超图神经网络的电力负载预测方法，其特征在于，
所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。