一种基于HGL-GTCN的短期电力负荷预测方法技术

一种基于HGL

【技术实现步骤摘要】
一种基于HGL
‑
GTCN的短期电力负荷预测方法


[0001]本专利技术涉及短期电力负荷预测技术，具体是指一种基于超图学习和门控时序卷积网络的短期电力负荷预测技术。

技术介绍

[0002]近年来，在可再生能源的推动下，电力市场和智能电网的迅速发展，同时也带动了电力负荷预测技术的发展。在短期电力负荷预测中，与传统的图学习相比，超图学习可以更好地捕捉负荷数据中多个节点之间的复杂性和非线性关系，另外门控时序卷积网络可以更好地处理长期依赖关系的同时优化了梯度消失与爆炸问题。因此，本专利技术提出了一种基于HGL
‑
GTCN的短期电力负荷预测方法，它能够有效地处理电力负荷数据中的时序模式，从而提高预测的精确度。

技术实现思路

[0003]本专利技术的目的是提供一种基于HGL
‑
GTCN的短期电力负荷预测方法。
[0004]本专利技术是一种基于HGL
‑
GTCN的短期电力负荷预测方法，其步骤为：首先引入超图学习(Hypergraph learning and Gated Temporal Convolutional Networks，HGL)技术通过传递和聚合节点之间的信息来提取负荷数据中的特征，从而更好地捕捉负荷数据中的复杂性和非线性关系；然后利用门控时序卷积网络(Gated Temporal Convolutional Networks，GTCN)来进一步处理特征序列和建模时序关系，最后通过结合两者的优势，提高了短期电力负荷预测的精确性和鲁棒性。具体步骤为：步骤(1)获取电力负荷数据集，为了确保数据的完整性和准确性，需要对数据的异常值和缺失值进行预处理。首先采取均方值法对异常数据进行处理，其方法表示为：其中：N为日负荷数据的个数，x
i
为第i天的日负荷值。若|x
i
‑
μ|＞3σ，则判断x
i
为异常点，剔除。其次对负荷数据集中存在少量数据的缺失情况，用前一周同一时刻的数据代替，补足数据后做简单的归一化处理，其方法表示为：其中，x
norm
为归一化处理后的负荷数据，x
min
和x
max
分别为数据的最小值、最大值。步骤(2)使用HGL技术对步骤(1)预处理后的电力负荷数据进行特征提取。通过构建超图结构，将电力负荷数据中的节点和边进行建模，并利用边的特征表示节点之间的复杂性和非线性关系，其特征提取建模表示为：
其中，是时刻t的负荷预测值；V
t
是时刻t的负荷数据的超图表示，超节点表示一组相关的负荷观测值，边表示节点之间的关系或连接；E
t
是时刻t的其他影响负荷的外部因素，例如天气数据、节假日等；f(
·
)是预测模型。步骤(3)将步骤(2)提取的超图学习特征作为输入，利用图卷积网络(Graph Convolutional Networks，GCN)进行建模。通过对节点特征矩阵进行线性变换和邻居节点特征的聚合，得到下一层的节点特征矩阵，引入多层的图卷积操作来捕捉到节点之间的结构和关系，并进行信息的传递和整合。其图卷积网络中的信息传播过程可表示为：其中，H
(l)
是第l层的节点特征矩阵，表示图中每个节点的特征；是邻接矩阵A加上自环的处理，即其中I是单位矩阵；是度矩阵，其中W
(l)
是第l层的权重矩阵，用于对节点特征进行线性变换；σ(
·
)是激活函数。步骤(4)引入门控时序卷积网络来进一步处理特征序列。通过一维卷积操作和门控机制，捕捉时序数据中的局部和全局特征，并解决长期依赖建模的问题。门控机制能够选择性地保留和遗忘信息，可以有效地解决梯度消失或梯度爆炸的问题，其门控时序卷积网络中的特征提取和时序建模过程表示为：H
(l+1)
＝σ(Gate(H
(l)
*W
(l)
)*H
(l)
)H
(l)
是第l层的输入特征序列；W
(l)
是第l层的卷积核；*表示门控时序卷积操作，它对输入特征序列进行卷积运算；Gate(
·
)是门控操作，用于学习每个时刻的门控权重；σ(
·
)是激活函数。步骤(5)将图卷积网络和门控时序卷积网络提取的特征进行融合。通过特征融合，综合利用多种类型的特征信息，提高模型的表达能力。步骤(6)利用训练数据对模型进行训练，并通过优化算法调整模型参数。训练后的模型可以用于短期电力负荷的预测。通过输入新的电力负荷数据，模型可以对未来一段时间内的负荷进行预测，提供准确的预测结果。
[0005]本专利技术的益处在于：利用HGL技术可以更好地处理节点之间的非线性关系；采用GCN建模能够更好地捕捉时空特征，这有助于提高模型对负荷数据的预测能力；HGL技术与GTCN技术相结合能够处理时序数据的神经网络结构，它通过卷积操作和残差连接来捕捉时序数据中的长期依赖关系，同时能够更好地解决梯度消失与爆炸问题。
附图说明
[0006]图1为HGL
‑
GTCN技术系统框图，图2为超图学习的具体细节图，图3为图卷积模块架构图，图4为门控时序卷积网络的具体细节图，图5为HGL
‑
GTCN模型和No
‑
HGL模型的均方根误差预测指标对比图，图6为HGL
‑
GTCN模型和No
‑
HGL模型的相对绝对误差分析对比图，图7为HGL
‑
GTCN模型和No
‑
HGL模型的经验相关系数分析对比图。实施方式
[0007]本专利技术提出了一种基于HGL
‑
GTCN的短期电力负荷预测方法，该方法引入HGL技术
并与GTCN技术相结合，从而克服了传统方法梯度消失与爆炸等缺点，进一步提高了短期电力负荷预测的精确性和鲁棒性。
[0008]本专利技术是一种基于HGL
‑
GTCN的短期电力负荷预测方法，其步骤为：首先引入，HGL技术通过传递和聚合节点之间的信息来提取负荷数据中的特征，从而更好地捕捉负荷数据中的复杂性和非线性关系；然后利用GTCN来进一步处理特征序列和建模时序关系，最后通过结合两者的优势，提高了短期电力负荷预测的精确性和鲁棒性。具体步骤为：步骤(1)获取电力负荷数据集，为了确保数据的完整性和准确性，需要对数据的异常值和缺失值进行预处理。首先采取均方值法对异常数据进行处理，其方法表示为：其中：N为日负荷数据的个数，x
i
为第i天的日负荷值。若|x
i
‑
μ|＞3σ，则判断x
i
为异常点，剔除。其次对负荷数据集中存在少量数据的缺失情况，用前一周同一时刻的数据代替，补足数据后做简单的归一化处理，其方法表示为：其中，x
norm
为归一化处理后的负荷数据，x
min
和x
max本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于HGL
‑
GTCN的短期电力负荷预测方法，其特征在于，其步骤为：首先引入超图学习技术通过传递和聚合节点之间的信息来提取负荷数据中的特征，从而更好地捕捉负荷数据中的复杂性和非线性关系；然后利用门控时序卷积网络来进一步处理特征序列和建模时序关系，最后通过结合两者的优势，提高了短期电力负荷预测的精确性和鲁棒性，具体步骤为：步骤(1)获取电力负荷数据集，为了确保数据的完整性和准确性，需要对数据的异常值和缺失值进行预处理，首先采取均方值法对异常数据进行处理，其方法表示为：其中：N为日负荷数据的个数，x
i
为第i天的日负荷值，若|x
i
‑
μ|＞3σ，则判断x
i
为异常点，剔除；其次对负荷数据集中存在少量数据的缺失情况，用前一周同一时刻的数据代替，补足数据后做简单的归一化处理，其方法表示为：其中，x
norm
为归一化处理后的负荷数据，x
min
和x
max
分别为数据的最小值、最大值；步骤(2)使用HGL技术对步骤(1)预处理后的电力负荷数据进行特征提取，通过构建超图结构，将电力负荷数据中的节点和边进行建模，并利用边的特征表示节点之间的复杂性和非线性关系，其特征提取建模表示为：其中，是时刻t的负荷预测值；V
t
是时刻t的负荷数据的超图表示，超节点表示一组相关的负荷观测值，边表示节点之间的关系或连接；E
t
是时刻t的其他影响负荷的外部因素，例如天气数据、节假日等；f(
·
)是预测模型；步骤(3)将步骤(2)提取的超图学习特征作为输入，利用图卷积网络进行建模，通...

【专利技术属性】
技术研发人员：包广斌，张波，杨金源，吴小连，沈治名，孙亮亮，陈爽，唐凌，刘晨，罗曈，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：