基于MST-GCN与Transformer融合的多节点短期电力负荷预测方法技术

基于MST‑GCN与Transformer融合的多节点短期电力负荷预测方法，构建MSTGCN‑T模型，包括多尺度ST‑GCN模型、Transformer层与门控融合模块；对输入的历史时空负荷矩阵基于属性增强单元A‑Cell进行属性增强，得到属性增强后的时空负荷矩阵；将属性增强后的时空负荷矩阵、节点0‑1邻接矩阵与自适应邻接矩阵输入到MST‑GCN模块，采用MST‑GCN模块挖掘各节点负荷的短期时空特征，采用Transformer挖掘各节点负荷的长期时序特征；把属性增强后的时空负荷也输入到Transformer层进行节点负荷长期时序特征挖掘；通过门控融合模块集成短期时空特征、长期时序特征作为预测的输出。本发明专利技术模型大幅度提升了多节点负荷预测的精确性和稳定性。

【技术实现步骤摘要】

本专利技术涉及短期电力负荷预测，具体涉及一种基于mst-gcn与transformer融合的多节点短期电力负荷预测方法。

技术介绍

1、电力系统多节点负荷预测是指对电力系统未来的时空负荷进行预测。按照季度与日度大致可分为中长期多节点负荷预测与短期多节点负荷预测。中长期多节点负荷预测是电力部门规划运营和设施建中不可或缺的过程；短期多节点负荷预测可用于制定供电计划，辅助市场参与者决策，还可为电力系统实时安全分析及实时经济调度提供重要的参考，可有效提高电力系统的稳定性。对电力系统稳定运行具有重要的意义。

2、现有技术中，文献[1]:《hybrid pso-svm method for short-term loadforecasting during periods with significant temperature variations in city ofburbank》(selakov a,d,et al.“hybrid pso-svm method forshort-term load forecasting during period本文档来自技高网...

【技术保护点】

1.基于MST-GCN与Transformer融合的多节点短期电力负荷预测方法，其特征在于包括以下步骤：

2.根据权利要求1所述基于MST-GCN与Transformer融合的多节点短期电力负荷预测方法，其特征在于:所述步骤1中，图卷积神经网络GCN通过构建空间卷积层来提取各节点K阶邻域内的高维特征，以更新当前中心节点的特征；空间卷积层使用拉普拉斯矩阵汇聚图中各节点信息，以提取图上的空间特征，定义图的拉普拉斯矩阵为L＝U-A；

3.根据权利要求2所述基于MST-GCN与Transformer融合的多节点短期电力负荷预测方法，其特征在于：所述步骤1中，时间卷积网络T...

【技术特征摘要】

1.基于mst-gcn与transformer融合的多节点短期电力负荷预测方法，其特征在于包括以下步骤：

2.根据权利要求1所述基于mst-gcn与transformer融合的多节点短期电力负荷预测方法，其特征在于:所述步骤1中，图卷积神经网络gcn通过构建空间卷积层来提取各节点k阶邻域内的高维特征，以更新当前中心节点的特征；空间卷积层使用拉普拉斯矩阵汇聚图中各节点信息，以提取图上的空间特征，定义图的拉普拉斯矩阵为l＝u-a；

3.根据权利要求2所述基于mst-gcn与transformer融合的多节点短期电力负荷预测方法，其特征在于：所述步骤1中，时间卷积网络tcn由膨胀因果卷积构成膨胀因果卷积是一维卷积神经网络cnn的一种变体，它通过跳过某一步的值来滑动输入；给定一个一维序列输入b∈rt和一个滤波器f∈rk，其中，t表示步长，k表示滤波器内核大小；rt表示t维的实数空间，每以维度对应序列b中的一个位置；序列b是一个一维数组，包含t个元素，t指时间步长或者输入序列的长度；rk表示k维的实数空间，每一维度对应滤波器f中的一个权重；滤波器f是一个一维数组，包含k个元素；

4.根据权利要求3所述基于mst-gcn与transformer融合的多节点短期电力负荷预测方法，其特征在于：所述步骤1中，transformer层的结构由3个部分组成：位置嵌入模块、多头注意力模块和前馈网络模块；为增强长序列中的位置信息，transformer层引入位置嵌入机制，位置编码的方程定义为：

5.根据权利要求4所述基...

【专利技术属性】
技术研发人员：张涛，孟衡，张晋源，刘文丽，王凌云，
申请(专利权)人：三峡大学，
类型：发明
国别省市：