CN113919578B - 一种基于图神经网络的个人用户短期负载预测方法 - Google Patents
一种基于图神经网络的个人用户短期负载预测方法 Download PDFInfo
- Publication number
- CN113919578B CN113919578B CN202111210188.9A CN202111210188A CN113919578B CN 113919578 B CN113919578 B CN 113919578B CN 202111210188 A CN202111210188 A CN 202111210188A CN 113919578 B CN113919578 B CN 113919578B
- Authority
- CN
- China
- Prior art keywords
- graph
- term
- short
- long
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 230000007774 longterm Effects 0.000 claims abstract description 44
- 230000006399 behavior Effects 0.000 claims abstract description 38
- 230000003068 static effect Effects 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 62
- 230000005611 electricity Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 30
- 230000004913 activation Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims description 2
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000010396 two-hybrid screening Methods 0.000 description 2
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于图神经网络的个人用户短期负载预测方法。本方法利用用户使用的不同用电器用电行为之间的内在联系,从长期和短期两个不同的时间尺度分别构建描述不同用电器用电行为之间关系的图结构,即长期静态图和短期动态图,通过一个两分支的图神经网络分别针对长期静态图和短期动态图进行时空关系学习,分别得到两个隐向量,然后利用一个多层感知机将两个隐向量所对应分支中蕴含的信息进行融合,进而得到最终的预测结果。本发明方法使用两种类型的图(即长期静态图与短期动态图)使表征的不同用电器用电行为之间的关联更加准确,有助于得到更加准确的负载预测结果。
Description
技术领域
本发明属于居民负载预测技术领域,具体涉及一种基于图神经网络的个人用户短期负载预测方法。
背景技术
居民负载预测旨在估计居民未来某一时刻或某一时段时间内的用电量,准确的负载预测可以指导电能的输送过程,减少不必要的电力输送带来的损失。同时,准确的居民负载预测因其在电能分配和调度中的重要作用而在未来智能电网的发展过程中扮演着越来越重要的角色。与汇聚的居民负载预测相比,针对个人用户的负载预测往往更具有挑战性,因为个人的用电行为具有随机性与动态性,一些深度学习的方法,仅利用用户的总负载值作为输入,没有考虑不同用电器的用电行为之间的关联,导致预测性能受限,而少数采用了划分用电器的负载数据的方法往往将不同用电器用电行为之间的关系等同对待,也使得预测的准确性不理想。
发明内容
针对现有技术中的上述不足,本发明提供的基于图神经网络的个人用户短期负载预测方法解决了现有的负载预测方法中没有考虑不同用电器的用电行为之间的关联,导致预测性能受限的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于图神经网络的个人用户短期负载预测方法,包括以下步骤:
S1、获取个人用户的多用电器负载时间序列数据;
S2、基于多用电器负载时间序列数据,构建不同用电器用电行为之间的关系图;
S3、基于关系图,提取不同用电器用电行为之间的时空关系;
S4、基于时空关系,进行个人用户短期负载预测。
进一步地,所述步骤S2中的关系图包括短期动态图以及长期静态图;
所述短期动态图表征不同用电器用电行为之间的内在关联,且随着固定时间间隔进行更新;
所述长期静态图表征在一段时间段内个人用户使用不同用电器的用电行为模式。
进一步地,所述短期动态图中的节点为N个用电器,边为不同用电器用电器行为之间的关系;
所述短期动态图的构建方法为:
A1、获取T个时间间隔内N个用电器是否发生用电事件的矩阵E;
A2、确定矩阵E中用电器Ai和用电器Aj发生用电事件之间的单向关系;
其中,下标i和j均为用电器序数,且均小于N;
进一步地,所述步骤A1中,确定用电器是否发生用电事件的方法为:
判断用电器在T个时间间隔内的原始负载是否小于其对应的待机功率,若是则未发生用电事件,否则发生用电事件;所述待机功率为用电器在接入电源但处于关闭或待机状态下产生的功率;
所述步骤A1中,矩阵E中在第t个时间间隔内第j个用电器的用电事件Etj为:
式中,Dtj为第t个时间间隔内第j个用电器的原始负载,thj为第j个用电器的待机功率,Etj=0则未发生用电事件,Etj=1则发生用电事件;
所述步骤A2中,用电器Ai发生用电事件和用电器Aj发生用电事件之间的单向关系P(Ai→Aj|t=T)为:
所述步骤A3中,边权矩阵W中的元素Wij为:
Wij=sigmoid(P(Ai→Aj|t=T))
式中,sigmoid(·)为激活函数;
式中,ReLU(·)为激活函数,θ为人工划分阈值;
所述步骤A4中,邻接矩阵Ashort为:
进一步地,所述长期静态图中的节点为N个用电器,边为不同用电器用电行为之间的长期关联;
所述长期静态图的构建方法具体为:
B1、两次分别随机初始化节点嵌入,并利用节点嵌入获得节点的隐藏表示H1和H2;
B2、利用节点的隐藏表示获得长期静态图的邻接矩阵Along;
式中,ReLU(·)为激活函数,上标T为转置操作符,tanh(·)为激活函数。
进一步地,所述步骤S3中,通过图神经网络提取不同用电器用电行为之间的时空关系,所述图神经网络包括网络结构相同的短期动态图学习分支和长期静态图学习分支,所述短期动态图学习分支和长期静态图学习分支均包括若干个依次交错连接的时间卷积模块和图卷积模块,且依次相连的两个时间卷积模块和图卷积模块之间有一个跳跃连接;
所述短期动态图学习模块的输入为邻接矩阵Ashort,输出为隐向量y1;所述长期动态图学习模块的输入为Along,输出为隐向量y2;其中,输出隐向量y1和y2分别作为短期动态图和长期静态图对应的时空关系。
进一步地,所述图卷积模块用于将短期动态图或长期静态图中每个节点的信息与其邻居节点的信息进行融合;
所述图卷积模块包括两个并行的混合跳传播层,两个混合跳传播层的输出端共同连接一个加法器;
每个所述混合跳传播层依次进行信息传播和信息选择,其中,信息传播的过程为:
式中,Pk为信息传播过程中第k步的隐向量,β为控制保留节点原始状态的比例的超参数,Pin为当前图卷积模块所连接的前一时间卷积模块输出的隐状态,为变换后的表示不同用电器用电行为之间关系的邻接矩阵,P0=in,I为与邻接矩阵A相同维度的单位矩阵,矩阵为一个对角线上元素非零,其余元素为0的矩阵;
信息选择的过程表示为:
式中,Pout为当前层输出的隐状态,K为传播的深度,Pk为信息传播过程中第k步的隐向量,Wk为第k个多层感知机学习得到的参数矩阵。
进一步地,所述时间卷积模块包括两个并行的空洞初始层,且两个所述空洞初始层的输出端分别连接一个tanh激活函数和一个sigmoid激活函数后共同连接一个乘法器。
进一步地,所述步骤S4具体为:
S41、对隐向量y1和y2进行拼接,得到隐向量y;
S42、将隐向量y输入多层感知机中进行特征融合及预测,得到个人用户未来时刻不同用电器的用电量总和,实现个人用户短期负载预测。
进一步地,所述步骤S42中,在所述MLP模型中的每一层的隐藏层满足:
hl=σ(Wl·hl-1+bl)
式中,hl为MLP模型中的第l层隐藏层,hl为第l层权重矩阵,bl为第l层的偏置向量,σ(·)为激活函数。
本发明的有益效果为:
(1)本发明中的方法使用图来表征不同用电器用电行为之间的关联,构建两种类型的图,即短期动态图和长期静态图分别表征短期关联以及长期关联,仅使用两种图中的一种都不能完善地表征不同用电器用电行为之间的关联,其中短期动态图会随着时间推移不断更新,包含更加细节的信息,但是存在冗余的边信息;长期静态图从长时间范围内描述了用电行为之间关系的一般模式,不会随时间变化,但表征不够精细,本发明使用两种类型的图使表征的不同用电器用电行为之间的关联更加准确。
(2)本发明方法使用图神经网络分别提取两种类型图中的空间关联以及多维时间序列中的时间关联,并将得到的隐特征拼接,经过MLP对特征融合并进行预测,从两种时间尺度上进行构图使两种类型图优势互补,有助于得到更加准确的预测。
附图说明
图1为本发明提供的基于图神经网络的个人用户短期负载预测方法流程图。
图2为本发明提供的长短期结合的用于进行个人用户短期负载预测的模型结构示意图。
图3为本发明中的图卷积模块结构示意图。
图4为本发明提供的时间卷积模块结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种基于图神经网络的个人用户短期负载预测方法,包括以下步骤:
S1、获取个人用户的多用电器负载时间序列数据;
S2、基于多用电器负载时间序列数据,构建不同用电器用电行为之间的关系图;
S3、基于关系图,提取不同用电器用电行为之间的时空关系;
S4、基于时空关系,进行个人用户短期负载预测。
在本发明的一个实施例中,步骤S1中的多用电器负载时间序列是指分别包含多个用电器负载的时间序列,本实施例中n个用电器在P时间步内的负载时间序列可以表示为其中,表示n个用电器在时间步ti的负载值,表示第j个用电器在时间步ti的负载值,将时间序列数据处理成形如X的形式,作为后续步骤的基础数据。
在本发明的一个实施例中,步骤S2中的关系图包括短期动态图以及长期静态图;
其中,短期动态图表征不同用电器用电行为之间的内在关联,且随着固定时间间隔进行更新,因此其具有动态性;长期静态图表征在一段时间段内个人用户使用不同用电器的用电行为模式。
在本实施例中,短期动态图中的节点为N个用电器,边为不同用电器用电器行为之间的关系;基于此,短期动态图的构建方法为:
A1、获取T个时间间隔内N个用电器是否发生用电事件的矩阵E;
A2、确定矩阵E中用电器Ai和用电器Aj发生用电事件之间的单向关系;
其中,下标i和j均为用电器序数,且均小于N;
在本实施例的步骤A1中,确定用电器是否发生用电事件的方法为:
判断用电器在T个时间间隔内的原始负载是否小于其对应的待机功率,若是则未发生用电事件,否则发生用电事件;所述待机功率为用电器在接入电源但处于关闭或待机状态下产生的功率,一个用电器的待机功率可以通过查阅用电器产品使用说明书或者观测该用电器的用电曲线图获得,本实施例中将用电器的待机功率作为划分是否发生用电事件的阈值。
基于此,步骤A1中,矩阵E中在第t个时间间隔内第j个用电器的用电事件Etj为:
式中,Dtj为第t个时间间隔内第j个用电器的原始负载,thresj为第j个用电器的待机功率,Etj=0则未发生用电事件,Etj=0则发生用电事件;上述矩阵的大小为T×N。
本实施例的步骤A2中,由于用电器Ai发生用电事件对用电器Aj发生用电事件和用电器Ak发生用电事件的影响不同,并且用电器Ai发生用电事件对用电器Aj的影响与用电器Aj发生用电事件对用电器Ai的影响不同,因此在T个时间间隔内,用电器Ai发生用电事件与用电器Aj发生用电事件之间的关系是单向有权的,其单向关系P(Ai→Aj|t=T)为:
本实施例的步骤A3中,边权矩阵W是在上一个步骤得到的单向关系的基础上进行计算的,其计算方法如下:
Wij=sigmoid(P(Ai→Aj|t=T))
式中,sigmoid(·)为激活函数;
在短期动态图中会存在一些冗余的边,为了消除这些冗余的边带来的影响,本实施例中采用人工划分阈值来对边权矩阵W进行处理,因此步骤A3中,边权矩阵W中的元素Wij为:
Wij=sigmoid(P(Ai→Aj|t=T))
式中,sigmoid(·)为激活函数;
式中,ReLU(·)为激活函数,θ为人工划分阈值;
本实施例的步骤A4中,大小为N×N的邻接矩阵Ashort为:
在本实施例中,长期静态图中的节点为N个用电器,边为不同用电器用电行为之间的长期关联;其与短期动态图一样,是有向且带有边权的图,其构建方法具体为:
B1、两次分别随机初始化得到节点嵌入,并利用节点嵌入获得节点的隐藏表示H1和H2;
B2、利用节点的隐藏表示获得长期静态图的邻接矩阵Along;
式中,ReLU(·)为激活函数,上标T为转置操作符,tanh(·)为激活函数,邻接矩阵Along的大小为N×N。
在本发明的一个实施例中,步骤S3中,通过图神经网络提取不同用电器用电行为之间的时空关系,如图2所示,本实施例中的图神经网络包括网络结构相同的短期动态图学习分支和长期静态图学习分支,所述短期动态图学习分支和长期静态图学习分支均包括若干个依次交错连接的时间卷积模块和图卷积模块,且依次相连的两个时间卷积模块和图卷积模块之间有一个跳跃连接;
其中,短期动态图学习模块的输入为邻接矩阵Ashort,输出为隐向量y1;所述长期动态图学习模块的输入为Along,输出为隐向量y2;其中,输出隐向量y1和y2分别作为短期动态图和长期静态图对应的时空关系。
本实施例中的图卷积模块用于将短期动态图或长期静态图中每个节点的信息与其邻居节点的信息进行融合;
如图3所示,本实施例中的图卷积模块包括两个并行的混合跳传播层,两个混合跳传播层的输出端共同连接一个加法器,其中,两个混合跳传播层(mix-hop propagationlayer)分别处理每个节点的流入信息和流出信息,
本实施例中的每个混合跳传播层依次进行信息传播和信息选择,其中,信息传播的过程为:
式中,Pk为信息传播过程中第k步的隐向量,β为控制保留节点原始状态的比例的超参数,Pin为当前图卷积模块多连接的前一时间卷积模块输出的隐状态,为变换后的表示不同用电器用电行为之间关系的邻接矩阵,P0=Pin,I为与邻接矩阵A相同维度的单位矩阵,矩阵为一个对角线上元素非零,其余元素为0的矩阵;
式中,Aij为邻接矩阵;
针对上述信息传播过程的K步的隐向量选出重要的信息,使用K个多层感知机来进行信息选择;
信息选择的过程表示为:
式中,Pout为当前层输出的隐状态,K为传播的深度,Pk为信息传播过程中第k步的隐向量,Wk为第k个多层感知机学习得到的参数矩阵。
如图4所示,本实施例中的时间卷积模块包括两个并行的空洞初始层,且两个所述空洞初始层的输出端分别连接一个tanh激活函数和一个sigmoid激活函数后共同连接一个乘法器;其中,tanh函数的作用是一个过滤器,sigmoid函数的作用是一个门控来控制过滤器可以传递给下一个模块的信息比例。
在本发明的一个实施例中,步骤S4具体为:
S41、对隐向量y1和y2进行拼接,得到隐向量y;
y=y1||y2
式中,||为拼接操作;
S42、将隐向量y输入MLP模型中进行特征融合及预测,得到个人用户未来时刻不同用电器的用电量总和,实现个人用户短期负载预测;
其中,k层的MLP模型中的每一层的隐藏层满足:
hl=σ(Wl·hl-1+bl)
式中,hl为MLP模型中的第l层隐藏层,hl为第l层权重矩阵,bl为第l层的偏置向量,σ(·)为激活函数。
Claims (8)
1.一种基于图神经网络的个人用户短期负载预测方法,其特征在于,包括以下步骤:
S1、获取个人用户的多用电器负载时间序列数据;
S2、基于多用电器负载时间序列数据,构建不同用电器用电行为之间的关系图;
S3、基于关系图,提取不同用电器用电行为之间的时空关系;
S4、基于时空关系,进行个人用户短期负载预测;
所述步骤S2中的关系图包括短期动态图以及长期静态图;
所述短期动态图表征不同用电器用电行为之间的内在关联,且随着固定时间间隔进行更新;
所述长期静态图表征在一段时间段内个人用户使用不同用电器的用电行为模式;
所述短期动态图中的节点为N个用电器,边为不同用电器用电器行为之间的关系;
所述短期动态图的构建方法为:
A1、获取T个时间间隔内N个用电器是否发生用电事件的矩阵E;
A2、确定矩阵E中用电器Ai和用电器Aj发生用电事件之间的单向关系;
其中,下标i和j均为用电器序数,且均小于N;
A3、基于A2中的方法,确定N个用电器用电行为之间关系的边权矩阵W,并对其进行优化;
2.根据权利要求1所述的基于图神经网络的个人用户短期负载预测方法,其特征在于,所述步骤A1中,确定用电器是否发生用电事件的方法为:
判断用电器在T个时间间隔内的原始负载是否小于其对应的待机功率,若是则未发生用电事件,否则发生用电事件;所述待机功率为用电器在接入电源但处于关闭或待机状态下产生的功率;
所述步骤A1中,矩阵E中在第t个时间间隔内第j个用电器的用电事件Etj为:
式中,Dtj为第t个时间间隔内第j个用电器的原始负载,thj为第j个用电器的待机功率,Etj=0则未发生用电事件,Etj=1则发生用电事件;
所述步骤A2中,用电器Ai发生用电事件和用电器Aj发生用电事件之间的单向关系P(Ai→Aj|t=T)为:
所述步骤A3中,边权矩阵W中的元素Wij为:
Wij=sigmoid(P(Ai→Aj|t=T))
式中,sigmoid(·)为激活函数;
式中,ReLU(·)为激活函数,θ为人工划分阈值;
所述步骤A4中,邻接矩阵Ashort为:
4.根据权利要求1所述的基于图神经网络的个人用户短期负载预测方法,其特征在于,所述步骤S3中,通过图神经网络提取不同用电器用电行为之间的时空关系,所述图神经网络包括网络结构相同的短期动态图学习分支和长期静态图学习分支,所述短期动态图学习分支和长期静态图学习分支均包括若干个依次交错连接的时间卷积模块和图卷积模块,且依次相连的两个时间卷积模块和图卷积模块之间有一个跳跃连接;
所述短期动态图学习分支的输入为邻接矩阵Ashort,输出为隐向量y1;所述长期动态图学习分支的输入为Along,输出为隐向量y2;其中,输出隐向量y1和y2分别作为短期动态图和长期静态图对应的时空关系。
5.根据权利要求4所述的基于图神经网络的个人用户短期负载预测方法,其特征在于,所述图卷积模块用于将短期动态图或长期静态图中每个节点的信息与其邻居节点的信息进行融合;
所述图卷积模块包括两个并行的混合跳传播层,两个混合跳传播层的输出端共同连接一个加法器;
每个所述混合跳传播层依次进行信息传播和信息选择,其中,信息传播的过程为:
式中,Pk为信息传播过程中第k步的隐向量,β为控制保留节点原始状态的比例的超参数,Pin为当前图卷积模块所连接的前一个时间卷积模块输出的隐状态,为变换后的表示不同用电器用电行为之间关系的邻接矩阵,P0=Pin,I为与邻接矩阵A相同维度的单位矩阵,矩阵为一个对角线上元素非零,其余元素为0的矩阵;
信息选择的过程表示为:
式中,Pout为当前层输出的隐状态,K为传播的深度,Pk为信息传播过程中第k步的隐向量,Wk为第k个多层感知机学习得到的参数矩阵。
6.根据权利要求4所述的基于图神经网络的个人用户短期负载预测方法,其特征在于,所述时间卷积模块包括两个并行的空洞初始层,且两个所述空洞初始层的输出端分别连接一个tanh激活函数和一个sigmoid激活函数后共同连接一个乘法器。
7.根据权利要求4所述的基于图神经网络的个人用户短期负载预测方法,其特征在于,所述步骤S4具体为:
S41、对隐向量y1和y2进行拼接,得到隐向量y;
S42、将隐向量y输入多层感知机中进行特征融合及预测,得到个人用户未来时刻不同用电器的用电量总和,实现个人用户短期负载预测。
8.根据权利要求7所述的基于图神经网络的个人用户短期负载预测方法,其特征在于,所述步骤S42中,在MLP模型中的每一层的隐藏层满足:
hl=σ(Wl·gl-1+bl)
式中,hl为MLP模型中的第l层隐藏层,hl为第l层权重矩阵,bl为第l层的偏置向量,σ(·)为激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111210188.9A CN113919578B (zh) | 2021-10-18 | 2021-10-18 | 一种基于图神经网络的个人用户短期负载预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111210188.9A CN113919578B (zh) | 2021-10-18 | 2021-10-18 | 一种基于图神经网络的个人用户短期负载预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113919578A CN113919578A (zh) | 2022-01-11 |
CN113919578B true CN113919578B (zh) | 2022-10-04 |
Family
ID=79241300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111210188.9A Active CN113919578B (zh) | 2021-10-18 | 2021-10-18 | 一种基于图神经网络的个人用户短期负载预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113919578B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114510966B (zh) * | 2022-01-14 | 2023-04-28 | 电子科技大学 | 一种基于图神经网络的端到端大脑因果网络构建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837934A (zh) * | 2019-11-11 | 2020-02-25 | 四川大学 | 一种基于深度学习的智能电网短期住宅负荷预测方法 |
CN111582610A (zh) * | 2020-07-13 | 2020-08-25 | 清华四川能源互联网研究院 | 基于卷积神经网络对家庭能量分解的预测方法 |
CN112381264A (zh) * | 2020-10-20 | 2021-02-19 | 昆明理工大学 | 一种基于改进图卷积神经网络的用电负荷辨识方法 |
CN112381664A (zh) * | 2020-09-22 | 2021-02-19 | 国网新疆电力有限公司 | 电网短期负荷预测方法、预测装置及存储介质 |
KR20210020442A (ko) * | 2019-08-14 | 2021-02-24 | 한국과학기술원 | 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418485A (zh) * | 2020-10-27 | 2021-02-26 | 西安交通大学 | 基于负荷特性和用电行为模式的家庭负荷预测方法及系统 |
CN112418722B (zh) * | 2020-12-08 | 2021-09-10 | 浙江大学 | 基于v-i轨迹图和神经网络的非侵入式负荷识别方法 |
-
2021
- 2021-10-18 CN CN202111210188.9A patent/CN113919578B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210020442A (ko) * | 2019-08-14 | 2021-02-24 | 한국과학기술원 | 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘 |
CN110837934A (zh) * | 2019-11-11 | 2020-02-25 | 四川大学 | 一种基于深度学习的智能电网短期住宅负荷预测方法 |
CN111582610A (zh) * | 2020-07-13 | 2020-08-25 | 清华四川能源互联网研究院 | 基于卷积神经网络对家庭能量分解的预测方法 |
CN112381664A (zh) * | 2020-09-22 | 2021-02-19 | 国网新疆电力有限公司 | 电网短期负荷预测方法、预测装置及存储介质 |
CN112381264A (zh) * | 2020-10-20 | 2021-02-19 | 昆明理工大学 | 一种基于改进图卷积神经网络的用电负荷辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113919578A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Double-mode energy management for multi-energy system via distributed dynamic event-triggered Newton-Raphson algorithm | |
Zhang et al. | Asynchronous state estimation for discrete-time switched complex networks with communication constraints | |
CN109255505B (zh) | 一种多模型融合神经网络的短期负荷预测方法 | |
Son et al. | Hybrid coevolutionary programming for Nash equilibrium search in games with local optima | |
Kong et al. | Effect of automatic hyperparameter tuning for residential load forecasting via deep learning | |
CN113919578B (zh) | 一种基于图神经网络的个人用户短期负载预测方法 | |
CN109188924A (zh) | 智能家居系统的用电控制方法及装置 | |
Utkarsh et al. | Self-organizing map-based resilience quantification and resilient control of distribution systems under extreme events | |
Chandrasekaran | Multiobjective optimal power flow using interior search algorithm: A case study on a real‐time electrical network | |
CN112701681A (zh) | 一种基于强化学习的电网偶发故障安全调控策略生成方法 | |
UNUTMAZ et al. | Electrical energy demand forecasting using artificial neural network | |
Wang et al. | Interpretable neighborhood deep models for online total transfer capability evaluation of power systems | |
Amjady et al. | A new spinning reserve requirement forecast method for deregulated electricity markets | |
Jang et al. | Using meta reinforcement learning to bridge the gap between simulation and experiment in energy demand response | |
Qian et al. | Automatically improved VCG mechanism for local energy markets via deep learning | |
Leite et al. | Solving an energy resource management problem with a novel multi-objective evolutionary reinforcement learning method | |
CN107579517A (zh) | 复杂配电网的量子粒子群优化重构中所得解是否可行的判断方法 | |
Emami et al. | A conceptual analysis of equilibrium bidding strategy in a combined oligopoly and oligopsony wholesale electricity market | |
Xing et al. | Real-time optimal scheduling for active distribution networks: A graph reinforcement learning method | |
De Jesús et al. | Data fusion based hybrid deep neural network method for solar PV power forecasting | |
Wan et al. | Adversarial attack for deep reinforcement learning based demand response | |
Matavalam et al. | Curriculum based reinforcement learning of grid topology controllers to prevent thermal cascading | |
Casagrande et al. | Resilient microgrid energy management algorithm based on distributed optimization | |
Khan et al. | Short-term load and price forecasting based on improved convolutional neural network | |
Abdelmalak et al. | Post-disaster generation dispatching for enhanced resilience: A multi-agent deep deterministic policy gradient learning approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |