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

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

一种基于图神经网络的个人用户短期负载预测方法

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A_i和用电器A_j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；A4、根据优化后的边权矩阵

确定邻接矩阵A_short作为短期动态图中各节点之间的连通关系，完成短期动态图的构建。

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E_tj为：

式中，D_tj为第t个时间间隔内第j个用电器的原始负载，th_j为第j个用电器的待机功率，E_tj＝0则未发生用电事件，E_tj＝1则发生用电事件；

所述步骤A2中，用电器A_i发生用电事件和用电器A_j发生用电事件之间的单向关系P(A_i→A_j|t＝T)为：

式中，

为T个时间间隔内用电器A_i发生用电事件的数量，

为T个时间间隔内用电器A_i发生用电事件后，用电器A_j发生用电事件的数量；

所述步骤A3中，边权矩阵W中的元素W_ij为：

W_ij＝sigmoid(P(A_i→A_j|t＝T))

式中，sigmoid(·)为激活函数；

所述步骤A3中，优化后的边权矩阵中的元素

为：

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A_short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；

式中，H₁和H₂分别为节点嵌入

和节点嵌入

的隐藏表示，tanh(·)为激活函数，α为控制激活函数渗透率的超参数，

为超参数层，Θ₁和Θ₂构建长期静态图时两个可学习的参数；

B2、利用节点的隐藏表示获得长期静态图的邻接矩阵A_long；

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A_short，输出为隐向量y₁；所述长期动态图学习模块的输入为A_long，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，P_k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，P_in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，P_out为当前层输出的隐状态，K为传播的深度，P_k为信息传播过程中第k步的隐向量，W_k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：

h_l＝σ(W_l·h_l-1+b_l)

式中，h_l为MLP模型中的第l层隐藏层，h_l为第l层权重矩阵，b_l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t_i的负载值，

表示第j个用电器在时间步t_i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A_i和用电器A_j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；A4、根据优化后的边权矩阵

确定邻接矩阵A_short作为短期动态图中各节点之间的连通关系，完成短期动态图的构建。

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E_tj为：

式中，D_tj为第t个时间间隔内第j个用电器的原始负载，thres_j为第j个用电器的待机功率，E_tj＝0则未发生用电事件，E_tj＝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A_i发生用电事件对用电器A_j发生用电事件和用电器A_k发生用电事件的影响不同，并且用电器A_i发生用电事件对用电器A_j的影响与用电器A_j发生用电事件对用电器A_i的影响不同，因此在T个时间间隔内，用电器A_i发生用电事件与用电器A_j发生用电事件之间的关系是单向有权的，其单向关系P(A_i→A_j|t＝T)为：

式中，

为T个时间间隔内用电器A_i发生用电事件的数量，

为T个时间间隔内用电器A_i发生用电事件后，用电器A_j发生用电事件的数量；其中，

和

是基于矩阵E来计算的，即统计矩阵E中相应元素为1的数量。

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：

W_ij＝sigmoid(P(A_i→A_j|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W_ij为：

W_ij＝sigmoid(P(A_i→A_j|t＝T))

式中，sigmoid(·)为激活函数；

优化后的边权矩阵中的元素

为：

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A_short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；

式中，H₁和H₂分别为节点嵌入

和节点嵌入

的隐藏表示，tanh(·)为激活函数，α为控制激活函数渗透率的超参数，

为超参数层，Θ₁和Θ₂构建长期静态图时两个可学习的参数；

B2、利用节点的隐藏表示获得长期静态图的邻接矩阵A_long；

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A_long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A_short，输出为隐向量y₁；所述长期动态图学习模块的输入为A_long，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，P_k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，P_in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＝P_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；

其中，矩阵

的对角线上的元素计算方法为：

式中，A_ij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，P_out为当前层输出的隐状态，K为传播的深度，P_k为信息传播过程中第k步的隐向量，W_k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：

h_l＝σ(W_l·h_l-1+b_l)

式中，h_l为MLP模型中的第l层隐藏层，h_l为第l层权重矩阵，b_l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A_i和用电器A_j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；

A4、根据优化后的边权矩阵

确定邻接矩阵A_short作为短期动态图中各节点之间的连通关系，完成短期动态图的构建。

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E_tj为：

式中，D_tj为第t个时间间隔内第j个用电器的原始负载，th_j为第j个用电器的待机功率，E_tj＝0则未发生用电事件，E_tj＝1则发生用电事件；

所述步骤A2中，用电器A_i发生用电事件和用电器A_j发生用电事件之间的单向关系P(A_i→A_j|t＝T)为：

式中，

为T个时间间隔内用电器A_i发生用电事件的数量，

为T个时间间隔内用电器A_i发生用电事件后，用电器A_j发生用电事件的数量；

所述步骤A3中，边权矩阵W中的元素W_ij为：

W_ij＝sigmoid(P(A_i→A_j|t＝T))

式中，sigmoid(·)为激活函数；

所述步骤A3中，优化后的边权矩阵中的元素

为：

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A_short为：

3.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；

式中，H₁和H₂分别为节点嵌入

和节点嵌入

的隐藏表示，tanh(·)为激活函数，α为控制激活函数渗透率的超参数，

为超参数层，Θ₁和Θ₂构建长期静态图时两个可学习的参数；

B2、利用节点的隐藏表示获得长期静态图的邻接矩阵A_long；

式中，ReLU(·)为激活函数，上标T为转置操作符，tanh(·)为激活函数。

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A_short，输出为隐向量y₁；所述长期动态图学习分支的输入为A_long，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，P_k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，P_in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＝P_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，P_out为当前层输出的隐状态，K为传播的深度，P_k为信息传播过程中第k步的隐向量，W_k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：

h_l＝σ(W_l·g_l-1+b_l)

式中，h_l为MLP模型中的第l层隐藏层，h_l为第l层权重矩阵，b_l为第l层的偏置向量，σ(·)为激活函数。

Images