CN117833199A - 一种利用稀疏动态图神经网络的电力负荷预测方法及装置 - Google Patents
一种利用稀疏动态图神经网络的电力负荷预测方法及装置 Download PDFInfo
- Publication number
- CN117833199A CN117833199A CN202311578400.6A CN202311578400A CN117833199A CN 117833199 A CN117833199 A CN 117833199A CN 202311578400 A CN202311578400 A CN 202311578400A CN 117833199 A CN117833199 A CN 117833199A
- Authority
- CN
- China
- Prior art keywords
- power load
- time
- data
- neural network
- time sequence
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 239000010410 layer Substances 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 25
- 239000002356 single layer Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 238000012512 characterization method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005429 filling process Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 239000000306 component Substances 0.000 description 41
- 238000012545 processing Methods 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000008358 core component Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能电网技术领域，具体提供了一种利用稀疏动态图神经网络的电力负荷预测方法及装置，包括：获取目标区域在历史时间段内的电力负荷数据，并统计为相等时间间隔的电力负荷时间序列数据；对所述电力负荷时序数据进行预处理后，输入预先训练的电力负荷预测模型，得到目标区域内的多个目标用户在未来设定时间段内的电力负荷预测数据；其中，所述电力负荷预测模型是通过区域内的多个目标用户的历史电力负荷时序数据样本对稀疏动态图神经网络进行训练得到的。本发明提供的技术方案，能够降低传统图神经网络训练所需的参数数量，在目标区域多个目标用户电力需求动态变化的情况下，能够提高对区域内多个用户电力负荷预测的精准性。
Description
技术领域
本发明涉及智能电网技术领域，具体涉及一种利用稀疏动态图神经网络的电力负荷预测方法及装置。
背景技术
相关能源政策一直强调可再生能源的推广和碳足迹的减少，其中智能电网的推广和建设是新一代能源发展的核心方向之一。电力负荷预测，作为智能电网的核心组件，对于确保电网的稳定运行、管理能源和降低能源消耗都具有关键性的意义。
传统的电力负荷预测技术也存在其局限性：传统热负荷预测技术通常基于静态的预测方法，但在实际场景中电力需求往往是动态变化的，这使得静态模型预测精度较低；部分基于经验模型或统计模型的预测方法，当面对复杂的非线性电力系统时，可能无法提供高精度的预测结果；部分基于图神经网络的预测方法，需要大量的计算资源和数据样本进行训练，难以高效地预测电力负荷，适应现代智能电网的需求。
发明内容
为了克服上述缺陷，本发明提出了一种利用稀疏动态图神经网络的电力负荷预测方法及装置。
第一方面，提供一种利用稀疏动态图神经网络的电力负荷预测方法，所述利用稀疏动态图神经网络的电力负荷预测方法包括：
获取目标区域在历史时间段内的电力负荷数据，并统计为相等时间间隔的电力负荷时间序列数据；
对所述电力负荷时序数据进行预处理后，输入预先训练的电力负荷预测模型，得到目标区域内的多个目标用户在未来设定时间段内的电力负荷预测数据；
其中，所述电力负荷预测模型是通过区域内的多个目标用户的历史电力负荷时序数据样本对稀疏动态图神经网络进行训练得到的。
优选的，按照以下方式预先训练所述电力负荷预测模型
获取目标区域内的多个目标用户的历史电力负荷数据，并统计为相等时间间隔的电力负荷时间序列数据，得到区域内的多个目标用户的历史电力负荷时序数据样本；
对所述历史电力负荷时序数据样本进行所述处理后，将所述历史电力负荷时序数据样本转化为电力负荷有监督数据；
设置目标函数，将所述电力负荷有监督数据输入所述稀疏动态图神经网络进行训练，在达到预设训练截至条件后得到所述电力负荷预测模型。
进一步的，所述将所述电力负荷时序数据样本转化为电力负荷有监督数据，包括：
将所述历史电力负荷时序数据样本中前预设数量个变量作为模型的输入变量，后预设数量个变量作为模型的输出进行聚合，得到电力负荷有监督数据。
优选的，所述预处理包括数据均值填充处理，以及数据归一化处理。
进一步的，所述稀疏动态图神经网络包括顺序连接的稀疏图生成组件、时空图学习组件、时空关系增强组件，以及时间表征融合组件；
所述稀疏图生成组件包括：节点关系发现模块和邻接矩阵生成模块，所述节点关系发现模块用于建立图节点之间的连接关系，所述邻接矩阵生成模块在获得的连接关系基础上建立时间序列图结构；
所述时空图学习组件包括：时间维度上的多层图卷积模块和空间维度上的多层图卷积模块，所述时间维度上的多层图卷积模块用于从电力负荷时间序列中提取时间维度上的变量相关关系，所述空间维度上的多层图卷积模块用于从电力负荷时间序列中提取空间相关关系；
所述时空关系增强组件包括：时间维度上的单层卷积模型和空间维度上的单层卷积模块，所述时间维度上的单层卷积模块用于进一步提取时间局部特征，所述空间维度上的单层卷积模块用于提取空间维度上的局部动态；
所述时间表征融合组件用于将学习到的特征表示与原始电力负荷时序数据中的内容进行组合，并且进行最终预测。
进一步的，所述目标函数设置为均方误差损失函数，并采用L2正则化项来防止过拟合。
第二方面，提供一种利用稀疏动态图神经网络的电力负荷预测装置，所述利用稀疏动态图神经网络的电力负荷预测装置包括：
获取模块，用于获取目标区域内的多个目标用户在历史时间段内的电力负荷时序数据；
预测模块，用于对所述电力负荷时序数据进行预处理后，输入预先训练的电力负荷预测模型，得到所述区域内的多个目标用户在未来设定时间段内的电力负荷预测数据；
所述电力负荷预测模型是通过目标区域内的多个目标用户的历史电力负荷时序数据样本对稀疏动态图神经网络进行训练得到的。
第三方面，提供一种计算机设备，包括：一个或多个处理器；
所述处理器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的利用稀疏动态图神经网络的电力负荷预测方法。
第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的利用稀疏动态图神经网络的电力负荷预测方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
本申请提供了一种稀疏图神经网络电力负荷预测方法。该方法通过采集目标区域内多个目标用户在历史时间段内的电力负荷时序数据，经过适当的预处理后，将数据输入预先训练的电力负荷预测模型。这一过程能够产生目标区域内多个目标用户在未来设定的时间段内的电力负荷预测数据。这个电力负荷预测模型是通过使用目标区域内多个目标用户的历史电力负荷时序数据样本来训练稀疏图神经网络得到的。本申请的电力负荷预测方法可以降低传统图神经网络训练所需的参数数量。在目标区域内多个目标用户的电力需求动态变化的情况下，该方法能够提高对区域内多个用户电力负荷预测的精准性。
附图说明
图1示出了本申请所提供的一种利用稀疏图神经网络电力负荷预测方法的流程图；
图2示出了本申请所提供的一种电力负荷预测模型训练方法的流程图；
图3示出了本申请所提供的一种电力负荷预测模型的预测过程示意图；
图4示出了本申请所提供的一种利用稀疏图神经网络电力负荷预测装置的示意图；
图5示出了本申请所提供的一种电子设备的示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如背景技术中所公开的，相关能源政策一直强调可再生能源的推广和碳足迹的减少，其中智能电网的推广和建设是新一代能源发展的核心方向之一。电力负荷预测，作为智能电网的核心组件，对于确保电网的稳定运行、管理能源和降低能源消耗都具有关键性的意义。
传统的电力负荷预测技术也存在其局限性：传统热负荷预测技术通常基于静态的预测方法，但在实际场景中电力需求往往是动态变化的，这使得静态模型预测精度较低；部分基于经验模型或统计模型的预测方法，当面对复杂的非线性电力系统时，可能无法提供高精度的预测结果；部分基于图神经网络的预测方法，需要大量的计算资源和数据样本进行训练，难以高效地预测电力负荷，适应现代智能电网的需求。
为了改善上述问题，本申请提供了一种稀疏图神经网络电力负荷预测方法。该方法通过采集目标区域内多个目标用户在历史时间段内的电力负荷时序数据，经过适当的预处理后，将数据输入预先训练的电力负荷预测模型。这一过程能够产生目标区域内多个目标用户在未来设定的时间段内的电力负荷预测数据。这个电力负荷预测模型是通过使用目标区域内多个目标用户的历史电力负荷时序数据样本来训练稀疏图神经网络得到的。本申请的电力负荷预测方法可以降低传统图神经网络训练所需的参数数量。在目标区域内多个目标用户的电力需求动态变化的情况下，该方法能够提高对区域内多个用户电力负荷预测的精准性。
下面对上述方案进行详细阐述。
请参考图1，图1是本申请实施例提供的一种利用稀疏图神经网络电力负荷预测方法的流程图，包括以下S101～S102：
S101、获取目标区域内的多个目标用户在历史时间段内的电力负荷时序数据。
其中，电力负荷时序数据是目标区域内的多个目标用户的多个电力负荷数据按照设定时间间隔构成的时间序列数据。这一时间序列数据可以根据具体需要设置为小时、日、周、或者月等不同的时间间隔。
S102、在对电力负荷的时序数据进行预处理后，将其输入到一个预先经过训练的电力负荷预测模型中。经过模型的计算和分析，可以得到目标区域内多个目标用户在未来指定时间段的预测电力负荷数据。
其中，电力负荷预测模型是通过目标区域内的多个目标用户的历史电力负荷时序数据样本对稀疏图神经网络进行训练得到的。
可选的，上述对数据预处理的操作包括：数据均值填充处理，以及数据归一化处理。
在将电力负荷时序数据进行预处理后，输入预先训练的电力负荷预测模型，得到目标区域内的多个目标用户在未来设定时间段内的预测电力负荷数据。
下面介绍如何预先训练得到电力负荷预测模型，具体可以按照以下方式预先训练电力负荷预测模型，如图2所示，包括步骤S201～S203：
S201、获取区域内多个目标用户的历史电力负荷数据，并将其统一为相同的时间间隔，从而得到区域内多个目标用户的历史电力负荷时序数据样本。
其中，收集区域内多个目标用户的历史电力负荷数据，设定时间间隔，并按照时间顺序将电力负荷数据整合为统一时间间隔的时序数据，获得初步的多元时序数据样本。这一样本即为区域内多个目标用户的历史电力负荷时序数据。具体操作步骤如下：
确定时间间隔：根据数据时间跨度及统计需求，选择合适的时间间隔，例如小时、日、周或月等。对原始数据进行时间对齐：对每个用户的历史电力负荷数据进行时间间隔对齐，确保数据准确填充在对应的时间点；按照时间顺序将各用户数据整合，得到一个多元时间序列数据集，其中每个时间点都包含各用户的电力负荷数据。
S202、对所述历史电力负荷时序数据样本进行所述预处理后，将所述历史电力负荷时序数据样本转化为电力负荷有监督数据。
具体的，数据均值填充处理，以及数据归一化处理等初步数据预处理操作将{t1，t2，…，tL}表示的时间间隔内数据聚合成一个明确标定时刻的统计学数据，遍历数据样本生成初始的输入序列。
在{t1，t2，…，tL}的时间区间中统计目标区域内各个用户的电力负荷数据，用表示Q个用户的电力负荷数据在t时刻的输入集合。XT＝{x1，x2，…，xT}表示区域内各个用户的历史电力负荷变量x在T个时间间隔内的时序序列。
为进一步缩减数据间的显著范围差异，本申请选用Min-Max归一化方法对数据执行归一化处理，将其调整至[0，1]的区间内，从而提高模型的训练效率。相关的归一化与反归一化公式如下所示：
u＝u′(max(u)-min(u))+min(u)；
其中，表示某一组电力负荷时间序列样本，N表示样本的个数，u’表示归一化后的数据，min(·)和max(·)分别表示所述输入时间序列样本的最小值和最大值。使用反归一化公式，将经过归一化的模型输出预测值转换回常规的电力负荷预测数据。
具体的，S202中将所述历史电力负荷时序数据样本转化为电力负荷有监督数据，包括：
将历史电力负荷时序数据样本中的前若干个变量用作模型的输入变量，将后若干个变量作为模型的输出，然后进行聚合，得到电力负荷有监督数据。
具体的，为了从时间序列中学习时序特性，本申请将时间序列数据转化为有监督数据。对于给定的时序数据，在转化过程中，将前若干个变量作为模型的输入变量，而后若干个变量则被视为模型的输出变量。
通过收集目标区域内各用户的电力负荷数据，并将其转化为有监督数据，可以利用这些数据来训练稀疏图神经网络模型。最终，经过训练的模型可以提供更加准确的电力负荷预测，从而在目标区域内为各用户提供更为精准的预测数据。
S203、设置目标函数，将所述电力负荷有监督数据输入所述稀疏图神经网络进行训练，在达到预设训练截止条件后得到所述电力负荷预测模型。
具体地，稀疏图神经网络包括顺序连接的稀疏图生成组件、时空图学习组件、时空关系增强组件，以及时间表征融合组件；
所述稀疏图生成组件包括：节点关系发现模块和邻接矩阵生成模块，所述节点关系发现模块用于建立图节点之间的连接关系，所述邻接矩阵生成模块在获得的连接关系基础上建立时间序列图结构；所述时空图学习组件包括：时间维度上的多层图卷积模块和空间维度上的多层图卷积模块，所述时间维度上的多层图卷积模块用于从电力负荷时间序列中提取时间维度上的变量相关关系，所述空间维度上的多层图卷积模块用于从电力负荷时间序列中提取空间相关关系；所述时空关系增强组件包括：时间维度上的单层卷积模型和空间维度上的单层卷积模块，所述时间维度上的单层卷积模块用于进一步提取时间局部特征，所述空间维度上的单层卷积模块用于提取空间维度上的局部动态；所述时间表征融合组件用于将学习到的特征表示与原始电力负荷时序数据中的内容进行组合，并且进行最终预测。
请参照图3，下面对电力负荷预测模型进行详细介绍。
稀疏图生成组件包括：节点关系发现模块和邻接矩阵生成模块。首先，在时间序列数据中，特征变量和每一个时序数据的时间点都可以看作是节点。因此，可以定义空间结构图如下：
其中，表示Q个节点的有限集合(即用户电表的总数)，ES表示边的集合(即电表和电表之间的关联)，AS∈RQ×Q表示图/>的邻接矩阵。时间结构图/>也可以表示如下：
其中，表示T个节点的有限集合(即一个时间片段T内的时间点个数)，ET表示边的集合(即时间点和时间点之间的关联)，AT∈RT×T表示图/>的邻接矩阵。
节点关系发现模块的设计目的是通过节点与节点之间的相似度建立出时间序列数据的拓扑结构，其中包括空间结构图和时间结构图。在相似度的基础上，可以进一步对拓扑结构进行稀疏化。
在构建空间图结构时，使用历史电力负荷的时序数据X的点积相似度来量化节点与节点之间的关系：
其中，表示用户电表之间的相似性矩阵。d代表特征维度，对于空间结构图d＝Q，对于时间结构图为d＝T。T表示转置操作。同样，在时间维度上计算点积相似度也可以得到时间点之间的相似性矩阵/>
在邻接矩阵生成模块中对于每个节点，在相似度权重矩阵S中选择前K个相似度最高的节点作为邻接节点。将节点的邻接节点在邻接矩阵A中的相应条目设置值为1，其它全部设置为0。这种关系稀疏化的方法有效地简化了图结构，而无需依赖预定义的拓扑关系。考虑到输入时间窗口Xt-r+1：t随变量t的变化而改变，节点之间的关系也会产生变化。因此，生成的邻接矩阵A是一个随时间变化的动态邻接矩阵。表示获得的空间图结构动态邻接矩阵，/>表示时间图结构动态邻接矩阵。
本实施例中，通过节点关系发现模块用于建立图节点之间的连接关系，通过邻接矩阵生成模块在获得的连接关系基础上建立时间序列图结构。
时空图学习组件包括：时间维度上的多层图卷积模块和空间维度上的多层图卷积模块。该组件旨在挖掘图结构中的时空模式信息。
将获得的动态邻接矩阵与历史电力负荷时序数据输入到时空图学习组件中。以空间图结构学习为例，图卷积操作可以描述如下：
其中，*G表示图卷积操作。X∈RN×Q表示输入的历史电力负荷时序数据。表示带有自环的邻接矩阵。Iu是单位矩阵。D表示对角矩阵，Di，i＝∑jAi，j且当i≠j时Di，j＝0，i，j在此处表示矩阵中元素的位置坐标。Wg和bg分别是可学习的权重矩阵和偏置。
为了聚合图结构中的间接邻居节点信息，并增强模型捕获图内部复杂关系的能力，时空图学习组件采用两层的图卷积模块对输入时序数据进行表征：
其中，Rg是时空图学习组件生成的特征表示。将空间图结构生成的特征表示记为时间图结构生成的特征表示记为/>σ(·)表示Rectified Linear Unit(ReLU)激活函数。Mg(·)表示Dropout层掩码向量，γ是Dropout层丢弃比率。BN(·)表示批标准化层，用于稳定和加速模型训练过程。/>和/>都是可学习的权重矩阵。⊙表示矩阵对应相乘计算操作。为了灵活地融合图结构中的空间和时间动态关联，时空图学习组件采用了对称结构，以保持时空图学习过程中输入和输出维度之间的一致性。时空图学习组件的最终输出表示为：
其中，是时空图学习组件的输出表征，/>表示矩阵元素间对应相加。
本实施例中，时间维度上的多层图卷积模块用于从电力负荷时间序列中提取时间维度上的变量相关关系，空间维度上的多层图卷积模块用于从电力负荷时间序列中提取空间相关关系。
时空关系增强组件包括：时间维度上的单层卷积模块和空间维度上的单层卷积模块。
图神经网络能够捕获时空图结构中拓扑结构的动态变化关系，但它们可能无法充分考虑复杂的时间动态性和微妙的空间变化。通过融合时空卷积结构，可以解决传统时空图学习模式信息过滤不充分的缺陷。此外，这种组合方法不仅增强了预测模型的表达能力，允许模型提取更复杂的特征，而且还提供了一种潜在的正则化形式，防止模型过拟合。时空关系增强组件生成的表示如下：
其中，Rc代表从时空卷积模块输出。和/>都是可学习参数，用于表示卷积核矩阵。*表示常规一维卷积计算操作。Mc(γ)表示基于丢弃比例γ生成的dropout掩码向量。⊙表示矩阵对应相乘的计算操作。
本实施例中，时间维度上的单层卷积模块用于进一步提取时间局部特征，空间维度上的单层卷积模块用于提取空间维度上的局部动态。
过度的非线性可能导致训练动态不稳定，训练损失波动以及模型收敛困难。为了提高模型训练的稳定性，时间表征融合组件旨整合电力负荷时序数据的线性表征信息与时空卷积模块的输出表征，进而得到最终预测结果。
时间表征融合组件首先构建一个由双嵌入层组成的解码器，每个嵌入层都表示一个全连接网络。嵌入层旨将时空卷积模块压缩的特征表示，映射到期望的目标输出形状：
O＝FCNspat(FCNtemp(Rc))；
其中，O∈Rτ×Q表示解码器映射后的输出表征。τ表示预测模型在时间维度上的输出长度，即预测步长。FCNspat(·)和FCNtemp(·)表示空间维度上的嵌入层和时间维度上的嵌入层。融合原始序列的线性表征并产生预测结果的过程可以表示如下：
其中，Yt+1：t+τ是时间表征融合组件输出的预测值，表示对应元素相加操作。Xμ：t代表过去μ个时间步的观测值。Wo和bo是可训练的参数，用于对输入数据Xμ：t进行线性转换，以便使其与目标输出的形状保持一致。实际的预测值/>可以通过使用反归一化公式获得。
目标函数可以设置为均方误差损失函数(Mean Squared Error，MSE)，以衡量预测结果和实际值之间的差异。L2正则化项可以被采用，以防止过拟合。目标函数可以定义为：
其中，Q代表用户电表的总个数。||·||2表示L2正则化项。该目标函数先对每个待预测电表单独计算损失，随后对损失进行累加，最后将损失累加和除以用户电表的总个数，用均值表示目标损失。为第i次预测结果，/>为第i次预测对应的真实结果。
本实施例中，所述时间表征融合组件用于将学习到的特征表示与原始电力负荷时序数据中的内容进行组合，并且进行最终预测。
在获得电力负荷预测模型后，可以将目标区域内多个目标用户的电力负荷时序数据输入此预测模型中，从而预测该区域内多个目标用户在未来指定时间段的电力负荷。具体的区域电负荷预测流程请参见图3。得到预测结果后，可以为电力系统制定精确的生产计划，实现精确的区域供电。
为了给目标区域提供实时且准确的电力预测，本申请提出了一种利用稀疏图神经网络的电力负荷预测方法。该方法首先收集区域内各用户的电力使用情况原始数据，并将其转化为有监督数据。然后，利用这些有监督数据训练稀疏图神经网络，从而得到电力负荷预测模型。最终，使用经过训练的模型提供精准预测。
本申请实施例提供的电力负荷预测方法具有以下有益效果：
本申请电力负荷预测模型是一种利用稀疏图神经网络的深度学习模型，稀疏图神经网络通过只考虑图中的关键连接，而不是所有可能的连接，可以大大减少计算的复杂性。能够适应大规模的电力网络，尤其是包含大量传感器和设备的智能电网。本申请的稀疏图神经网络模型可以有效地捕获用户用电模式和发电机负荷之间的复杂依赖关系，从而提高预测的准确性。本申请的稀疏图神经网络模型通过其稀疏性质，可以更好地处理电力系统中的异常情况或故障。本申请的稀疏图神经网络模型可以自动学习节点和边的权重，因此它可以自适应地捕获电力系统的动态变化，从而提高预测的准确性。本申请的稀疏图神经网络模型可以通过稀疏图生成组件有效地处理时间和空间的相关性，使其在电力负荷预测中具有很高的效率。本申请的稀疏图神经网络可以轻松地扩展或缩小，以适应不同大小的电力系统，有很强的灵活性和可扩展性。
基于稀疏图神经网络电力负荷预测方法可以为智能电网的建设、电力的优化调度和电力的高效与环保使用提供关键的技术支持，同时也为电力系统的稳定和安全提供了重要保障。
在上述的实施例中，提供了一种利用稀疏图神经网络电力负荷预测方法，与之相对应的，本申请还提供一种利用稀疏图神经网络电力负荷预测装置10。本申请实施例提供的利用稀疏图神经网络电力负荷预测装置可以实施上述利用稀疏图神经网络电力负荷预测方法，该利用稀疏图神经网络电力负荷预测装置可以通过软件、硬件或软硬结合的方式来实现。例如，该稀疏图神经网络电力负荷预测装置可以包括集成的或分开的功能模块或单元来执行上述各方法中的对应步骤。请参考图4所示，包括：
获取模块101，用于获取目标区域内的多个目标用户在历史时间段内的电力负荷时序数据；
预测模块102，用于对所述电力负荷时序数据进行预处理后，将其输入到预先训练的电力负荷预测模型中，以获取所述区域内多个目标用户在未来设定时间段的电力负荷预测数据；
所述电力负荷预测模型是通过目标区域内多个目标用户的历史电力负荷时序数据样本对稀疏图神经网络进行训练得到的。
在本申请的某些实施方式中，所述装置还包括：模型训练模块，按以下步骤预先训练所述电力负荷预测模型：
a)收集目标区域内的多个目标用户的历史电力负荷数据，并统计为相等时间间隔的电力负荷时间序列数据，得到区域内的多个目标用户的历史电力负荷时序数据样本；
b)对所述历史电力负荷时序数据样本进行所述处理后，将所述历史电力负荷时序数据样本转化为电力负荷有监督数据
c)设置目标函数，将所述电力负荷有监督数据输入所述稀疏动态图神经网络进行训练，在达到预设训练截至条件后得到所述电力负荷预测模型。
在本申请的某些实施方式中，所述模型训练模块，具体用于：
选取所述历史电力负荷时序数据样本中前若干个变量作为模型的输入变量，而后若干个变量作为模型的输出进行整合，从而得到电力负荷的有监督数据。
在本申请的一些实施方式中，所述预处理包括数据均值填充处理，以及数据归一化处理。
在本申请的一些实施方式中，所述稀疏动态图神经网络包括顺序连接的稀疏图生成组件、时空图学习组件、时空关系增强组件，以及时间表征融合组件；
所述稀疏图生成组件包括：节点关系发现模块和邻接矩阵生成模块，所述节点关系发现模块用于建立图节点之间的连接关系，所述邻接矩阵生成模块在获得的连接关系基础上建立时间序列图结构；
所述时空图学习组件包括：时间维度上的多层图卷积模块和空间维度上的多层图卷积模块，所述时间维度上的多层图卷积模块用于从电力负荷时间序列中提取时间维度上的变量相关关系，所述空间维度上的多层图卷积模块用于从电力负荷时间序列中提取空间相关关系。
所述时空关系增强组件包括：时间维度上的单层卷积模型和空间维度上的单层卷积模块，所述时间维度上的单层卷积模块用于进一步提取时间局部特征，所述空间维度上的单层卷积模块用于提取空间维度上的局部动态。
所述时间表征融合组件用于将学习到的特征表示与原始电力负荷时序数据中的内容进行组合，并且进行最终预测。
在本申请的一些实施方式中，所述目标函数设置为均方误差损失函数，并采用L2正则化项来防止过拟合。
本申请实施例提供的稀疏图神经网络电力负荷预测装置与本申请实施例提供的稀疏图神经网络电力负荷预测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的方法对应的电子设备，所述电子设备可以是用于用户端的电子设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行上述稀疏图神经网络电力负荷预测方法。
请参考图5，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图5所示，所述电子设备20包含：处理器200，存储器201，总线202和通信接口203。所述处理器200、通信接口203和存储器201均通过总线202进行互联；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的稀疏图神经网络电力负荷预测方法。
其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，并可能进一步包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以细分为地址总线、数据总线、控制总线等。其中，存储器201用于储存程序代码，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述稀疏图神经网络电力负荷预测方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程数字逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的利用稀疏图神经网络电力负荷预测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的利用稀疏图神经网络电力负荷预测方法对应的计算机可读存储介质，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的稀疏图神经网络电力负荷预测方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的利用稀疏图神经网络电力负荷预测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
最后需要说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。
Claims (9)
1.一种利用稀疏动态图神经网络的电力负荷预测方法，其特征在于，所述方法包括：
获取目标区域在历史时间段内的电力负荷数据，并统计为相等时间间隔的电力负荷时间序列数据；
对所述电力负荷时序数据进行预处理后，输入预先训练的电力负荷预测模型，得到目标区域内的多个目标用户在未来设定时间段内的电力负荷预测数据；
其中，所述电力负荷预测模型是通过区域内的多个目标用户的历史电力负荷时序数据样本对稀疏动态图神经网络进行训练得到的。
2.如权利要求1所述的方法，其特征在于，按照以下方式预先训练所述电力负荷预测模型
获取目标区域内的多个目标用户的历史电力负荷数据，并统计为相等时间间隔的电力负荷时间序列数据，得到区域内的多个目标用户的历史电力负荷时序数据样本；
对所述历史电力负荷时序数据样本进行所述处理后，将所述历史电力负荷时序数据样本转化为电力负荷有监督数据；
设置目标函数，将所述电力负荷有监督数据输入所述稀疏动态图神经网络进行训练，在达到预设训练截至条件后得到所述电力负荷预测模型。
3.如权利要求2所述的方法，其特征在于，所述将所述电力负荷时序数据样本转化为电力负荷有监督数据，包括：
将所述历史电力负荷时序数据样本中前预设数量个变量作为模型的输入变量，后预设数量个变量作为模型的输出进行聚合，得到电力负荷有监督数据。
4.如权利要求1所述的方法，其特征在于，所述预处理包括数据均值填充处理，以及数据归一化处理。
5.如权利要求2所述的方法，其特征在于，所述稀疏动态图神经网络包括顺序连接的稀疏图生成组件、时空图学习组件、时空关系增强组件，以及时间表征融合组件；
所述稀疏图生成组件包括：节点关系发现模块和邻接矩阵生成模块，所述节点关系发现模块用于建立图节点之间的连接关系，所述邻接矩阵生成模块在获得的连接关系基础上建立时间序列图结构；
所述时空图学习组件包括：时间维度上的多层图卷积模块和空间维度上的多层图卷积模块，所述时间维度上的多层图卷积模块用于从电力负荷时间序列中提取时间维度上的变量相关关系，所述空间维度上的多层图卷积模块用于从电力负荷时间序列中提取空间相关关系；
所述时空关系增强组件包括：时间维度上的单层卷积模型和空间维度上的单层卷积模块，所述时间维度上的单层卷积模块用于进一步提取时间局部特征，所述空间维度上的单层卷积模块用于提取空间维度上的局部动态；
所述时间表征融合组件用于将学习到的特征表示与原始电力负荷时序数据中的内容进行组合，并且进行最终预测。
6.如权利要求2所述的方法，其特征在于，所述目标函数设置为均方误差损失函数，并采用L2正则化项来防止过拟合。
7.一种利用稀疏动态图神经网络的电力负荷预测装置，其特征在于，包括：
获取模块，用于获取目标区域内的多个目标用户在历史时间段内的电力负荷时序数据；
预测模块，用于对所述电力负荷时序数据进行预处理后，输入预先训练的电力负荷预测模型，得到所述区域内的多个目标用户在未来设定时间段内的电力负荷预测数据；
所述电力负荷预测模型是通过目标区域内的多个目标用户的历史电力负荷时序数据样本对稀疏动态图神经网络进行训练得到的。
8.一种计算机设备，其特征在于，包括：一个或多个处理器；
所述处理器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至6中任意一项所述的利用稀疏动态图神经网络的电力负荷预测方法。
9.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至6中任意一项所述的利用稀疏动态图神经网络的电力负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311578400.6A CN117833199A (zh) | 2023-11-24 | 2023-11-24 | 一种利用稀疏动态图神经网络的电力负荷预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311578400.6A CN117833199A (zh) | 2023-11-24 | 2023-11-24 | 一种利用稀疏动态图神经网络的电力负荷预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117833199A true CN117833199A (zh) | 2024-04-05 |
Family
ID=90504765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311578400.6A Pending CN117833199A (zh) | 2023-11-24 | 2023-11-24 | 一种利用稀疏动态图神经网络的电力负荷预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117833199A (zh) |
-
2023
- 2023-11-24 CN CN202311578400.6A patent/CN117833199A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | A short-term load forecasting method based on GRU-CNN hybrid neural network model | |
| Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
| CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
| CN116865261B (zh) | 基于孪生网络的电力负荷预测方法及系统 | |
| CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
| WO2020228568A1 (zh) | 训练光伏电站发电量预测模型的方法、光伏电站发电量预测方法和装置、训练系统和预测系统及存储介质 | |
| CN117131974A (zh) | 一种模型的训练方法、功率预测方法及设备 | |
| CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
| CN114119289A (zh) | 综合能源监控数据的处理方法及装置 | |
| CN116307287B (zh) | 一种光伏发电有效时段的预测方法、系统及预测终端 | |
| CN117036101A (zh) | 基于联邦学习的虚拟电厂居民需求响应预测方法及系统 | |
| CN116576504A (zh) | 一种可解释区域热负荷预测方法、装置、设备及存储介质 | |
| CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
| CN117833199A (zh) | 一种利用稀疏动态图神经网络的电力负荷预测方法及装置 | |
| CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 | |
| CN112732777A (zh) | 基于时间序列的头寸预测方法、装置、设备和介质 | |
| Marikkar et al. | Modified auto regressive technique for univariate time series prediction of solar irradiance | |
| CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
| Cheng et al. | Inflow forecasting based on principal component analysis and long short term memory | |
| Shen et al. | Long-term multivariate time series forecasting in data centers based on multi-factor separation evolutionary spatial–temporal graph neural networks | |
| CN113806172B (zh) | 一种处理设备状态参数的方法、装置、电子设备及存储介质 | |
| US20190006850A1 (en) | Method for forecasting the power daily generable by a solar inverter | |
| Yeh et al. | Short-term load power prediction based deep learning gated recurrent unit in solar power plant | |
| Safarudin et al. | The Number of Nodes Effect to Predict the Electrical Consumption in Seven Distinct Countries | |
| CN117713053A (zh) | 一种融合图结构表征的电力负荷预测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |