CN115759371A - 一种基于gcn-lstm的电力***短期负荷预测方法 - Google Patents

Abstract

一种基于GCN‑LSTM的电力***短期负荷预测方法，本发明属于电力***负荷预测技术领域，首先，完成时空特征的构建和归一化，将海量的历史负荷数据、气象数据、日期信息按时间滑动窗口构造连续特征图作为输入，接着将电网络模型作为图结构嵌入到GCN中，并将网络参数转换为GCN中的邻接矩阵，从而提取空间特征，然后，将GCN的输出作为LSTM网络的输入，在时间维上提取负荷变化的特征，解决了递归神经网络的梯度消失问题。最后，依次完成测量数据窗口的滚动更新和异步序列映射等方法对回归预测模型进行训练，增强了GCN‑LSTM模型的鲁棒性。

Description

一种基于GCN-LSTM的电力***短期负荷预测方法

技术领域

本发明属于电力***负荷预测技术领域，特别是涉及到一种基于GCN-LSTM的电力***短期负荷预测方法。

背景技术

随着电力需求时刻变化，且电力供需将通过实时交易实现平衡，降低短期负荷预测时间，提高负荷预测精度越来越重要。当前，国家正大力推行能源革命及落实双碳目标。电力行业作为碳排放的大户，其降低碳排放对于实现双碳目标显得尤为关键。精确的短期电力负荷预测能够很大程度上提高电能利用率,减少碳排放；大力提高电力行业的经济效益，为环境保护作出贡献。

电力负荷预测是电力***规划的重要组成部分，也是电力***经济运行的基础，其对电力***规划和运行都极其重要。负荷预测按照时间进行分类，常见的有以下三种：超短期负荷预测，短期负荷预测，中长期负荷预测。短期电力负荷预测属于时间序列预测，但传统负荷预测方法不能考虑到负荷变化规律对空间和时间的依赖性，因此一种基于GCN-LSTM的电力***短期负荷预测方法至关重要。

国内外电力负荷预测方法主要分为三类，一类是时间序列分析方法，主要包括指数平滑模型法，卡尔曼滤波法、傅里叶展开法模型等，这种方法的基本思想是从随机时间序列的过去负荷值及现在负荷值来预测未来负荷值，考虑了数据间的时序关系。第二类是统计学方法，基于统计理论对多元负荷的耦合关系展开分析的统计学方法，如基于向量自回归VAR(VectorAuto-Regression)模型、多元线性回归模型和不确定性分析理论展开分析，文献分析了冷热电负荷的非线性关系，并提出反映负荷间非线性协同效应的负荷预测公式。第三类机器学***均绝对百分比误差(MAPE)两个性能指标对改进后的模型进行了评价。文献提出深度信念网络预测家庭负荷。这种方法克服了经典深度学习方法造成的过度拟合问题。

然而在实际应用中上述方法存在如下不足：

①时间序列分析方法非线性关系数据预测能力较为有限，缺乏通用性；

②统计学方法存在建模复杂的问题，在特征变量和影响因素较多时难以对其耦合关系进行全面的建模；

③上述机器学习法不能挖掘时空数据间蕴含的有效信息和潜在关系，且实现高的准确度是以收敛速度慢和计算复杂度高为代价。

发明内容

本发明所要解决的技术问题是：提供一种基于GCN-LSTM的电力***短期负荷预测方法，以机器学习分析法为基础，实现电力***短期负荷的精准预测。

一种基于GCN-LSTM的电力***短期负荷预测方法，包括以下步骤，且以下步骤顺次进行，

步骤一、将长度为s的历史时间序列数据输入模型，空间结构卷积层包含两层GCN网络，利用第一层GCN结构解析各地区分区的拓扑结构，提取空间特征；

步骤二、第二层GCN网络在第一层GCN网络的基础上继续进行信息提取，将图卷积神经网络在不同时刻提取的信息输入到时间序列中；将具备空间特征的时间序列数据输入LSTM中学习时间特征；

步骤三、使用LSTM神经网络对某一时刻电价进行预测，在时间维上提取负荷变化的特征，依次完成测量数据窗口的滚动更新和异步序列映射对回归预测模型进行训练，模型精度达到预期值，获得训练模型。

所述步骤一历史时间序列包括历史负荷数据、气象数据以及日期信息。

所述步骤二图卷积神经网络在不同时刻提取的信息输入到时间序列中的具体方法为，通过对现实问题建立图模型，图卷积神经网络利用图的边与顶点连接的结构信息以及附属于图结构的属性信息，对隐含的图信息进行抽取；

对于图G＝(V,E,A)，输入信号X和输出信号Y，图卷积神经网络采取的处理方式f为：

f(X,A)＝Y (1)

式中，V为图中的节点个数，

E为边的集合；A为图的邻接矩阵，A∈R^N×N,矩阵A中的元素A_ij表示图G中节点v_i和v_j之间的连接关系；图卷积的前向传播公式为：

式中，

I是大小为N阶单位方阵，自连度矩阵

为对角矩阵，

H^l∈R^N×D,表示第l层的输出值，其中H⁰＝X；σ(·)表示激活函数；W^l表示第l层的参数值。

所述步骤三使用LSTM神经网络对某一时刻电价进行预测的具体方法为，

步骤一、遗忘门通过Sigmoid激活函数剔除t-1时刻神经元中S_t-1的信息，得到遗忘部分信息后的神经元状态，计算过程为：

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f) (3)

f_t为遗忘门的输出值；h_t-1是t-1时刻的输出值；x_t是t时刻的输入值；b_f为是遗忘门的网络层偏置；W_f是遗忘门的网络层权重；σ是选用的Sigmoid激活函数。

步骤二、输入门同样使用Sigmoid激活函数来控制时刻t输入到神经元中的信息，计算过程为：

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (4)

式中，i_t是输入门的输出值；W_i输入门的网络层权重；b_i是输入门的网络层偏置；

g_t＝φ(W_gxx_t+W_ghh_t-1+b_g) (5)

式中，g_t是t时刻尚未经过处理的输入信息；W_g是网络层权重；b_g是网络层偏置；φ采用的是tanh激活函数；

式中，

表示向量中元素按位相乘；

步骤三、输出门使用Sigmoid激活函数控制输出更新后的神经元信息，计算过程为：

O_t＝σ(W_oxx_t+W_ohh_t-1+b_o) (7)

o_t是输出门的输出值；W_o是输出门的网络层权重；b_o是输出门的网络层偏置；

所述步骤三获得训练模型为，时长为s的历史时刻数据和各地区分区之间的空间关系A预测下一个时刻t的负荷大小，即

X_t＝F([X_t-s,…,X_t-1],A) (9)

式中，X_t表示t时刻各地区分区的电力负荷大小；A表示不同地区分区之间的空间影响关系即邻接矩阵；F为相互关系，GCN-LSTM模型。

通过上述设计方案，本发明可以带来如下有益效果：一种基于GCN-LSTM的电力***短期负荷预测方法，充分有效地利用历史负荷数据和电网的拓扑结构信息，采用嵌入拓扑信息的GCN网络提取空间特征，采用LSTM网络提取时间特征，综合二者的优点，进行空间和时间上的结合，可以准确地对负荷的空间和时间分布进行预测。

附图说明

以下结合附图和具体实施方式对本发明作进一步的说明：

图1为本发明一种基于GCN-LSTM的电力***短期负荷预测方法流程示意图。

图2为本发明一种基于GCN-LSTM的电力***短期负荷预测方法具体实施方式GCN提取空间特征示意图。

图3为本发明一种基于GCN-LSTM的电力***短期负荷预测方法具体实施方式多层GCN内部结构图。

图4为本发明一种基于GCN-LSTM的电力***短期负荷预测方法具体实施方式LSTM模块内部结构图。

具体实施方式

一种基于GCN-LSTM的电力***短期负荷预测方法，首先，完成时空特征的构建和归一化，将海量的历史负荷数据、气象数据、日期信息按时间滑动窗口构造连续特征图作为输入，接着将电网络模型作为图结构嵌入到GCN中，并将网络参数转换为GCN中的邻接矩阵，从而提取空间特征，然后，将GCN的输出作为LSTM网络的输入，在时间维上提取负荷变化的特征，解决了递归神经网络的梯度消失问题。最后，依次完成测量数据窗口的滚动更新和异步序列映射等方法对回归预测模型进行训练，增强了GCN-LSTM模型的鲁棒性。

具体方法如图1所示，包括以下步骤，

101：将长度为s的历史时间序列数据输入模型，空间结构卷积层包含两层GCN网络，先利用第一层GCN结构解析各地区分区的拓扑结构，提取空间特征；

102：第二层GCN网络在第一层GCN网络的基础上继续进行信息提取，接着图卷积神经网络在不同时刻提取的信息输入到时间序列中；

103：将具备空间特征的时间序列数据输入LSTM中学习时间特征；

104：使用LSTM神经网络对某一时刻电价进行预测；

105：模型完成训练，若模型精度达到预期值，则可得到模型；

综上所述，本发明实施例通过上述步骤101-步骤105，以GCN提取空间特征，LSTM提取时间特征并进行短期负荷预测，进而实现电力***短期负荷的快速、准确预测。

下面结合具体的计算公式，原理分析，图2，图3，图4对实施例1中的方案进行进一步地介绍，详见下文描述：

201：通过对现实问题建立图模型，图卷积神经网络利用图的边与顶点连接的结构信息以及附属于图结构的属性信息，对隐含的图信息进行抽取。对于图G＝(V,E,A)，输入信号X和输出信号Y，图卷积神经网络采取的处理方式f定义为：

f(X,A)＝Y (1)

其中，V表示图中的节点个数，

而E表示的边的集合；A是图的邻接矩阵，A∈R^N×N,矩阵A中的元素A_ij表示图G中节点v_i和v_j之间的连接关系。图卷积的前向传播公式为：

式中，

I是大小为N阶单位方阵，自连度矩阵

为对角矩阵，

H^l∈R^N×D,表示第l层的输出值，其中H⁰＝X；σ(·)表示激活函数；W^l表示第l层的参数值。多层图卷积网络如图3所示，输入层为C，输出层为F特征图。图结构在层上共享，标签用Y_i表示。

202：通过图卷积神经网络层提取特征信息，如图2所示，对于每个节点，其上的滤波器参数W是共享的。单层GCN只能提取一阶邻居的信息。为了提取图中更广泛节点的信息，可以通过堆积多层图卷积神经网络实现。具体实现步骤为：

1)通过第一层GCN可提取节点1一阶临近节点2，3,4,5的信息；

2)图卷积层感受域随着图卷积层的增加而变大并获得更加抽象的信息表示；

3)将上一层GCN所得特征再次通过第二层GCN，则可以完成所有节点的特征提取；最终中心点1获得了临近顶点2、3、4、5、6、7、8上的信息。

203：将图卷积神经网络在不同时刻提取的信息输入到时间序列中，并使用LSTM神经网络对某一时刻电力负荷进行预测。如图四所示，在LSTM运算过程中分为一下步骤：

1首先，遗忘门通过Sigmoid激活函数从而剔除t-1时刻神经元中S_t-1的信息，得到遗忘部分信息后的神经元状态，计算过程为：

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f) (3)

f_t为遗忘门的输出值；h_t-1是t-1时刻的输出值；x_t是t时刻的输入值；b_f为是遗忘门的网络层偏置；W_f是遗忘门的网络层权重；σ是选用的Sigmoid激活函数。

2其次，输入门同样使用Sigmoid激活函数来控制时刻t输入到神经元中的信息，计算过程为：

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (4)

式中，i_t是输入门的输出值；W_i输入门的网络层权重；b_i是输入门的网络层偏置。

g_t＝φ(W_gxx_t+W_ghh_t-1+b_g) (5)

式中，g_t是t时刻尚未经过处理的输入信息；W_g是网络层权重；b_g是网络层偏置；φ采用的是tanh激活函数。

式中，

表示向量中元素按位相乘；

3最后，输出门使用Sigmoid激活函数控制输出更新后的神经元信息，计算过程为：

O_t＝σ(W_oxx_t+W_ohh_t-1+b_o) (7)

o_t是输出门的输出值；W_o是输出门的网络层权重；b_o是输出门的网络层偏置。

204:在建模过程中，使得整个区域负荷数据被抽象为图模型，各个负荷分区被抽象为节点，连接各个分区的传输线被抽象为图模型的边，各个负荷分区内部的温度，湿度，露点，气压，风速等影响负荷的气象因素以及节假日，工作日等日期因素作为各个节点的特征向量，图模型中的节点状态也取决于自身状态和其他节点状态的影响，图模型的建立为描述电力负荷短期预测基于现实地理空间外部性提供了分析的工具。电力***短期负荷预测问题可以描述为：通过各地区分区时长为s的历史时刻数据和各地区分区之间的空间关系A预测下一个时刻t的负荷大小，即

X_t＝F([X_t-s,…,X_t-1],A) (9)

式中X_t表示t时刻各地区分区的电力负荷大小；A表示不同地区分区之间的空间影响关系即邻接矩阵；F为相互关系，即GCN-LSTM模型。

具体将本发明方法进行验证，使用的电力负荷历史数据选用美国PJM官网上2003年3月-2017年4月的公开数据，时间步长为1小时，共计104万8575个数据向量，验证本方法的有效性。除负荷信息外，还选取地区拓扑结构、气象因素及日期因素作为模型输入的典型特征。本实施例设置的超参数为：学习率为0.001；权重衰减：0.0005；迭代次数：5000；选择数据集前0.8作为训练集；绘制了2014-06-3023:00:00--2017-04-3023:00:00的负荷趋势，所使用的GCN-LSTM模型预测值与实际值间准确度达到惊人的99.53％，并且使用RMSE和MAE评价损失函数,loss值达到0.0047；

参考国家电网有限公司评价负荷预测指标，设置平均绝对百分比误差y_MAPE，根均方误差y_RMSE：

式中：n为预测总次数；X_act(i)和X_pred(i)分别为i时刻的负荷真实值和预测值。

为在负荷预测精度、特征维度、训练效率及预测时长等方面对GCN-LSTM模型进行综合评价，选取LSTM、CNN-LSTM、TCN-LSTM共3种基准方法进行对比。

本实施例算法模型中同时采用了节假日、月份、温度，湿度，露点，气压，风速等，分析负荷的时域特征和以上因素空间分布所引入的地域特征，从而对负荷进行短期预测。

使用美国康涅狄格州斯坦福地区用电公开数据集作为研究对象，数据集包括2022年1月到8月的电力负荷数据，数据采样率为60min/次,即一天可得到24组数据。本实施例收集了当地对应日期的气象数据，包括温度，湿度，露点，气压，风速等，采用Spearman秩相关系数检验电力负荷与气象信息之间的相关性，根据相关系数值选择电力负荷的影响因素，通过计算所得Spearman秩相关系数如表1

表1电力负荷与气象因素Spearman相关系数示意表

由上图，表可知，电力***中电负荷与温度的相关性最强，相关系数为0.85；与降水量、露点温度、湿度的相关性较强，相关系数均超过0.30；与风向、风速、气压的相关性较弱，所得结论与用户用能的客观规律基本一致。用户对电能的需求与温度的关联性最高，高温时制冷，低温时产热。降水量、湿度等气象因素在一定程度上也会影响用户的用能方式。综上所述，电力负荷与气象因素间同时存在强相关性与弱相关性，相关程度不完全相同。因此，在对、筛选电力负荷短期预测主要影响气象因素时，应考虑不同气象类型与电力负荷间耦合关系的差异。本文选择相关系数绝对值大于0.3的气象因素作为输入特征来训练模型，主要影响因素包括温度、露点温度、湿度、降水量。

Spearman相关系数ρ_s为：

式中，使用容量为n的样本且秩次之差为d_i；

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于GCN-LSTM的电力***短期负荷预测方法，其特征是：包括以下步骤，且以下步骤顺次进行，

步骤一、将长度为s的历史时间序列数据输入模型，空间结构卷积层包含两层GCN网络，利用第一层GCN结构解析各地区分区的拓扑结构，提取空间特征；

步骤二、第二层GCN网络在第一层GCN网络的基础上继续进行信息提取，将图卷积神经网络在不同时刻提取的信息输入到时间序列中；将具备空间特征的时间序列数据输入LSTM中学习时间特征；

步骤三、使用LSTM神经网络对某一时刻电价进行预测，在时间维上提取负荷变化的特征，依次完成测量数据窗口的滚动更新和异步序列映射对回归预测模型进行训练，模型精度达到预期值，获得训练模型。

2.根据权利要求1所述的一种基于GCN-LSTM的电力***短期负荷预测方法，其特征是：所述步骤一历史时间序列包括历史负荷数据、气象数据以及日期信息。

3.根据权利要求1所述的一种基于GCN-LSTM的电力***短期负荷预测方法，其特征是：所述步骤二图卷积神经网络在不同时刻提取的信息输入到时间序列中的具体方法为，通过对现实问题建立图模型，图卷积神经网络利用图的边与顶点连接的结构信息以及附属于图结构的属性信息，对隐含的图信息进行抽取；

对于图G＝(V,E,A)，输入信号X和输出信号Y，图卷积神经网络采取的处理方式f为：

f(X,A)＝Y (1)

式中，V为图中的节点个数，

E为边的集合；A为图的邻接矩阵，A∈R^N×N,矩阵A中的元素A_ij表示图G中节点v_i和v_j之间的连接关系；图卷积的前向传播公式为：

式中，

I是大小为N阶单位方阵，自连度矩阵

为对角矩阵，

H^l∈R^{N ×D},表示第l层的输出值，其中H⁰＝X；σ(·)表示激活函数；W^l表示第l层的参数值。

4.根据权利要求1所述的一种基于GCN-LSTM的电力***短期负荷预测方法，其特征是：所述步骤三使用LSTM神经网络对某一时刻电价进行预测的具体方法为，

步骤一、遗忘门通过Sigmoid激活函数剔除t-1时刻神经元中S_t-1的信息，得到遗忘部分信息后的神经元状态，计算过程为：

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f) (3)

f_t为遗忘门的输出值；h_t-1是t-1时刻的输出值；x_t是t时刻的输入值；b_f为是遗忘门的网络层偏置；W_f是遗忘门的网络层权重；σ是选用的Sigmoid激活函数。

步骤二、输入门同样使用Sigmoid激活函数来控制时刻t输入到神经元中的信息，计算过程为：

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (4)

式中，i_t是输入门的输出值；W_i输入门的网络层权重；b_i是输入门的网络层偏置；

g_t＝φ(W_gxx_t+W_ghh_t-1+b_g) (5)

式中，g_t是t时刻尚未经过处理的输入信息；W_g是网络层权重；b_g是网络层偏置；φ采用的是tanh激活函数；

式中，

表示向量中元素按位相乘；

步骤三、输出门使用Sigmoid激活函数控制输出更新后的神经元信息，计算过程为：

O_t＝σ(W_oxx_t+W_ohh_t-1+b_o) (7)

o_t是输出门的输出值；W_o是输出门的网络层权重；b_o是输出门的网络层偏置。

5.根据权利要求1所述的一种基于GCN-LSTM的电力***短期负荷预测方法，其特征是：所述步骤三获得训练模型为，时长为s的历史时刻数据和各地区分区之间的空间关系A预测下一个时刻t的负荷大小，即

X_t＝F([X_t-s,…,X_t-1],A) (9)

式中，X_t表示t时刻各地区分区的电力负荷大小；A表示不同地区分区之间的空间影响关系即邻接矩阵；F为相互关系，GCN-LSTM模型。

Images