[发明专利]一种节点电价的预测方法及装置

权利要求书

1.一种节点电价的预测方法，其特征在于，包括以下步骤：

根据待预测电力系统的拓扑结构建立对应的图模型数据；

获取所述拓扑结构中每个电力设备的历史特征值数据；

以所述图模型数据和每个电力设备的历史特征值数据作为输入信息，基于GCN-GRU模型，确定每个所述电力设备的节点电价；其中，所述GCN-GRU模型包括输入层、时空处理层和输出层；所述时空处理层包括依次连接的图卷积神经网络和门控循环神经网络。

2.如权利要求1所述的一种节点电价的预测方法，其特征在于，所述GCN-GRU模型参数通过训练数据集训练得到；

训练所述GCN-GRU模型包括：

采用训练数据集优化所述GCN-GRU模型的模型参数；所述训练数据集包括每个电力设备的历史特征值数据、待预测电力系统的拓扑结构对应的图模型数据和每个电力设备节点电价。

3.如权利要求2所述的一种节点电价的预测方法，其特征在于，所述图卷积神经网络的层数为两层。

4.如权利要求2或3所述的一种节点电价的预测方法，其特征在于，根据待预测电力系统的拓扑结构建立对应的图模型数据包括：

以所述拓扑结构中的电力设备构建图模型数据中的节点；

以两个电力设备的输电线路作为构建图模型数据中的边。

5.如权利要求4所述的一种节点电价的预测方法，其特征在于，以所述图模型数据和每个电力设备的历史特征值数据作为输入信息包括：

以所述图模型数据中的邻接矩阵或拉普拉斯矩阵作为输入信息。

6.如权利要求3所述的一种节点电价的预测方法，其特征在于，所述时空处理层对输入数据处理包括：

依次采用两层所述图卷积神经网络对输入信息进行处理，得到每个所述电力设备的单一时刻的空间分布特征；

对单一时刻的所述空间分布特征进行组合，得到每个电力设备的时序序列；

通过所述门控循环神经网络对所述时序序列进行提取和融合，得到每个所述电力设备的时序特征。

7.如权利要求6所述的一种节点电价的预测方法，其特征在于，得到每个所述电力设备的时序特征之后还包括：

将所述时序特征输入输出层，得到每个所述电力设备的节点电价。

8.如权利要求3所述的一种节点电价的预测方法，其特征在于，所述训练数据集生成方法为：

获取每个电力设备的历史节点电价和对应的历史负荷数据；

对所述历史节点电价和对应的历史负荷数据进行数据筛选；

对筛选后的历史节点电价和对应的历史负荷数据进行归一化处理。

9.一种节点电价的预测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8任一项所述的一种节点电价的预测方法。