[发明专利]一种基于图卷积神经网络和迁移学习的电网负荷预测方法

权利要求书

1.一种基于图卷积神经网络和迁移学习的电网负荷预测方法，其特征在于：包括如下步骤，

步骤S1：根据地理位置信息，将要预测的区域划分成多个子区域，每个子区域单独构建一个模型预测该区域的电网负荷；

步骤S2：提取每个子区域的电网节点的时空信息，包括电网节点的拓扑结构信息和负荷数据的时间序列信息，采用图卷积神经网络和全连接层构建预测模型；

步骤S3：采用子区域所有节点的电网负荷数据，对构建的模型进行训练；

步骤S4：采用迁移学习方法，将训练完成的网络模型共享给邻近子区域作为初始训练模型，并对各子区域模型进行训练；

其中，在所述步骤S2中，具体时空图构造通过如下方式进行：

步骤S21：利用动态时间规整算法计算子图中不同节点之间的相似性，其计算方法如下：其中(n，m)为两个不同时间序列信息的长度，Dist(·)表示距离计算函数；

步骤S22：根据电网拓扑结构的连通性构造包含空间信息的拓扑图G_s，根据动态时间规整算法计算序列相似度，取其前5％最相似的节点连接起来形成新的拓扑图G_ST，其中融合了电网节点的时间信息和空间信息；

在所述步骤S3中，

步骤S31：分别采用子区域的所有节点前一周、一天、一小时的电网负荷数据分别进行图卷积操作，提取其中的空间信息，然后在时域上进行卷积运算，提取时间相关性，在网络层中采用ReLU作为激活函数进行非线性变换，将不同时刻的数据所提取的特征进行融合，最后通过全连接层进行预测；

图卷积如下所示；

g_θ*_Gx＝g_θ(UΛU^T)x＝Ug_θ(L)xU^Tx

上式中*_G表示图卷积操作，g_θ为卷积核，x为电网负荷数据，x采用的是预测点前一天、一周、一小时的数据；L为拉普拉斯矩阵A是所构建的子图的邻接矩阵，D为邻接矩阵的度，矩阵U是归一化拉普拉斯矩阵的特征向量；通过图卷积可以提取出不同节点的空间特征；

进一步，通过时域的卷积CNN：其中表示第r层的输出，下标T表示当前使用数据周期，之后，再用ReLU作为激活函数可以提取非线性相似性；最后再经过一个全连接层融合特征；

进一步，通过全连接分别将一周、一天、一小时的数据对应的预测结果进行融合：

Y＝W_h⊙Y_h+W_d⊙Y_d+W_w⊙Y_w

这其中⊙表示矩阵点乘；Y为融合后的预测结果，Y_h、Y_d、Y_w分别表示一小时前、一天前、一周前对应数据的预测；

步骤S32：将构建的模型预测输出与真实值对比，计算损失值，对模型进行优化，采用均方误差为损失函数，然后使用反向传播算法对框架的参数进行不断优化，反向传播算法中不断计算参数梯度，并使用RMSprop算法不断自适应学习率，优化参数，使模型达到最优解。

2.根据权利要求1所述的一种基于图卷积神经网络和迁移学习的电网负荷预测方法，其特征在于：在所述步骤S1中，区域划分通过如下方式进行：

步骤S11：根据地理位置信息，将电网节点拓扑结构划分为多个子图，在每个子图中提取其中连接点多的节点为中心节点，根据这些中心节点划成相似大小的子图；在连接点少的子图上采用重叠使用附近区域的部分节点，让子图具有相似的大小。

3.根据权利要求1所述的一种基于图卷积神经网络和迁移学习的电网负荷预测方法，其特征在于：步骤S4中，采用迁移学习方法，在源域上，将训练好的模型作为邻近区域的初始模型，之后，选择与源域相似或者距离相近的子区域作为目标域，并采用各子区域的电网负荷数据，对模型进行训练。