[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

说明书

本发明公开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。针对电网负荷数据的时空特性，采用图卷积网络并结合迁移学习方法，设计了一种适用于大范围区域的电网负荷预测方法。本发明首先将整个电网按区域划分成为多个子区域并单独为每个子区域构建模型进行预测。在模型构建中，采用动态时间规整算法融合时间相似性，利用电网拓扑结构引入图卷积网络提取空间特征，在时域上通过卷积操作提取时间特征，并利用迁移学习方法训练不同区域的网络模型。本发明方法可减少云端服务器的计算压力，提升了电网负荷预测的准确性，减少模型训练的时间。

技术领域

本发明涉及电网负荷预测技术领域，特别是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。

背景技术

电网负荷预测对电力系统的用电规划、运行调度等任务起到非常关键的作用。由于电网负荷受各种因素的影响，与所处地区的经济水平、产业结构、气象条件等条件关系紧密，呈现一定的复杂性。另外，电网负荷的变化又具有一定的规律性和周期性。因此，如何对电网负荷进行精确预测是电力系统面临的一个重要问题。然而，以往大部分的研究主要集中在对单一节点负荷或电网总负荷的预测。电网是一个大范围多区域多节点的广域网络，因此，如何综合考虑电网不同区域之间的相关性以及各节点之间的空时特性，以实现快速大范围对电网各个节点的负荷进行精确预测，将具有很大的经济价值和实际意义。

用于电网电荷预测的统计主要有两种方法，第一类是基于传统的统计方法，如自回归积分移动平均ARIMA、向量自回归VAR等。这类方法通常需要数据来满足一些假设，但这些电网数据太复杂而不能满足这些假设，因此它们在实际应用中通常预测精度不佳。第二类预测方法是基于数据驱动的方法。在这类方法中，主要基于传统的机器学习，如支持向量回归(SVR)、k最近邻(KNN)、这些方法的性能优于统计方法。然而，这些方法需要许多复杂的特征提取，不适合处理大量复杂的电网数据。随着深度学习的快速发展，许多领域(如图像处理、语音识别)都取得了突破。利用基于深度学习的方法来获取数据的时空相关性，如卷积神经网络(CNN)、循环卷积神经网络(RNN)，这些方法可以用来对电网负荷数据进行有效的预测，但是不能充分提取电网节点间的空间相关性。同时，一般只能对单一节点进行预测。为解决上述问题，本发明提出了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。

发明内容

本发明的目的在于提供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，本发明将电网负荷数据的时间相似性和电网拓扑结构融合图卷积神经网络模型的构造中，挖掘电网节点负荷的时空特性，采用迁移学习方法减少不同电网子区域的模型训练时间，有效提升了电网负荷预测的准确性，减少模型训练的时间成本。

为实现上述目的，本发明的技术方案是：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，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。

在本发明实施实例中，在所述步骤S1中，电网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。

在本发明实施实例中，在所述步骤S2中，通过时间规整算法将每个子区域的时空信息融入模型的构建中，采用图卷积神经网络预测电网各节点的负荷。具体如下：