Short-term Spatial Load Forecasting Method Based on Spatio-Temporal Graph Convolutional Network

ZHANG Pengfei; HU Bo; HE Jinsong; HU Zhanshuo; LIU Hengyu; LIU Yubo

doi:10.7500/AEPS20220929019

您当前的位置：

首页 >

文章列表页 >

Short-term Spatial Load Forecasting Method Based on Spatio-Temporal Graph Convolutional Network

Key Technologies of Load Characteristic Modeling and Forecasting for Diverse Users | 更新时间：2025-06-16

- Short-term Spatial Load Forecasting Method Based on Spatio-Temporal Graph Convolutional Network
- Automation of Electric Power Systems Vol. 47, Issue 13, Pages: 78-85(2023)
- 作者机构：
  
  1.沈阳工业大学电气工程学院,辽宁省沈阳市 110870
  2.国网大连供电公司,辽宁省大连市 116001
  3.国网本溪供电公司,辽宁省本溪市 117000
  4.沈阳工程学院电力学院,辽宁省沈阳市 110136
  5.国网辽宁省电力有限公司电力科学研究院,辽宁省沈阳市 110055
  6.国网辽宁省电力有限公司信息通信分公司,辽宁省沈阳市110006
- 作者简介：
- 基金信息：
  
  Liaoning Province“Xing Liao Yingcai Plan”(XLYC1902090)
- DOI：10.7500/AEPS20220929019
  CLC：
- Received：29 September 2022，
  
  Revised：2023-01-19，
  
  Published Online：24 May 2023，
  
  Published：10 July 2023
- 稿件说明：
移动端阅览
张鹏飞,胡博,何金松等.基于时空图卷积网络的短期空间负荷预测方法[J].电力系统自动化,2023,47(13):78-85.

ZHANG Pengfei,HU Bo,HE Jinsong,et al.Short-term Spatial Load Forecasting Method Based on Spatio-Temporal Graph Convolutional Network[J].Automation of Electric Power Systems,2023,47(13):78-85.
张鹏飞,胡博,何金松等.基于时空图卷积网络的短期空间负荷预测方法[J].电力系统自动化,2023,47(13):78-85. DOI： 10.7500/AEPS20220929019.

ZHANG Pengfei,HU Bo,HE Jinsong,et al.Short-term Spatial Load Forecasting Method Based on Spatio-Temporal Graph Convolutional Network[J].Automation of Electric Power Systems,2023,47(13):78-85. DOI： 10.7500/AEPS20220929019.

摘要

为充分利用Ⅰ类元胞负荷之间的空间影响性，提高空间负荷预测精度，提出了一种基于时空图卷积网络的短期空间负荷预测方法。首先，将各Ⅰ类元胞视为节点，各Ⅰ类元胞的历史负荷作为节点的特征信息，各Ⅰ类元胞之间的电网拓扑结构作为边，构建一个空间负荷时空信息图。然后，根据空间负荷时空信息图中的拓扑结构和距离信息，采用阈值高斯核方法确定时空图卷积网络的邻接矩阵。最后，将空间负荷时空信息图采用时空图卷积网络进行训练，得到空间负荷预测模型，以中国某市某一区域的数据为例，与现有方法进行对比，验证了所提方法的有效性。

Abstract

To fully use the spatial dependencies between the class Ⅰ cell loads and increase the spatial load forecasting accuracy

a short-term spatial load forecasting method based on spatio-temporal graph convolutional network is presented. First

a spatio-temporal information graph of spatial loads is built using each class Ⅰ cell as a node

the historical load of each class Ⅰ cell as its feature information

and the grid topology connecting each class Ⅰ cell as its edge. Then

based on the topology and distance information in the spatio-temporal information graph of spatial loads

a threshold Gaussian kernel method is utilized to calculate the adjacency matrix of the spatio-temporal graph convolutional network. Finally

the spatio-temporal information graph of spatial load is trained using a spatio-temporal graph convolutional network to get a spatial load forecasting model

and the effectiveness of the proposed method is validated by comparing it with existing methods using data from a region of city in China as a case.

关键词

Keywords

references

齐宁，程林，田立亭，等 . 考虑柔性负荷接入的配电网规划研究综述与展望［J］. 电力系统自动化， 2020 ， 44 （ 10 ）： 193 - 207 .

QI Ning ， CHENG Lin ， TIAN Liting ， et al . Review and prospect of distribution network planning research considering access of flexible load ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 10 ）： 193 - 207 .

吴争荣，孔祥玉，董旭柱，等 . 基于配用电信息分区分类的短期空间负荷预测［J］. 电力系统及其自动化学报， 2019 ， 31 （ 2 ）： 26 - 31 .

WU Zhengrong ， KONG Xiangyu ， DONG Xuzhu ， et al . Short-term spatial load forecasting based on partition and classification of power distribution information ［J］. Proceedings of the CSU-EPSA ， 2019 ， 31 （ 2 ）： 26 - 31 .

张宇帆，艾芊，林琳，等 . 基于深度长短时记忆网络的区域级超短期负荷预测方法［J］. 电网技术， 2019 ， 43 （ 6 ）： 1884 - 1892 .

ZHANG Yufan ， AI Qian ， LIN Lin ， et al . A very short-term load forecasting method based on deep LSTM RNN at zone level ［J］. Power System Technology ， 2019 ， 43 （ 6 ）： 1884 - 1892 .

王雁凌，吴梦凯 . 经济新常态下基于偏最小二乘回归的中长期负荷预测模型［J］. 电力自动化设备， 2018 ， 38 （ 3 ）： 133 - 139 .

WANG Yanling ， WU Mengkai . Medium and long term load forecasting model based on partial least-square regression under new normal economy ［J］. Electric Power Automation Equipment ， 2018 ， 38 （ 3 ）： 133 - 139 .

EVANGELOPOULOS V A ， GEORGILAKIS P S . Probabilistic spatial load forecasting for assessing the impact of electric load growth in power distribution networks ［J］. Electric Power Systems Research ， 2022 ， 207 ： 107847 .

YE C J ， DING Y ， WANG P ， et al . A data-driven bottom-up approach for spatial and temporal electric load forecasting ［J］. IEEE Transactions on Power Systems ， 2019 ， 34 （ 3 ）： 1966 - 1979 .

肖白，杨欣桐，田莉，等 . 计及元胞发展程度的空间负荷预测方法［J］. 电力系统自动化， 2018 ， 42 （ 1 ）： 61 - 67 .

XIAO Bai ， YANG Xintong ， TIAN Li ， et al . Spatial load forecasting method based on development degree of cell ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 1 ）： 61 - 67 .

肖白，黄钰茹，姜卓，等 . 数据匮乏场景下采用生成对抗网络的空间负荷预测方法［J］. 中国电机工程学报， 2020 ， 40 （ 24 ）： 7990 - 8001 .

XIAO Bai ， HUANG Yuru ， JIANG Zhuo ， et al . The method of spatial load forecasting based on the generative adversarial network for data scarcity scenarios ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 24 ）： 7990 - 8001 .

ZHAO Zhenyu ， ZHANG Yao ， YANG Yujia ， et al . Load forecasting via grey model-least squares support vector machine model and spatial-temporal distribution of electric consumption intensity ［J］. Energy ， 2022 ， 255 ： 124468 .

郑伟民，叶承晋，张曼颖，等 . 基于Softmax概率分类器的数据驱动空间负荷预测［J］. 电力系统自动化， 2019 ， 43 （ 9 ）： 117 - 124 .

ZHENG Weimin ， YE Chengjin ， ZHANG Manying ， et al . Data-driven spatial load forecasting method based on Softmax probabilistic classifier ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 9 ）： 117 - 124 .

肖白，肖志峰，姜卓，等 . 基于降噪自编码器、奇异谱分析和长短期记忆神经网络的空间电力负荷态势感知［J］. 中国电机工程学报， 2021 ， 41 （ 14 ）： 4858 - 4867 .

XIAO Bai ， XIAO Zhifeng ， JIANG Zhuo ， et al . Spatial load situation awareness based on denoising autoencoder， singular spectrum analysis and long short-term memory neural networks ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 14 ）： 4858 - 4867 .

肖白，周文凯，姜卓 . 基于孤立森林、模态分解和神经网络的空间负荷态势感知［J］. 电力系统自动化， 2022 ， 46 （ 18 ）： 190 - 198 .

XIAO Bai ， ZHOU Wenkai ， JIANG Zhuo . Spatial load situation awareness based on isolation forest， mode decomposition and neural networks ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 18 ）： 190 - 198 .

VIEIRA D ， SILVA B E ， MENEZES T V ， et al . Large scale spatial electric load forecasting framework based on spatial convolution ［J］. International Journal of Electrical Power & Energy Systems ， 2020 ， 117 ： 105582 .

肖白，张小娜，姜卓，等 . 考虑本位元胞接受能力和相邻元胞负荷影响的空间负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 12 ）： 57 - 64 .

XIAO Bai ， ZHANG Xiaona ， JIANG Zhuo ， et al . Spatial load forecasting considering acceptability of standard cell and influence of load of adjacent cells ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 12 ）： 57 - 64 .

徐冰冰，岑科廷，黄俊杰，等 . 图卷积神经网络综述［J］. 计算机学报， 2020 ， 43 （ 5 ）： 755 - 780 .

XU Bingbing ， CEN Keting ， HUANG Junjie ， et al . A survey on graph convolutional neural network ［J］. Chinese Journal of Computers ， 2020 ， 43 （ 5 ）： 755 - 780 .

张宸滔，郑永康，卢继平，等 . 基于图神经网络的智能变电站二次回路故障定位研究［J］. 电力系统保护与控制， 2022 ， 50 （ 11 ）： 81 - 90 .

ZHANG Chentao ， ZHENG Yongkang ， LU Jiping ， et al . Fault location of secondary circuits in a smart substation based on a graph neural network ［J］. Power System Protection and Control ， 2022 ， 50 （ 11 ）： 81 - 90 .

LIAO W L ， YANG D C ， WANG Y S ， et al . Fault diagnosis of power transformers using graph convolutional network ［J］. CSEE Journal of Power and Energy Systems ， 2020 ， 7 （ 2 ）： 241 - 249 .

HOSSAIN R R ， HUANG Q H ， HUANG R K . Graph convolutional network-based topology embedded deep reinforcement learning for voltage stability control ［J］. IEEE Transactions on Power Systems ， 2021 ， 36 （ 5 ）： 4848 - 4851 .

孙伟，朱世睿，杨建平，等 . 基于图卷积网络的微电网拓扑辨识［J］. 电力系统自动化， 2022 ， 46 （ 5 ）： 71 - 81 .

SUN Wei ， ZHU Shirui ， YANG Jianping ， et al . Topology identification of microgrid based on graph convolutional network ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 5 ）： 71 - 81 .

DONG X C ， SUN Y Y ， LI Y ， et al . Spatio-temporal convolutional network based power forecasting of multiple wind farms ［J］. Journal of Modern Power Systems and Clean Energy ， 2021 ， 10 （ 2 ）： 388 - 398 .

LIAO W L ， BAK-JENSEN B ， PILLAI J R ， et al . A review of graph neural networks and their applications in power systems ［J］. Journal of Modern Power Systems and Clean Energy ， 2021 ， 10 （ 2 ）： 345 - 360 .

LI Y G ， YU R ， SHAHABI C ， et al . Diffusion convolutional recurrent neural network： data-driven traffic forecasting ［EB/OL］. ［ 2022-05-06 ］. https：//arxiv.org/abs/1707.01926 https://arxiv.org/abs/1707.01926 .

DAUPHIN Y N ， FAN A ， AULI M ， et al . Language modeling with gated convolutional networks ［C］// Proceedings of the 34th International Conference on Machine Learning ， August 6-11 ， 2017 ， Sydney， Australia ： 933 - 941 .

WU Z H ， PAN S R ， LONG G D ， et al . Graph wavenet for deep spatial-temporal graph modeling ［C］// Proceedings of the 28th International Joint Conference on Artificial Intelligence ， August 10-16 ， 2019 ， Macao， China ： 1907 - 1913 .

胡博，张鹏飞，黄恩泽，等 . 基于图WaveNet的电动汽车充电负荷预测［J］. 电力系统自动化， 2022 ， 46 （ 16 ）： 207 - 213 .

HU Bo ， ZHANG Pengfei ， HUANG Enze ， et al . Graph WaveNet based charging load forecasting of electric vehicle ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 16 ）： 207 - 213 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Ultra-short-term Load Forecasting Considering Missing Data in Anomalous Scenarios

Bi-level Energy Scheduling Strategy for Hydrogen-powered Ships Combined with Multi-step Load Forecasting

Short-term Net Load Forecasting Considering Thermal Effect of Rooftop Photovoltaic

Short-term Load Probabilistic Forecasting Based on Conditional Enhanced Diffusion Model

Related Author

ZHANG Pengfei

HU Bo

HE Jinsong

HU Zhanshuo

LIU Hengyu

LIU Yubo

LI Jiawen

SUN Yonghui

Related Institution

School of Electrical Engineering, Shenyang University of Technology

State Grid Dalian Electric Power Supply Company

State Grid Benxi Electric Power Supply Company

School of Electric Power, Shenyang Institute of Engineering

Electric Power Research Institute of State Grid Liaoning Electric Power Co., Ltd.

⁰