Ultra-short-term Regional Load Forecasting Based on Spatio-Temporal Graph Attention Network

ZHAO Ziyu; CHEN Yuanrui; CHEN Tingwei; LIU Junfeng; ZENG Jun

doi:10.7500/AEPS20230914003

您当前的位置：

首页 >

文章列表页 >

Ultra-short-term Regional Load Forecasting Based on Spatio-Temporal Graph Attention Network

Application Research | 更新时间：2025-06-16

- Ultra-short-term Regional Load Forecasting Based on Spatio-Temporal Graph Attention Network
- Automation of Electric Power Systems Vol. 48, Issue 12, Pages: 147-155(2024)
- 作者机构：
  
  1.华南理工大学电力学院，广东省广州市 510640
  2.华南理工大学自动化科学与工程学院，广东省广州市 510640
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(62173148);Guangdong Basic and Applied Basic Research Foundation(2023A1515010184)
- DOI：10.7500/AEPS20230914003
  CLC：
- Received：14 September 2023，
  
  Revised：2024-03-13，
  
  Published Online：28 April 2024，
  
  Published：25 June 2024
- 稿件说明：
移动端阅览
赵紫昱,陈渊睿,陈霆威等.基于时空图注意力网络的超短期区域负荷预测[J].电力系统自动化,2024,48(12):147-155.

ZHAO Ziyu,CHEN Yuanrui,CHEN Tingwei,et al.Ultra-short-term Regional Load Forecasting Based on Spatio-Temporal Graph Attention Network[J].Automation of Electric Power Systems,2024,48(12):147-155.
赵紫昱,陈渊睿,陈霆威等.基于时空图注意力网络的超短期区域负荷预测[J].电力系统自动化,2024,48(12):147-155. DOI： 10.7500/AEPS20230914003.

ZHAO Ziyu,CHEN Yuanrui,CHEN Tingwei,et al.Ultra-short-term Regional Load Forecasting Based on Spatio-Temporal Graph Attention Network[J].Automation of Electric Power Systems,2024,48(12):147-155. DOI： 10.7500/AEPS20230914003.

摘要

目前，空间负荷预测研究对复杂时空关系的考虑不足。为此，文中提出一种基于多维、多源特征的区域级负荷超短期时空预测模型。首先，根据已有的区域级负荷进行元胞划分，构建考虑元胞相关性的图拓扑。其次，分别通过图注意力网络、一维卷积神经网络和门控循环单元，从空间、特征和时间维度提取有效特征，连接全连接层输出结果。最后，基于美国新英格兰地区的真实电力负荷数据进行仿真验证，并提取模型注意力权重，分析元胞之间的空间依赖性。结果表明，所提模型相比传统模型在不同预测步长上均具有更高的预测精度和稳定性，有效挖掘了区域级负荷的空间依赖性。

Abstract

At present

the research on spatial load forecasting lacks the consideration of complex spatial-temporal relationship. Therefore

a regional ultra-short-term spatio-temporal load forecasting model considering multi-dimensional and multi-source features is proposed in this paper. Firstly

based on the existing regional-level load

cell partitioning is carried out to construct a graph topology that considers cell correlation. Secondly

effective features are extracted from the spatial

feature

and temporal dimensions through the graph attention network

one dimensional convolutional network and gated recurrent unit

connecting the fully connected layers to output the results. Finally

simulation validation is conducted based on the real power load data from the New England region of the United States

and model attention weights are extracted to analyze the spatial dependencies between cells. The results show that

compared with the traditional models

the proposed model provides higher accuracy and stability with different prediction steps

effectively exploiting the spatial dependence of regional spatial load.

关键词

Keywords

references

康重庆，夏清，张伯明 . 电力系统负荷预测研究综述与发展方向的探讨［J］. 电力系统自动化， 2004 ， 28 （ 17 ）： 1 - 11 .

KANG Chongqing ， XIA Qing ， ZHANG Boming . Review of power system load forecasting and its development ［J］. Automation of Electric Power Systems ， 2004 ， 28 （ 17 ）： 1 - 11 .

孔祥玉，马玉莹，艾芊，等 . 新型电力系统多元用户的用电特征建模与用电负荷预测综述［J］. 电力系统自动化， 2023 ， 47 （ 13 ）： 2 - 17 .

KONG Xiangyu ， MA Yuying ， AI Qian ， et al . Review on electricity consumption characteristic modeling and load forecasting for diverse users in new power system ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 13 ）： 2 - 17 .

赵兵，王增平，纪维佳，等 . 基于注意力机制的CNN-GRU短期电力负荷预测方法［J］. 电网技术， 2019 ， 43 （ 12 ）： 4370 - 4376 .

ZHAO Bing ， WANG Zengping ， JI Weijia ， et al . A short-term power load forecasting method based on attention mechanism of CNN-GRU ［J］. Power System Technology ， 2019 ， 43 （ 12 ）： 4370 - 4376 .

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 .

肖白，张博，王辛玮，等 . 基于组合模态分解和深度学习的短期风电功率区间预测［J］. 电力系统自动化， 2023 ， 47 （ 17 ）： 110 - 117 .

XIAO Bai ， ZHANG Bo ， WANG Xinwei ， et al . Short-term wind power interval prediction based on combined mode decomposition and deep learning ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 17 ）： 110 - 117 .

WILLIS H L ， NORTHCOTE-GREEN J E D . Spatial electric load forecasting： a tutorial review ［J］. Proceedings of the IEEE ， 1983 ， 71 （ 2 ）： 232 - 253 .

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 .

郭鸿业，郑可迪，唐庆虎，等 . 数据驱动的电力市场研究：挑战与展望［J］. 电力系统自动化， 2023 ， 47 （ 1 ）： 200 - 215 .

GUO Hongye ， ZHENG Kedi ， TANG Qinghu ， et al . Data-driven research on electricity markets： challenges and prospects ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 1 ）： 200 - 215 .

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 .

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 .

王波，王红霞，姚良忠，等 . 电力系统多模态数据融合模式及关键技术问题［J］. 电力系统自动化， 2022 ， 46 （ 19 ）： 188 - 199 .

WANG Bo ， WANG Hongxia ， YAO Liangzhong ， et al . Multi-modal data fusion mode for power system and its key technical issues ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 19 ）： 188 - 199 .

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 .

苏向敬，聂良钊，李超杰，等 . 基于MSTAGNN模型的可解释海上风电场多风机出力预测［J］. 电力系统自动化， 2023 ， 47 （ 9 ）： 88 - 98 .

SU Xiangjing ， NIE Liangzhao ， LI Chaojie ， et al . Interpretable power output prediction of multiple wind turbines for offshore wind farm based on multiple spatio-temporal attention graph neural network model ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 9 ）： 88 - 98 .

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 ， 2022 ， 10 （ 2 ）： 345 - 360 .

HAMILTON W L ， YING R ， LESKOVEC J . Inductive representation learning on large graphs ［EB/OL］. ［ 2023-09-14 ］. https：//arxiv.org/pdf/1706.02216 https://arxiv.org/pdf/1706.02216 .

VELIČKOVIĆ P ， CUCURULL G ， CASANOVA A ， et al . Graph attention networks ［EB/OL］. ［ 2023-09-14 ］. https：//arxiv.org/pdf/1710.10903 https://arxiv.org/pdf/1710.10903 .

肖白，黎平 . 最佳电力负荷空间分辨率的获取方法［J］. 中国电机工程学报， 2010 ， 30 （ 34 ）： 50 - 56 .

XIAO Bai ， LI Ping . Method for acquiring optimum spatial resolution of electric load ［J］. Proceedings of the CSEE ， 2010 ， 30 （ 34 ）： 50 - 56 .

LI Y G ， YU R ， SHAHABI C ， et al . Diffusion convolutional recurrent neural network： data-driven traffic forecasting ［EB/OL］. ［ 2023-09-14 ］. https：//arxiv.org/pdf/1707.01926 https://arxiv.org/pdf/1707.01926 .

YU B ， YIN H T ， ZHU Z X . Spatio-temporal graph convolutional networks： a deep learning framework for traffic forecasting ［C］// Proceedings of the 27th International Joint Conference on Artificial Intelligence ， July 13-19 ， 2018 ， Stockholm， Sweden ： 3634 - 3640 .

ZHENG C P ， FAN X L ， WANG C ， et al . GMAN： a graph multi-attention network for traffic prediction ［C］// Proceedings of the AAAI Conference on Artificial Intelligence ， February 7-12 ， 2020 ， New York， USA ： 1234 - 1241 .

ZHAO L ， SONG Y J ， ZHANG C ， et al . T-GCN： a temporal graph convolutional network for traffic prediction ［J］. IEEE Transactions on Intelligent Transportation Systems ， 2020 ， 21 （ 9 ）： 3848 - 3858 .

郑心仕，梁寿愚，苏晓，等 . 基于贝叶斯方法与可解释机器学习的负荷特性分析与预测［J］. 电力系统自动化， 2023 ， 47 （ 13 ）： 56 - 68 .

ZHENG Xinshi ， LIANG Shouyu ， SU Xiao ， et al . Characteristic analysis and load forecasting based on Bayesian method and interpretable machine learning ［J ］. Automation of Electric Power Systems ， 2023 ， 47 （ 13 ）： 56 - 68 .

LUNDBERG S ， LEE S I . A unified approach to interpreting model predictions ［EB/OL］. ［ 2023-09-14 ］. https：//arxiv.org/pdf/1705.07874 https://arxiv.org/pdf/1705.07874 .

RIBEIRO M T ， SINGH S ， GUESTRIN C . “ Why should I trust you？”： explaining the predictions of any classifier ［EB/OL］. ［ 2023-09-14 ］. https：//arxiv.org/pdf/1602.04938 https://arxiv.org/pdf/1602.04938 .

HONG T ， XIE J R ， BLACK J . Global energy forecasting competition 2017： hierarchical probabilistic load forecasting ［J］. International Journal of Forecasting ， 2019 ， 35 （ 4 ）： 1389 - 1399 .

王轲，钟海旺，余南鹏，等 . 基于seq2seq和Attention机制的居民用户非侵入式负荷分解［J］. 中国电机工程学报， 2019 ， 39 （ 1 ）： 75 - 83 .

WANG Ke ， ZHONG Haiwang ， YU Nanpeng ， et al . Nonintrusive load monitoring based on sequence-to-sequence model with Attention mechanism ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 1 ）： 75 - 83 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

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

Interpretable Detection Method for False Data Injection Attack on Power Grid Based on Multi-head Graph Attention Network and Time Convolution Network Model

Medium- and Long-term Industry Load Forecasting Method Considering Multi-dimensional Temporal Features

Short-term Load Forecasting for Multi-task Consumers Based on Multi-dimensional Fusion Feature and Convolutional Neural Network

Related Author

LIU Jinxiang

ZHANG Jiangfeng

DONG Shanling

LIU Meiqin

ZHANG Senlin

SU Xiangjing

DENG Chao

LI Fengyong

Related Institution

College of Electrical Engineering, Zhejiang University

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

Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University

Jinhua Institute of Zhejiang University

School of Electrical Engineering, Shanghai University of Electric Power

⁰