Short-term Residential Load Forecasting Based on Dynamic Association Graph Attention Networks for Virtual Power Plant

ZHANG Junkai; HU Xuguang; LIU Yaobo; XU Qing; MA Dazhong; SUN Qiuye

doi:10.7500/AEPS20240328002

您当前的位置：

首页 >

文章列表页 >

Short-term Residential Load Forecasting Based on Dynamic Association Graph Attention Networks for Virtual Power Plant

Basic Research | 更新时间：2025-06-16

- Short-term Residential Load Forecasting Based on Dynamic Association Graph Attention Networks for Virtual Power Plant
- Automation of Electric Power Systems Vol. 48, Issue 21, Pages: 120-128(2024)
- 作者机构：
  
  东北大学信息科学与工程学院，辽宁省沈阳市 110819
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(62303103);Scientific Research Project of Liaoning Provincial Department of Education(JYTQN2023161);Liaoning Provincial Natural Science Foundation of China(2023-BSBA-140)
- DOI：10.7500/AEPS20240328002
  CLC：
- Received：28 March 2024，
  
  Revised：2024-06-15，
  
  Published Online：23 September 2024，
  
  Published：10 November 2024
- 稿件说明：
移动端阅览
张峻凯,胡旭光,刘要博等.基于动态关联图注意力网络的虚拟电厂居民短期负荷预测[J].电力系统自动化,2024,48(21):120-128.

ZHANG Junkai,HU Xuguang,LIU Yaobo,et al.Short-term Residential Load Forecasting Based on Dynamic Association Graph Attention Networks for Virtual Power Plant[J].Automation of Electric Power Systems,2024,48(21):120-128.
张峻凯,胡旭光,刘要博等.基于动态关联图注意力网络的虚拟电厂居民短期负荷预测[J].电力系统自动化,2024,48(21):120-128. DOI： 10.7500/AEPS20240328002.

ZHANG Junkai,HU Xuguang,LIU Yaobo,et al.Short-term Residential Load Forecasting Based on Dynamic Association Graph Attention Networks for Virtual Power Plant[J].Automation of Electric Power Systems,2024,48(21):120-128. DOI： 10.7500/AEPS20240328002.

摘要

居民短期负荷预测能够为虚拟电厂提供实时、灵活的电力需求信息，有助于虚拟电厂实现能源高效利用与优化电力市场交易。由于居民负荷相关性的日益凸显，传统预测方法仅基于单个居民历史负荷进行时序预测，无法满足规模化虚拟电厂对居民负荷关联性的综合需求。基于此，文中提出一种基于动态关联图注意力网络的虚拟电厂居民短期负荷预测方法。首先，提出了混合相关性分析方法来刻画居民负荷之间的线性和非线性关系

并进一步提出了权重剪枝阈值机制得到居民负荷混合相关性矩阵；然后，基于该矩阵构建动态关联图结构，进而提出时间图注意力网络机制以深入学习居民负荷的时空关联特性，并实现居民短期负荷预测目标；最后，以某地区实际居民负荷数据为例，验证了所提方法的有效性。

Abstract

Short-term residential load forecasting can provide real-time and flexible power demand information for virtual power plants

which is helpful for virtual power plants to realize efficient utilization of energy and optimize electricity market transactions. With the increasing prominence of correlation among residential loads

traditional forecasting methods

which primarily rely on time-series forecasting based on individual residential historical load

fail to satisfy the comprehensive demands for load interconnectivity in large-scale virtual power plant. Based on this

a short-term residential load forecasting method based on dynamic association graph attention networks for the virtual power plant is proposed. Firstly

a hybrid correlation analysis method is proposed to describe the linear and nonlinear relationship between residential loads

and a weight pruning threshold mechanism is further proposed to derive the hybrid correlation matrix of residential loads. Secondly

a dynamic association graph structure is constructed based on the hybrid correlation matrix

and a temporal graph attention mechanism is proposed to deeply learn the spatial-temporal association characteristics of residential loads

achieving the objective of short-term residential load forecasting. Finally

the effectiveness of the proposed method is verified by actual residential load data from a specific region.

关键词

Keywords

references

康重庆，陈启鑫，苏剑，等 . 新型电力系统规模化灵活资源虚拟电厂科学问题与研究框架［J］. 电力系统自动化， 2022 ， 46 （ 18 ）： 3 - 14 .

KANG Chong ing ， CHEN Qixin ， SU Jian ， et al . Scientific problems and research framework of virtual power plant with enormous flexible distributed energy resources in new power system ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 18 ）： 3 - 14 .

陈启鑫，高洪超，冯成，等 . 虚拟电厂动态构建与可信量化：理论分析与关键技术［J］. 电力系统自动化， 2022 ， 46 （ 18 ）： 26 - 36 .

CHEN Qixin ， GAO Hongchao ， FENG Cheng ， et al . Dynamic construction and trustworthy quantification of virtual power plant： theoretical analysis and key technologies ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 18 ）： 26 - 36 .

田滔，董凯元，饶贇，等 . 考虑冰灾天气时空分布影响的电力系统故障恢复策略研究［J］. 广东电力， 2023 ， 36 （ 8 ）： 39 - 46 .

TIAN Tao ， DONG Kaiyuan ， RAO Yun ， et al . Research on power system fault recovery strategy considering the influence of temporal and spatial distribution of ice disaster weather ［J］. Guangdong Electric Power ， 2023 ， 36 （ 8 ）： 39 - 46 .

刘鑫蕊，常鹏，孙秋野 . 基于XGBoost和无迹卡尔曼滤波自适应混合预测的电网虚假数据注入攻击检测［J］. 中国电机工程学报， 2021 ， 41 （ 16 ）： 5462 - 5475 .

LIU Xinrui ， CHANG Peng ， SUN Qiuye . Grid false data injection attacks detection based on XGBoost and unscented Kalman filter adaptive hybrid prediction ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 16 ）： 5462 - 5475 .

高洪超，陈启鑫，雷振，等 . 考虑事件数据的产消者负荷预测方法及极端误差抑制策略［J］. 电力系统自动化， 2023 ， 47 （ 13 ）： 47 - 55 .

GAO Hongchao ， CHEN Qixin ， LEI Zhen ， et al . Load forecasting method and extreme error suppression strategy for prosumers considering event data ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 13 ）： 47 - 55 .

ZHANG J L ， WEI Y M ， LI D Z ， et al . Short term electricity load forecasting using a hybrid model ［J］. Energy ， 2018 ， 158 ： 774 - 781 .

SANTIAGO C B ， GUO J Y ， SIGMAN M S . Predictive and mechanistic multivariate linear regression models for reaction development ［J］. Chemical Science ， 2018 ， 9 （ 9 ）： 2398 - 2412 .

李亚龙，刘文颖，田浩，等 . 基于纵-横向误差匹配的联合降损基线计算方法［J］. 中国电机工程学报， 2016 ， 36 （ 21 ）： 5831 - 5841 .

LI Yalong ， LIU Wenying ， TIAN Hao ， et al . Calculation method of combined loss reduction baseline based on matching vertical and horizontal errors ［J］. Proceedings of the CSEE ， 2016 ， 36 （ 21 ）： 5831 - 5841 .

WU D ， WANG B Y ， PRECUP D ， et al . Multiple kernel learning-based transfer regression for electric load forecasting ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 2 ）： 1183 - 1192 .

HU X G ， ZHAN Z K ， MA D Z ， et al . Spatiotemporal generative adversarial imputation networks： an approach to address missing data for wind turbines ［J］. IEEE Transactions on Instrumentation and Measurement ， 2023 ， 72 ： 3530508 .

WANG Y ， XIA Q ， KANG C Q . Secondary forecasting based on deviation analysis for short-term load forecasting ［J］. IEEE Transactions on Power Systems ， 2011 ， 26 （ 2 ）： 500 - 507 .

KHOTANZAD A ， AFKHAMI-ROHANI R ， LU T L ， et al . ANNSTLF—a neural-network-based electric load forecasting system ［J］. IEEE Transactions on Neural Networks ， 1997 ， 8 （ 4 ）： 835 - 846 .

刘洋，刘洋，许立雄 . 适用于海量负荷数据分类的高性能反向传播神经网络算法［J］. 电力系统自动化， 2018 ， 42 （ 21 ）： 96 - 103 .

LIU Yang ， LIU Yang ， XU Lixiong . High-performance back propagation neural network algorithm for classification of mass load data ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 21 ）： 96 - 103 .

ASLAM S ， HERODOTOU H ， MOHSIN S M ， et al . A survey on deep learning methods for power load and renewable energy forecasting in smart microgrids ［J］. Renewable and Sustainable Energy Reviews ， 2021 ， 144 ： 110992 .

SADAEI H J ， DE LIMA E SILVA P C ， GUIMARÃES F G ， et al . Short-term load forecasting by using a combined method of convolutional neural networks and fuzzy time series ［J］. Energy ， 2019 ， 175 ： 365 - 377 .

杨国华，郑豪丰，张鸿皓，等 . 基于Holt-Winters指数平滑和时间卷积网络的短期负荷预测［J］. 电力系统自动化， 2022 ， 46 （ 6 ）： 73 - 82 .

YANG Guohua ， ZHENG Haofeng ， ZHANG Honghao ， et al . Short-term load forecasting based on Holt-Winters exponential smoothing and temporal convolutional network ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 6 ）： 73 - 82 .

李丹，孙光帆，缪书唯，等 . 基于多维时序信息融合的短期电力负荷预测方法［J］. 中国电机工程学报， 2023 ， 43 （增刊1 ）： 94 - 106 .

LI Dan ， SUN Guangfan ， MIAO Shuwei ， et al . Short-term power load forecasting method based on multidimensional time series information fusion ［J］. Proceedings of the CSEE ， 2023 ， 43 （ S1 ）： 94 - 106 .

KONG W C ， DONG Z Y ， JIA Y W ， et al . Short-term residential load forecasting based on LSTM recurrent neural network ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 1 ）： 841 - 851 .

孙辉，杨帆，高正男，等 . 考虑特征重要性值波动的MI-BILSTM短期负荷预测［J］. 电力系统自动化， 2022 ， 46 （ 8 ）： 95 - 103 .

SUN Hui ， YANG Fan ， GAO Zhengnan ， et al . Short-term load forecasting based on mutual information and bi-directional long short-term memory network considering fluctuation in importance values of features ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 8 ）： 95 - 103 .

朱继忠，董瀚江，李盛林，等 . 数据驱动的综合能源系统负荷预测综述［J］. 中国电机工程学报， 2021 ， 41 （ 23 ）： 7905 - 7923 .

ZHU Jizhong ， DONG Hanjiang ， LI Shenglin ， et al . Review of data-driven load forecasting for integrated energy system ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 23 ）： 7905 - 7923 .

ZHANG Z W ， CUI P ， ZHU W W . Deep learning on graphs： a survey ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2022 ， 34 （ 1 ）： 249 - 270 .

胡家祥，曹迪，胡维昊，等 . 融入拓扑知识的图神经网络配电网抗差状态估计方法［J］. 电力系统自动化， 2023 ， 47 （ 10 ）： 84 - 97 .

HU Jiaxiang ， CAO Di ， HU Weihao ， et al . Robust state estimation method for distribution network based on graph neural network incorporating topology knowledge ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 10 ）： 84 - 97 .

赵雅雪，王旭，蒋传文，等 . 基于最大信息系数相关性分析和改进多层级门控LSTM的短期电价预测方法［J］. 中国电机工程学报， 2021 ， 41 （ 1 ）： 135 - 146 .

ZHAO Yaxue ， WANG Xu ， JIANG Chuanwen ， et al . A novel short-term electricity price forecasting method based on correlation analysis with the maximal information coefficient and modified multi-hierarchy gated LSTM ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 1 ）： 135 - 146 .

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 .

LIN W X ， WU D ， BOULET B . Spatial-temporal residential short-term load forecasting via graph neural networks ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 6 ）： 5373 - 5384 .

SATORRAS G ， RANGAPURAM S ， JANUSCHOWSKI T . Multi-variate time series forecasting with latent graph inference ［EB/OL］. ［ 2024-01-01 ］. https：//arxiv.org/abs/2203.03423 https://arxiv.org/abs/2203.03423 .

CINI A ， ZAMBON D ， ALIPPI C . Sparse graph learning for spatiotemporal time series ［EB/OL］.［ 2024-01-01 ］. https：//arxiv.org/pdf/2205.13492v1 https://arxiv.org/pdf/2205.13492v1 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Personalized Short-term Residential Load Forecasting Considering Missing Feature

Current Status and Architecture Design of Standardization for Virtual Power Plants

Related Author

JIANG Jiamei

LI Jiamei

AI Qian

NIU Zeyuan

CHEN Minyu

YANG Xuan

WANG Di

AI Qian

Related Institution

School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University

Kunming Power Exchange Center Co., Ltd.

Key Laboratory of Control of Power Transmission and Conversion, Ministry of Education (Shanghai Jiao Tong University)

State Grid Shanghai Municipal Electric Power Company

State Grid Shanghai Energy Interconnection Research Institute Co., Ltd.

⁰