基于时空图卷积网络的短期空间负荷预测方法

张鹏飞; 胡博; 何金松; 胡展硕; 刘桁宇; 刘育博

doi:10.7500/AEPS20220929019

您当前的位置：

首页 >

文章列表页 >

基于时空图卷积网络的短期空间负荷预测方法

面向多元用户的负荷特性建模与预测关键技术 | 更新时间：2025-06-16

- 基于时空图卷积网络的短期空间负荷预测方法
- Short-term Spatial Load Forecasting Method Based on Spatio-Temporal Graph Convolutional Network
- 电力系统自动化 2023年47卷第13期页码：78-85
- 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：
  
  张鹏飞(1995—)，男，博士研究生，主要研究方向：电力负荷预测、人工智能、用户用电行为分析等。E-mail：1427118867@qq.com
  胡博(1972—)，男，通信作者，博士，教授级高级工程师，博士生导师，主要研究方向：电力系统自动化、人工智能、用户用电行为分析等。E-mail：dianlihubo@sina.com
  何金松(1994—)，男，博士研究生，工程师，主要研究方向：多能源系统与电力网络分析、人工智能。E-mail：280779413@qq.com
- 基金信息：
  
  辽宁省“兴辽英才计划”基金资助项目(XLYC1902090)
- DOI：10.7500/AEPS20220929019
  中图分类号：
- 收稿：2022-09-29，
  
  修回：2023-01-19，
  
  网络出版：2023-05-24，
  
  纸质出版：2023-07-10
- 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 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

计及异常场景数据缺失的负荷超短期预测

结合负荷多步预测的氢能船舶双层能量调度策略

考虑屋顶光伏热效应的短期净负荷预测

基于条件增强扩散模型的短期负荷概率预测