基于多尺度时空图卷积网络与Transformer融合的多节点短期电力负荷预测方法

作     者：孟衡 张涛 王金 张晋源 李达 时光蕤 MENG Heng;ZHANG Tao;WANG Jin;ZHANG Jinyuan;LI Da;SHI Guangrui

作者机构：三峡大学电气与新能源学院湖北省宜昌市443002 智慧能源技术湖北省工程研究中心(三峡大学)湖北省宜昌市443002 国网湖北省电力有限公司宜昌供电公司湖北省宜昌市443002 

基　　金：国家自然科学基金项目(52007103) 

出 版 物：《电网技术》 (Power System Technology)

年 卷 期：2024年第48卷第10期

页      码：4297-4305,I0113-I0117,I0112页

摘      要：深度学习的发展为处理电力系统中海量的负荷数据提供了良好的基础。然而,现有的负荷预测方法大多采用历史负荷序列的时间相关性构建模型,没有同时考虑相邻节点之间存在的空间耦合特性和外部因素的影响。由于图卷积神经网络在挖掘电力系统拓扑结构中的空间特征上具有巨大潜力,因此,该文提出一种基于属性增强的多尺度时空图卷积神经网络与Transformer融合的电力系统多节点负荷预测方法。首先,将外部因素建模为动态属性和静态属性,设计属性增强单元对这些因素进行编码,并利用快速最大互信息系数量化各节点负荷的动态耦合信息。其次,采用多尺度时空图卷积网络挖掘节点间的短期时空特征,同时采用Transformer补充挖掘各节点负荷的长期时域特征。最后,使用门控融合层对两个模型进行融合。在纽约公开负荷数据集上的实验结果表明,所提方法能够充分挖掘多节点负荷数据中的时空耦合特性,具有更高的预测精度和稳定性。

主 题 词：多节点负荷预测 多尺度时空图卷积神经网络 属性增强 Transformer 

学科分类：080802[080802] 0808[工学-自动化类] 08[工学] 

核心收录：

D　O　I：10.13335/j.1000-3673.pst.2024.0168

馆 藏 号：203144460...