[发明专利]基于拓扑结构和时间卷积网络的电力负荷预测方法

说明书

本发明提供一种基于拓扑结构和时间卷积网络的电力负荷预测方法，用于预测电力系统中的各种电器的电器预测消耗功率值从而实现电力负荷的预测，其特征在于，获取各种电器在一定时间内的电器功率数据并进行预处理；基于预定的电器拓扑结构处理方法对预处理后的电器功率数据进行拓扑处理得到按时间序列排序的多个功率拓扑数据作为一串时序数据；基于预先训练的电力负荷预测网络对时序数据进行处理从而得到电力负荷预测网络输出的谱空间预测向量；将谱空间预测向量使用逆傅立叶变换恢复成图结构从而得到各种电器的电器预测消耗功率值并进行输出，因此在预测时可以利用电器用电量之间的关联性来有效地提高电器功率的预测准确性。

技术领域

本发明属于电力运维技术领域，涉及电力负荷预测方法，具体涉及一种基于拓扑结构和时间卷积网络的电力负荷预测方法。

背景技术

电力负荷预测为根据电力负荷的过去和现在推测它的未来数值，进行电力负荷预测可以推知负荷的发展趋势和可能达到的状况，提高经济效益和社会效益。

当前的电力负荷预测方法大方向分为传统预测方法和现代预测方法，其中现代预测方法主要包括以下几种：基于CNN模型的预测方法，利用LSTM模型结合时间序列预测电力系统负荷的方法，以及利用用电数据、温度、时间等多维数据进行直接卷积等神经网络方法，都取得了较好的效果。

但是，当前的现代预测方法也存在一些问题，第一，当前方法没有分析各用电器之间潜在的关联，如使用微波炉后可能会使用洗碗机，使用电脑时可能会同时使用空调等；第二，利用CNN卷积神经网络时不能体现时间序列，即不能利用数据的时间信息，利用LSTM模型时，网络结构会选择遗忘一些网络结构认为不重要的信息，导致可能会遗漏潜在的重要信息；第三，当前方法使用的深度学习模型，都难以在大时间序列上进行卷积，感受野小，难以对需要较长时间依赖的模型训练得到高准确率的结果。

发明内容

为解决上述问题，提供一种基于拓扑结构和时间卷积网络的电力负荷预测方法，本发明采用了如下技术方案：

本发明提供了一种基于拓扑结构和时间卷积网络的电力负荷预测方法，用于预测电力系统中的各种电器的电器预测消耗功率值从而实现电力负荷的预测，其特征在于，包括：步骤S1-1，获取各种电器在一定时间内的电器功率数据并进行预处理；步骤S1-2，基于预定的电器拓扑结构处理方法对预处理后的电器功率数据进行拓扑处理得到按时间序列排序的多个功率拓扑数据作为一串时序数据；步骤S1-3，基于预先训练的电力负荷预测网络对时序数据进行处理从而得到电力负荷预测网络输出的谱空间预测向量；步骤S1-4，将谱空间预测向量使用逆傅立叶变换恢复成图结构从而得到各种电器的电器预测消耗功率值并进行输出，其中，电器拓扑结构处理方法为：步骤S2-1，统计电力系统中电器的种类；步骤S2-2，以电器的种类为图的顶点、以电器在这一时刻消耗的功率为顶点的数值并根据预先设定的边的权重构建包含所有电器的网状拓扑结构图G(X,E)，其中，X是各个顶点的数值的集合，E为所有边的集合；步骤S2-3，将网络状拓扑结构图G(X,E)投影到由正则化拉普拉斯矩阵的特征向量构成的正交空间，进行傅立叶变换得到功率拓扑数据。

本发明提供的基于拓扑结构和时间卷积网络的电力负荷预测方法，还可以具有这样的技术特征，其中，电力负荷预测网络通过以下步骤训练得到：步骤S3-1，获取各种电器的历史功率数据；步骤S3-2，从历史功率数据中获取一定时间内的电器功率数据进行预处理，并获取该电器功率数据之后一定时间内的电器功率数据作为未来功率数据；步骤S3-3，基于预定的电器拓扑结构处理方法对预处理后的电器功率数据进行拓扑处理得到按时间序列排序的多个功率拓扑数据作为训练时序数据；步骤S3-4，根据训练时序数据对一个待训练网络进行训练，进一步基于该待训练网络的输出序列数据以及未来功率数据计算损失并通过反向传播更新待训练网络的模型参数；步骤S3-5，重复步骤S3-2至步骤S3-4直至达到预定的训练完成条件，并将最终更新的待训练网络作为电力负荷预测网络。