[发明专利]一种短期电力负荷预测方法、装置、设备和介质

说明书

本发明公开了一种短期电力负荷预测方法、装置、设备和介质，涉及电力负荷预测领域，解决了由于现有预测方法的非线性映射能力差的问题，进而导致现有的预测方法的预测精度较差，本发明为了学习电力负荷序列中变量之间的潜在关系，构建图卷积神经网络，并以电力负荷的时间序列的维度作为图卷积神经网络的节点，从而提高非线性映射能力，图卷积神经网络还用于更新节点特征以生成节点的嵌入，以全面考虑变量之间的关系，以此避免陷入局部最优的状态。最后，通过时序卷积神经网络建立节点的嵌入的时间关系，以进一步增强模型的时间建模能力，故此本发明提高了短期电力负荷预测方法的预测精度，为电力系统安全稳定运行提供了决策依据。

技术领域

本发明涉及一种电力负荷预测领域，更具体地说，它涉及一种短期电力负荷预测方法、装置、设备和介质。

背景技术

电力负荷预测可以帮助电力公司为其终端用户提供安全和稳定的电力。电力公司在准确的负荷预测方面有一些优势，如降低运行和维护成本，提高可靠性，也可以为未来的发展做出合理的决策。电力系统的负荷调度需要高速、准确的短期电力负荷预测。

目前用于短期电力负荷预测的方法很多，但现有预测方法非线性映射能力差，易陷入局部最优，进而导致现有的预测方法的预测精度较差。

发明内容

本发明解决了由于现有预测方法的非线性映射能力差的问题，进而导致现有的预测方法的预测精度较差，目的是提供一种短期电力负荷预测方法、装置、设备和介质，本发明以图卷积神经网络模块、时序卷积神经网络模块以及全连接层构建负荷预测模型，负荷预测模型对电力负荷序列进行分解，得到不同尺度特征，为了学习电力负荷序列中变量之间的潜在关系，构建图卷积神经网络，并以电力负荷的时间序列的维度作为图卷积神经网络的节点，从而提高非线性映射能力，图卷积神经网络还用于更新节点特征以生成节点的嵌入，以全面考虑变量之间的关系，以此避免陷入局部最优的状态。最后，通过时序卷积神经网络建立节点的嵌入的时间关系，以进一步增强模型的时间建模能力，最后在时序卷积神经网络的输出连接一层全连接层，以实现下一时刻的电力负荷序列预测，故此本发明提高了短期电力负荷预测方法的预测精度，为电力系统安全稳定运行提供了决策依据。

本发明的上述技术目的是通过以下技术方案得以实现的：

第一方面，本发明提供一种短期电力负荷预测方法，包括：

获取电力系统的电力负荷序列，并将电力负荷序列作为训练样本的输入序列和目标输出；

构建负荷预测模型，其中负荷预测模型包括图卷积神经网络模块、时序卷积神经网络模块以及全连接层；

将时序卷积神经网络模块和图卷积神经网络模块的权重参数初始化后，将输入序列输入至负荷预测模型中计算预测的电力负荷值；

通过目标函数计算预测的电力负荷值与目标输出的误差；

分别计算图卷积神经网络模块和时序卷积神经网络模块中的权重参数与误差的梯度，通过梯度分别更新图卷积神经网络模块和时序卷积神经网络模块的权重参数来对负荷预测模型进行训练；

将电力负荷数据输入至训练完成的负荷预测模型中，输出下一时刻的电力负荷的预测结果。

在一些实施方案中，获取电力系统的电力负荷序列，包括：

采集各个时刻对应的电力负荷值，依据各个时刻对应的电力负荷值生成时间序列长度为t的电力负荷序列。

在一些实施方案中，将输入序列输入至负荷预测模型中计算预测的电力负荷值，具体为：

对电力负荷序列进行特征分解，得到特征矩阵，其中所述特征矩阵包括负荷子序列和残差序列；

将所述负荷子序列和残差序列连接成节点特征矩阵作为预置图卷积神经网络的节点特征；