一种周期性多节点电力负荷预测的方法及相关装置与流程

本技术涉及电力负荷预测，尤其涉及一种周期性多节点电力负荷预测的方法及相关装置。

背景技术：

1、新型可再生能源发电方式，将风力、水力和光伏发电并入电网，有助于有效减轻电力系统的供电压力。然而，由于风电和光电具有波动性和不稳定性，这给电力系统的安全稳定运行和吸收风光电能带来了极大的挑战。如果能使用过去的电力负荷数据精准的预测出未来的电力负荷数据，这将对发电厂的出力和电力系统的调度非常有意义，进而能够确保能源供应的质量和稳定性。

2、目前现有的电力负荷预测方法更多的是对单一节点的负荷进行预测，即集中在从节点本身的负荷序列中挖掘其负荷变化特性，忽视了该节点与其邻居节点的关系，从而导致电力负荷预测的准确性不高。此外，使用单节点预测模型在预测多个节点时，需要训练多个预测模型，且难以一次性完成多节点预测，这将导致模型的预测效果不好，也会提高多节点预测系统维护的难度。在另一方面，现有的电力负荷预测方法没有考虑到周期性这一影响因素。在工作日和节假日，人们的用电需求是不同的，往往直接认为工作日和工作日的用电规律是一致的，节假日和节假日的用电规律是一致的，但其实是不一样的。

技术实现思路

1、本技术提供了一种周期性多节点电力负荷预测的方法及相关装置，用于解决现有技术仅仅是对单一节点的负荷进行预测且没有考虑到周期性影响因素，导致电力负荷预测的准确性不高的问题。

2、有鉴于此，本技术第一方面提供了一种周期性多节点电力负荷预测方法，所述方法包括：

3、获取电力系统中待预测负荷节点及相邻节点的历史负荷和影响因素的数据，构建多节点电力负荷原始数据集；

4、对所述多节点电力负荷原始数据集进行预处理，得到多节点负荷样本数据集，并从所述多节点负荷样本数据集中筛选出相关性较高的影响因素，构建出最终的多节点负荷样本数据集；

5、对最终的所述多节点负荷样本数据集按照工作日和节假日进行划分，从而构建周期性多节点负荷样本数据集，并划分为训练集、验证集和测试集；

6、融合图卷积网络和双向门控循环单元搭建初始的周期性多节点电力负荷预测模型；

7、基于所述数据集对初始的周期性多节点电力负荷预测模型的超参数进行优化，并采用评价指标对预测效果进行评价，从而确定最终的周期性多节点电力负荷预测模型，用于进行多节点电力负荷预测。

8、可选地，所述融合图卷积网络和双向门控循环单元搭建初始的周期性多节点电力负荷预测模型，具体包括：

9、获取电力网各个节点的连接关系，提取电力网的邻接矩阵；

10、将所述邻接矩阵作为输入传递给图卷积神经网络，以获取网络的输出；

11、将所述网络的输出作为输入传递给双向门控循环单元，同时将电力负荷的时序数据传递给双向门控循环单元，结合双向门控循环单元的双向性和门控机制来对电力负荷的时序信息进行处理，从而预测电力系统的数据。

12、可选地，所述基于所述数据集对初始的周期性多节点电力负荷预测模型的超参数进行优化，并采用评价指标对预测效果进行评价，从而确定最终的周期性多节点电力负荷预测模型，具体包括：

13、将所述数据集划分为训练集、验证集和测试集，并设置初始的周期性多节点电力负荷预测模型的参数；

14、通过训练集对初始的周期性多节点电力负荷预测模型进行训练，同时将mse、rmse、mpse作为评价指标对对预测效果进行评价，选出最优的参数，从而确定确定最终的周期性多节点电力负荷预测模型。

15、可选地，所述对所述多节点电力负荷原始数据集进行预处理，得到多节点负荷样本数据集，并从所述多节点负荷样本数据集中筛选出相关性较高的影响因素，构建出最终的多节点负荷样本数据集，具体包括：

16、对所述多节点电力负荷原始数据集中的缺失数据进行填充，不合理数据进行平滑处理，然后进行归一化，得到多节点负荷样本数据集；

17、采用皮尔逊相关系数对所述多节点负荷样本数据集中的影响因素与电负荷的相关性进行计算和比较，筛选出相关性较高的影响因素。

18、本技术第二方面提供一种周期性多节点电力负荷预测系统，所述系统包括：

19、第一构建单元，用于获取电力系统中待预测负荷节点及相邻节点的历史负荷和影响因素的数据，构建多节点电力负荷原始数据集；

20、第二构建单元，用于对所述多节点电力负荷原始数据集进行预处理，得到多节点负荷样本数据集，并从所述多节点负荷样本数据集中筛选出相关性较高的影响因素，构建出最终的多节点负荷样本数据集；

21、划分单元，用于对最终的所述多节点负荷样本数据集按照工作日和节假日进行划分，从而构建周期性多节点负荷样本数据集，并划分为训练集、验证集和测试集；

22、搭建单元，用于融合图卷积网络和双向门控循环单元搭建初始的周期性多节点电力负荷预测模型；

23、训练单元，用于基于所述数据集对初始的周期性多节点电力负荷预测模型的超参数进行优化，并采用评价指标对预测效果进行评价，从而确定最终的周期性多节点电力负荷预测模型，用于进行多节点电力负荷预测。

24、可选地，所述搭建单元，具体用于：

25、获取电力网各个节点的连接关系，提取电力网的邻接矩阵；

26、将所述邻接矩阵作为输入传递给图卷积神经网络，以获取网络的输出；

27、将所述网络的输出作为输入传递给双向门控循环单元，同时将电力负荷的时序数据传递给双向门控循环单元，结合双向门控循环单元的双向性和门控机制来对电力负荷的时序信息进行处理，从而预测电力系统的数据。

28、可选地，所述训练单元，具体用于：

29、将所述数据集划分为训练集、验证集和测试集，并设置初始的周期性多节点电力负荷预测模型的参数；

30、通过训练集对初始的周期性多节点电力负荷预测模型进行训练，同时将mse、rmse、mpse作为评价指标对对预测效果进行评价，选出最优的参数，从而确定确定最终的周期性多节点电力负荷预测模型，用于进行多节点电力负荷预测。

31、可选地，所述第二构建单元，具体用于：

32、对所述多节点电力负荷原始数据集中的缺失数据进行填充，不合理数据进行平滑处理，然后进行归一化，得到多节点负荷样本数据集；

33、采用皮尔逊相关系数对所述多节点负荷样本数据集中的影响因素与电负荷的相关性进行计算和比较，筛选出相关性较高的影响因素。

34、本技术第三方面提供一种周期性多节点电力负荷预测设备，所述设备包括处理器以及存储器：

35、所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

36、所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的周期性多节点电力负荷预测方法的步骤。

37、本技术第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的周期性多节点电力负荷预测方法。

38、从以上技术方案可以看出，本技术具有以下优点：

39、本技术提供了一种周期性多节点电力负荷预测方法，通过结合图卷积网络和双向门控循环单元，以精确捕捉电力系统中多节点之间的空间和时间特征。与传统方法相比，本技术考虑了节点间的关系和负荷数据的周期性变化，提高了预测准确度和效率。此外，本技术还包括对原始数据进行预处理和周期性提取的步骤，以进一步优化预测结果。经过实验验证，本技术的方法在多节点电力负荷预测方面表现出较高的准确性和可靠性，有助于维持电力系统的供需平衡，提高能源供应的质量和稳定性。因此，本技术具有广阔的应用前景，并为电力负荷预测领域带来了重要的技术突破和创新。

40、与现有技术相比：

41、1）通过融合图卷积网络和双向门控循环单元，能够全面挖掘电力系统中多节点之间的空间和时间特征，提高了预测准确度；2）考虑到电力负荷数据的周期性变化，提高了预测模型在不同时间段的适应性和准确性；3）通过对原始数据进行预处理和周期性提取，进一步优化了预测结果的质量；4）具有良好的泛化能力，可在实际电力系统中广泛应用。因此，本技术的方法为电力负荷预测领域提供了一种高效、精确和可靠的解决方案，对于维持电力系统的稳定运行和优化能源调度具有重要意义。