一种基于时空图神经网络的多能源负荷预测方法

技术领域

本发明涉及综合能源系统技术领域，具体为一种基于时空图神经网络的多能源负荷预测方法。

背景技术

综合能源系统，在实现我国“双碳”目标过程中将发挥重要作用。综合能源系统是提高能源利用率，降低用能成本的重要技术手段，随着综合能源利用技术的不断发展与用户用能需求的多元化，现有单一负荷预测方法难以反映多元负荷间的耦合特性，精确的多元负荷预测将成为综合能源系统优化调度和经济运行的首要前提。

传统的负荷预测方法通常对不同类型的负荷进行单独预测，不会考虑到不同负荷之间有着复杂的耦合关系，因此多能源负荷预测精度比单一负荷预测精度要高。短期负荷预测经典的方法包括回归分析法、时间序列法、指数平滑法，这一类方法都没有很好的反映天气和节假日等影响因素。

在综合能源系统负荷预测方面，现有以下几种预测方法：基于向量自动回归的多能源系统中电、冷、热负荷预测方法、由CNN、GRU、GBRT组成的多能源负荷预测模型、由深度信念网络(DBN)和多任务回归层构建的一种电力、热和燃气的短期能源预测方法；递归神经网络(RNN)，LSTM或GRU有其自身的局限性。首先，RNN在处理时间序列数据时有梯度消失和梯度爆炸的问题，因此不能长期依赖。由于LSTM增加了更多回传梯度路径，只要一条路径没有梯度消失，那么梯度消失问题得到了改善，只是提高模型的远距离依赖能力，问题依然存在。GRU也是为了解决长期记忆和反向传播中梯度问题而提出来的，但仍然没有解决长期记忆和梯度问题，与LSTM相比GRU内部少了一个门控单元，参数量减少了。最重要的，RNN固有的时间特性阻碍了训练的并行化。另一方面，现在多任务结构的实现基本上是一种简单的"硬连接"方法。特征共享层和具体任务层是直接连接的，这就不能反映不同子任务对共享特征的不同关注。以上存在的局限性，导致现有的能源预测模型预测精度不高。

发明内容

本发明的目的在于：本发明提出了一种基于时空图神经网络的多能源负荷预测方法，充分捕捉电、冷、热负荷分别与气象特征、日历特征之间的依赖关系，有效的利用电、冷、热负荷与气象特征、日历特征之间的丰富信息，提高多能源负荷预测模型的预测性能。

为实现上述目的，本发明提供如下技术方案：一种基于时空图神经网络的多能源负荷预测方法，包括以下步骤：

S1：从现有综合能源系统数据库中先选取日历特征数据，然后获取对应时间的电、热、冷负荷历史数据，再获取综合能源系统所在地的各气象特征数据；

S2：分别对获取到的电、热、冷负荷历史数据、各气象特征数据进行数据预处理，得到时间序列数据集；

S3：使用灰色关联度分析法，以步骤S2得到的时间序列数据作为输入，得到电、热、冷两两负荷之间，以及每种负荷分别与各气象特征、日历特征的关联度，然后根据灰色关联度分析的结果和预设的关联度选择阈值，选出与每种负荷特征关联度都不小于选择阈值的气象特征和日历特征，再将所选气象特征、日历特征对应的时间序列数据与各负荷特征的时间序列数据组合，构成多能源负荷预测数据集；

S4：将多能源负荷预测数据集中的数据按照预设比例划分为训练集、验证集和测试集，同时，搭建时空图神经网络负荷预测模型；利用训练集和验证集中的数据对时空图神经网络负荷预测模型进行训练，在对时空图神经网络负荷预测模型进行训练的过程中优化模型的参数和超参数，得到最优时空图神经网络负荷预测模型；

S5：将测试集中的数据输入到最优时空图神经网络预测模型，得到电、热、冷负荷的归一化预测结果，再对电、热、冷负荷的归一化预测结果进行反归一化处理，得到最终电、热、冷负荷的预测值。

进一步地，前述的S2包括以下步骤：

S201：根据国际计量单位换算方法，将获取到的电、热、冷负荷数据的单位统一换算成以KW作为单位；换算公式如下：

1KW＝3.4mBtu/h＝0.284ton-hr

其中，KW为电负荷单位、mBtu/h为冷负荷单位、ton-hr为热负荷单位；

S202：对单位统一的电、热、冷负荷数据和各气象特征数据，分别都使用箱线图四分位检测法和一阶指数平滑法检测时间序列异常值；如果检测到时间序列异常值，将该时间序列异常值设为Nan，再采用线性插值法填补Nan，以得到电、热、冷负荷和各气象特征的样本数据；

S203：对电、热、冷负荷和各气象特征的样本数据分别做归一化处理，得到电、热、冷负荷数据、气象特征数据和日历特征数据的时间序列数据集；归一化处理公式如下：

其中，X为原始数据，X

进一步地，前述的S3中的灰色关联度分析公式如下：

公式中：α

进一步地，前述的S4中所述的时空图神经网络负荷预测模型包括图学习模块、特征注意力模块、图卷积模块、时序卷积模块；训练集中的数据输入图学习模块学习训练，图学习模块从训练集中提取各特征与负荷之间的动态空间关系，得到一个邻接矩阵；时序卷积模块提取高层次的时间特征；特征注意力模块计算各特征与负荷间相互影响的权重，充分挖掘各特征分别与电、热、冷负荷的相关性，自动选取与最终预测电、热、冷负荷相关性强的气象、日历特征；时序卷积模块、特征注意力模块和图卷积模块交错使用，以分别捕捉时间、特征间和空间上的依赖关系；在时序卷积模块的输入端和图卷积模块的输出端之间增加了残差连接，用于避免梯度消失的问题。

进一步地，前述的对时空图神经网络负荷预测模型进行训练包括：

(1)采用网格搜索法确定时空图神经网络负荷预测模型的超参数，超参数包括卷积通道数、学习率、图卷积模块的层数、时序卷积模块的层数；

(2)将训练集中的数据输入时空图神经网络负荷预测模型，输出电、热、冷负荷的预测值，进行时空图神经网络负荷预测模型学习训练；

(3)将验证集中的数据输入时空图神经网络负荷预测模型，调整模型的超参数的同时对时空图神经网络负荷预测模型的预测能力进行评估。

进一步地，前述的S5中的反归一化处理公式如下：

X

其中，Xn为基于时空图神经网络的多能源负荷预测数据，X

本发明所述一种基于时空图神经网络的多能源负荷预测方法，采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明中，对综合能源系统中电、冷、热负荷数据和气象数据，使用箱线图四分位检测算法和一阶指数平滑算法检测时间序列的异常值，采用线性插值法填补Nan，有效保证数据的质量以及相对完整性；

(2)本发明中，使用灰色关联度分析电、热、冷两两负荷之间，以及每种负荷分别与各气象特征、日历特征的关联度，选出与电、冷、热负荷相关性较强的气象、日历特征，可以有效地提高预测精度，同时减少训练、推理的时间；

(3)本发明提出的多能源负荷预测方法不仅考虑到多能源负荷的内部的耦合关系，进行联合预测，还利用时空图神经网络捕捉时间序列中各负荷和气象、日历特征间的依赖关系，提高多能源负荷预测的准确性，使多能源负荷预测模型的通用性更强，预测性能更高。

附图说明

图1是基于时空图神经网络的多能源负荷预测方法的流程图；

图2是基于时空图神经网络的多能源负荷预测方法中数据预处理的流程图；

图3是基于时空图神经网络的多能源负荷预测方法中灰色关联度分析结果图；

图4是基于时空图神经网络的多能源负荷预测方法的时空图神经网络结构图；

图5是时空图神经网络中图卷积模块的结构图；

图6是时空图神经网络中时序卷积模块的结构图；

图7是基于时空图神经网络的多能源负荷预测方法的电负荷预测结果对比图；

图8是基于时空图神经网络的多能源负荷预测方法的冷负荷预测结果对比图；

图9是基于时空图神经网络的多能源负荷预测方法的热负荷预测结果对比图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本发明中参照附图来描述本发明的各方面，附图给出了许多说明性实施例。本发明的实施例不局限于附图所述。应当理解，本发明通过上面介绍的多种构思和实施例，以及下面详细描述的构思和实施方式中的任意一种来实现，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

本发明提出了一种基于时空图神经网络的多能源负荷预测方法，充分捕捉时间序列中电、冷、热负荷、气象特征、节假日特征之间依赖关系，有效的利用时间和特征间的丰富信息，提高了多能源负荷预测模型的预测性能。如图1所示，基于时空图神经网络的多能源负荷预测方法包括：

第一步：从现有综合能源系统数据库中先选取日历特征数据，然后获取对应时间的电、热、冷负荷历史数据，再获取综合能源系统所在地的各气象特征数据。

本实施例中，日历特征选取假期、周末、月、日、小时；负荷数据来自美国亚利桑那州立大学坦佩校区，从网络平台获取2017年1月1日0时—2019年12月31日24时的冷、热、电负荷数据，时间分辨率为1h。天气数据来源为美国国家气候资料中心网站中Tempe校区位置的气象数据包括露点、风速、降水量、风向、湿度、温度、大气压。

第二步：分别对获取到的电、热、冷负荷历史数据、各气象特征数据进行数据预处理，得到时间序列数据集。

本实施例中，如图2所示，获取的历史负荷中电负荷单位为KW、冷负荷单位为mBtu/h、热负荷单位为ton-hr。先将电、冷、热负荷以KW作为统一计量单位。其中，上述的换算公式如下：

1KW＝3.4mBtu/h＝0.284ton-hr

对统一计量单位的历史负荷数据和露点、风速、降水量、风向、湿度、温度、大气压的气象数据，再使用箱线图四分位检测算法和一阶指数平滑算法检测时间序列的异常值。如果是异常值，该值将设为Nan，采用线性插值法填补Nan，以保证数据的质量以及相对完整性。最后对电、冷、热负荷数据和每个气象特征数据做归一化处理，得到电、冷、热负荷数据、气象数据和日历数据的时间序列数据集。归一化公式如下：

其中，X为原始数据，X

第三步：使用灰色关联度分析法，以时间序列数据作为输入，得到电、热、冷两两负荷之间，以及每种负荷分别与各气象特征、日历特征的关联度，然后根据灰色关联度分析的结果和预设的关联度选择阈值，选出与每种负荷特征关联度都不小于选择阈值的气象特征和日历特征，再将所选气象特征、日历特征对应的时间序列数据与各负荷特征的时间序列数据组合，构成多能源负荷预测数据集。其中，灰色关联度分析公式如下：

公式中：α

本实施例中，综合能源系统负荷预测特征包含电负荷、冷负荷、热负荷、露点、风速、降水量、风向、湿度、温度、大气压、假期、周末、月、日、小时，共计15个特征，灰色关联度分析结果如图3所示，0-0.6表示弱相关，0.6-0.8表示一般相关，0.8-1表示强相关，设置负荷特征关联度选择阈值为0.6，最终选择的相关特征为电负荷、冷负荷、热负荷、温度、假期、周末、月、日、小时，共计8个特征。

第四步：将多能源负荷预测数据集中的数据按照预设比例划分为训练集、验证集和测试集，同时，搭建时空图神经网络负荷预测模型；利用训练集和验证集中的数据对时空图神经网络负荷预测模型进行训练，在对时空图神经网络负荷预测模型进行训练的过程中优化模型的参数和超参数，得到最优时空图神经网络负荷预测模型；

本实施例中，将多能源负荷预测数据集按照6：2：2划分为训练集、验证集和测试集。搭建的时空图神经网络负荷预测模型包括图学习模块、特征注意力模块、图卷积模块、时序卷积模块；模块之间的连接顺序如图4所示，输入训练中数据进行时空图神经网络负荷预测模型学习训练并调整优化模型参数，具体包括：

(1)采用网格搜索法确定时空图神经网络负荷预测模型的超参数；

本发明实施例采用python代码编写，基于pytorch框架搭建了时空图神经网络，同时选择SVR、RF、DBN、LSTM模型作为对照模型，详细的参数如表1所示：

表1

(2)将训练集中的数据输入图学习模块学习训练，图学习模块的目的是从训练集中提取变量之间的动态空间关系。不同变量的数值在交叉时间的变化可以更好地反映变量之间的空间关系，考虑到时间序列的周期性，我们设置了一个超参数周期P，将训练的MTS分割成

特征注意力模块来适应性地捕捉特征维度上节点之间的动态关联。

首先，我们先将X转化成Q，K两个特征空间。公式如下：

Q(X)＝(X·W

K(X)＝X·W

然后，计算出一个特征注意力的权重值，公式如下：

S＝Q(X)·K(X)

最后，将归一化的注意力α

X′＝α

adj′＝α

其中X是注意力模块的输入，W

图卷积模块将一个节点的信息与它的邻居的信息相融合，以处理特征的空间依赖关系。如图5所示，图卷积模块由两个GCN模块组成，分别处理通过每个节点的流入和流出信息。

其中，K是传播深度，H

时间卷积模块膨胀卷积滤波器来提取高层次的时间特征。如图6所示，该模块由两个膨胀卷积层组成。一个膨胀卷积层后面有一个切线双曲激活函数，并作为一个滤波器工作。另一层后面是一个sigmoid激活函数，作为一个门，控制过滤器可以传递给下一个模块的信息量。

(3)将验证集中的数据输入时空图神经网络负荷预测模型，调整模型的超参数的同时对时空图神经网络负荷预测模型的预测能力进行评估。

第五步：将测试集中的数据输入到最优时空图神经网络预测模型，得到电、热、冷负荷的归一化预测结果，再对电、热、冷负荷的归一化预测结果进行反归一化处理，得到最终电、热、冷负荷的预测值。其中，反归一化处理公式如下：

X

式中，Xn为基于时空图神经网络的多能源负荷预测数据，X

为了比较负荷预测效果，建立预测结果评估指标，采用平均绝对误差MAE、均方根误差RMSE和平均绝对百分误差MAPE三种指标衡量预测值与实际值之间的偏差。具体误差公式如下式所示：

公式中，需要评估的样本数量，

计算各个模型在测试集上的MAE、RMSE和MAPE指标，如表2、3、4所示，为了更直观地显示预测结果，我们选择了测试数据集中一个月的预测曲线，如图7、8、9所示。结果表明，所提出的一种基于时空图神经网络的多能源负荷预测方法具有很高的预测精度，预测精度高于对比模型。

表2

表3

表4

虽然本发明已以较佳实施例阐述如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。