[发明专利]一种基于时空图神经网络的多能源负荷预测方法

说明书

本发明提供了一种基于时空图神经网络的多能源负荷预测方法，包括如下步骤：选出日历特征，并获取综合能源系统中对应时间的电、热、冷负荷、气象特征数据；对各特征数据进行异常数据检测、线性插值、归一化处理，得到时间序列数据集；使用灰色关联度分析方法选择与电、热、冷负荷相关性较强的气象、日历特征，得到多能源负荷预测数据集；将多能源负荷预测数据集分为训练集、验证集和测试集，利用训练集和验证集中的数据对时空图神经网络进行训练，得到最优负荷预测模型；将测试集中的数据输入最优负荷预测模型，得到电、热、冷负荷预测结果。本发明利用时空图神经网络使多能源负荷预测模型的通用性更强，预测性能更高。

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；