编辑推荐:
为解决传统时序模型难以捕捉多维特征复杂交互的问题,本文开展了基于边缘图注意力网络(EGAT)的负荷预测研究。通过将时序数据转化为图结构,并利用EGAT联合学习节点(负荷)与边特征(温度等),显著提升了预测精度,为电网调度与低碳运行提供了新思路。
电力负荷预测的“时空”难题
在现代电力系统中,精准预测未来几小时到几天的电力负荷(Load Forecasting),是保障电网安全、降低发电成本的关键。传统方法如长短期记忆网络(LSTM)和门控循环单元(GRU)虽能捕捉时间趋势,但面对复杂的多维数据(如历史负荷、干球温度、湿球温度等),往往像“盲人摸象”,难以全面捕捉特征间的复杂交互。如何让模型既看懂“时间流逝”,又理解“特征关联”,成为提升预测精度的核心瓶颈。
从“时序”到“拓扑”的思路跃迁
本文发表于《PLOS One》,提出了一种颠覆性的思路:将一维时间序列“折叠”成二维拓扑图。研究人员构建了“时序负荷图”(Time-series Load Graph),将每个时间点的负荷作为节点特征,将温度等外部变量作为边特征,并设计了时间邻接边和周期连接边来模拟电力的周期性规律。在此基础上,引入了边缘图注意力网络(EGAT),让模型能够动态计算节点与边的重要性,实现了从单纯“看数据”到“分析关系网”的跨越。
关键技术路径
- 1.
图结构构建:将长度为 2n 的时间窗口转换为包含 2n 个节点的图,利用邻接边和周期边(跨度 n 步)构建拓扑。
- 2.
EGAT模型设计:采用多头图注意力机制,同时聚合节点特征(负荷)和边特征(温度等外部变量),增强特征交互表示。
- 3.
预测任务设定:基于滑动窗口进行单步(预测 2n+1 时刻)及多步预测,利用最小-最大归一化处理数据。
模型架构与实验验证
时序负荷图的构建逻辑
研究摒弃了传统的表格输入,将时间步抽象为节点。例如,一天中的多个时刻被映射为图上的节点集合 V = {v?, v?, ..., v??}。关键的创新在于特征分配:负荷值被赋予节点,而干球温度、湿球温度、露点温度等外部变量被编码在边上。这种设计物理意义明确,边特征充当了不同时间点间相互影响的“媒介”。图中包含两种连接:相邻时刻的时间邻接边(如 v?→v?),以及捕捉日周期规律的周期连接边(如 v?→v???),总边数约为 3n 条。
EGAT的注意力聚合机制
针对普通图注意力网络(GAT)忽略边信息的缺陷,本文采用EGAT层进行特征提取。其核心在于计算注意力系数时,同时考量了源节点 h?、目标节点 h? 以及连接它们的边特征 e??。通过多头注意力机制,模型能够并行捕获不同的关系模式,最后将更新后的节点表示输入全连接层输出预测值。训练时,模型以均方误差(MSE)为损失函数,通过反向传播优化参数。
性能对比与消融实验
实验对比了EGAT与GRU、LSTM、MLP等基准模型。结果显示,EGAT在单步负荷预测精度上显著优于传统模型,证明了图结构在捕捉复杂时间模式上的优势。消融实验进一步验证了边特征和多头注意力的必要性:移除任意一部分都会导致性能下降,说明温度等外部变量通过边特征的形式有效增强了模型的感知能力。
结论与展望
本研究证实了将时序预测转化为图学习问题的有效性。EGAT模型通过联合利用节点和边特征,不仅提升了预测精度,还为处理多维时序数据提供了通用的“图式”框架。尽管图结构的构建带来了计算成本的增加,但在智能电网迈向精细化调度的今天,这种对特征交互的深度挖掘,无疑为降低碳排放、实现能源高效利用提供了有力的技术支撑。