M-DCATDGN：利用自适应动态图神经网络提升负荷需求预测

《COMPUTERS IN INDUSTRY》：M-DCATDGN: Enhancing load demand forecasting with an adaptive dynamic graph neural network

　　

• •
  一种新的负荷预测模型，能够捕获空间、时间以及高阶特征。
• •
  自适应动态图模块提取负荷序列中的深层空间模式。
• •
  可视化分析展示了模型捕获时空模式的能力。
• •
  该模型利用美国新英格兰地区的近期负荷数据进行验证。

引言

在现代工业系统中，电力资源是推动经济发展和支撑工业化的基石。全球电力消费的持续增长显著增加了对高效电网管理的需求，强调需要最小化能源生产成本并提高发电能力。因此，准确的短期负荷预测在维持系统可靠性和支持经济运营方面发挥着至关重要的作用。对于电力公司而言，精确的预测有助于降低成本并确保电网稳定；对于消费者而言，预测有助于优化能源管理并在需求高峰期减少支出。

随着智能电表在用户端、馈线及变电站层面的广泛部署，大量高分辨率的负荷数据可用于研究和应用。然而，电力市场的自由化与放开为负荷模式带来了更大的不确定性和波动性。这些挑战主要源于三个方面：（1）多因素驱动：负荷动态受到气象与社会经济变量的共同影响，如温度、湿度和公共假日，产生非线性且协同的需求行为。（2）时空依赖性：区域间的负荷需求相互关联，相邻区域往往表现出相关的消费模式。（3）强波动性与周期性：负荷数据在多个时间尺度上呈现出复杂的时序行为——包括季节性、趋势性和突发性波动。这些相互关联且非平稳的特征共同使得负荷预测成为一项高度复杂的任务。为应对这些复杂性，研究者探索了多种深度学习架构，如循环神经网络、卷积神经网络、时间卷积网络和图神经网络。尽管取得了显著成效，仍存在一些局限性：基于循环神经网络的模型往往难以处理长期依赖和梯度消失问题；时间卷积网络主要关注时序模式，而忽视了空间拓扑；基于图神经网络的方法虽然在捕获空间关系方面有效，但通常依赖静态邻接矩阵，无法表征动态的空间相关性。此外，现有的混合时空框架很少显式地建模高阶特征交互。与依赖隐式特征提取的方法不同，本文提出的深度交叉机制直接在原始特征空间中学习乘法交叉特征交互。

为克服上述局限性，我们提出了基于莫兰指数的深度交叉注意力动态图神经网络，用于预测未来数小时的负荷需求。该模型同时考虑变量之间的高阶交互作用并整合时空相关性。首先，我们在中详述了纳入对未来负荷需求影响显著的信息来构建建模特征。随后，采用可逆实例归一化的特征归一化模块用于标准化输入特征并缓解分布偏移。深度交叉与挤压激励模块建模变量间的高阶交互并重新校准所学到的特征表示。动态融合时序-空间模块通过动态图学习捕获时序和空间依赖关系。最后，输出模块整合动态融合时序-空间模块产生的特征表示以生成预测结果。总之，本研究的贡献如下：

• •
  所提出的模型提出了一种针对电力负荷特征设计的鲁棒特征推导方法，能够快速提取大量相关特征。此外，该方法有效应对了与分布偏移相关的潜在挑战。
• •
  精心设计的深度交叉与挤压激励模块能够有效捕获变量间的高阶多项式关系和高维特征交互，同时分配不同时间步的相对重要性。这一能力使网络能够自适应地优先关注关键时间步并削弱不太相关的时间步。
• •
  引入了基于动态莫兰指数的图卷积网络模块，利用多个自适应邻接矩阵来捕获空间相关性。在网络的浅层，该模块侧重提取局部空间相关性，确保对表层空间特征的敏感性；在更深层，该模块优化图邻接矩阵以揭示更为复杂的空间依赖关系，从而展现节点间的复杂交互。此外，在中定义的局部莫兰指数被用于指导图邻接矩阵的训练，从而增强空间语义信息的提取。
• •
  在美国新英格兰地区实际电力负荷数据集上进行的实验表明，该模型在负荷需求预测中始终优于现有方法。此外，通过严格的消融实验和全面的案例分析，我们方法的有效性、可扩展性和鲁棒性得到了充分验证。

本文其余部分安排如下。第2节回顾了负荷预测和时空预测的相关工作。第3节介绍了所提出的方法框架。第4节展示了在真实世界电力负荷数据集上的案例研究与实验评估，以验证所提方法的有效性和鲁棒性。最后，第5节总结全文并讨论未来研究方向。

章节摘要

相关工作

本研究全面回顾了当前负荷预测方法及基于时空预测的方法。与以往研究相比，本研究的主要优势在于考虑了更为细致的时空信息和高阶特征交互。

方法论

本节首先表述时空负荷预测问题并定义符号。然后，介绍所提出模型的架构，并介绍用于与基准模型进行比较的性能指标。

数据集

是一个独立的非营利组织，负责维护横跨新英格兰六州的电力输送。该机构提供了一个综合数据集，包含能源市场分析与预测所需的各种关键要素。该区域发电厂发电的主要燃料包括石油、煤炭和液化天然气，尽管太阳能和风能资源正日益成为能源组合的重要补充。

结论

本研究提出了用于短期负荷预测的模型，解决了电力负荷数据中复杂的时空依赖和高维特征交互所面临的挑战。该模型纳入了特征归一化模块以缓解潜在的分布偏移，深度交叉与挤压激励模块以捕获特征间和时序序列间的高阶非线性关系，以及动态融合时序-空间模块以动态建模节点间的空间相关性。在真实世界负荷数据上的实证结果表明……

作者贡献声明

姚东：撰写初稿、监督指导、软件开发、方法论。何江：资源获取、项目管理、资金申请。王建州：验证、监督指导、资源获取、项目管理。潘晟：审稿与编辑、撰写初稿、软件开发、方法论。

利益冲突声明

作者声明不存在任何可能影响本文所报告工作的已知竞争性经济利益或个人关系。

姚东|何江|王建州|潘晟