一种基于GCN-LSTM与频域扰动增强的负荷预测方法及系统与流程

本发明属于负荷预测，尤其涉及一种基于gcn-lstm与频域扰动增强的负荷预测方法及系统。

背景技术：

1、负荷预测作为智能电网和未来能源系统运行的核心支撑技术，其精度直接关系到电力系统的安全稳定运行。传统负荷预测方法主要包括统计模型和浅层机器学习模型。统计学方法如arima、多元线性回归等，对于多元耦合关系、非线性波动和突发性尖峰等场景表现有限且对异常值敏感。

2、浅层机器学习方法，如支持向量机、随机森林等虽在非线性拟合方面具有优势，但在高维冗余特征、小样本及强相关变量场景下易出现过拟合，且缺乏对负荷时序长期-短期动态的显式建模支持。深度学习与图神经网络模型如stgcn-transformer、gcn-dabilstm等模型在实际应用中仍面临多重挑战：一是未科学筛选特征导致模型输入维度过高；二是受设备检修等影响导致历史数据有限，易加剧过拟合；三是单一时序建模或单一空间结构建模难以兼顾复杂动态耦合与时空依赖特性。

技术实现思路

1、发明目的：本发明提供一种基于gcn-lstm与频域扰动增强的负荷预测方法及系统，旨在解决现有技术负荷预测方法存在的对于多元耦合关系、非线性波动和突发性尖峰等场景表现有限且对异常值敏感，在高维冗余特征、小样本及强相关变量场景下易出现过拟合，缺乏对负荷时序长期-短期动态的显式建模支持，未科学筛选特征导致模型输入维度过高，受设备检修等影响导致历史数据有限，易加剧过拟合，单一时序建模或单一空间结构建模难以兼顾复杂动态耦合与时空依赖特性等问题。

2、技术方案：本发明所述的一种基于gcn-lstm与频域扰动增强的负荷预测方法，包括：

3、步骤1、获取多区域建筑物数据，包括各时间戳的气象数据与负荷值；利用随机森林回归方法对气象数据中的气象特征进行重要性评估，筛选重要性评估排名靠前的多个气象特征作为输入特征，基于多区域建筑物数据，构建输入特征集；

4、步骤2、对输入特征集进行预处理，获得多维特征集；采用滑动窗口法从多维特征集中生成连续时间样本库，并将连续时间样本库转换为图结构化样本库，依据预设比例划分为图结构化训练样本库与图结构化测试样本库；

5、步骤3、以预设概率对所述图结构化训练样本库中的每一训练样本实施频域随机相位扰动增强，得到增强后的训练样本库；

6、步骤4、将图卷积网络与长短期记忆网络串联构建gcn-lstm神经网络模型，使用增强后的训练样本库迭代训练所述gcn-lstm神经网络模型，获得训练后的gcn-lstm神经网络模型；将图结构化测试样本库输入训练后的gcn-lstm神经网络模型，获得每一测试样本的预测负荷值。

7、进一步的，所述重要性评估，包括：用随机森林回归方法，通过节点分裂前后均方误差的减小量对所述气象特征进行重要性评估，气象特征在随机森林中所有决策树分裂节点上的重要性公式为：

8、；

9、其中，为气象特征的重要性分数，为随机森林的决策树数量；为第棵决策树中所有使用特征进行分裂的节点集合，为节点分裂前的均方误差，为节点分裂后的加权均方误差。

10、进一步的，所述预处理包括：将输入特征集中包含任意缺失项的样本整体删除，并将缺失值处理后的输入特征集中各时间戳解析为小时及月份，通过正弦和余弦函数进行周期性编码，确定时间特征；将缺失值处理后的输入特征集中每一样本的输入特征、负荷值与时间特征拼接，并利用最小-最大归一化方法缩放数据，获得多维特征集。

11、进一步的，所述采用滑动窗口法从多维特征集中生成连续时间样本库，包括：设定滑动窗口长度，截取多维特征集中第时间步到第时间步的多维特征向量作为输入序列，以第时间步的负荷值作为预测目标，形成第时间步的连续时间样本；通过滑动窗口法遍历多维特征集中全时段数据，生成连续时间样本库。

12、进一步的，所述将连续时间样本库转换为图结构化样本库，包括：对连续时间样本库中每一连续时间样本，通过构建链式有向图，将连续时间样本中的个时间步对应个节点，并定义每一节点特征为对应时间步的多维特征向量，节点按时间顺序编号为1-；构建链式邻接矩阵，仅在主对角线上方第一条次对角线处取1，其余元素均为0，将所述链式邻接矩阵定义为所述链式有向图的边关系，以此将连续时间样本转换为图结构化样本；所有图结构化样本组成图结构化样本库。

13、进一步的，所述频域随机相位扰动增强，包括：对训练样本的所有特征维度进行快速傅里叶变换，获得各特征维度的幅值谱与相位谱；保持各特征维度的幅值谱不变，仅在各特征维度的相位谱部分加入满足正态分布的高斯噪声，得到各特征维度新的相位分布；对每个特征维度分别进行逆傅里叶变换，重构时域序列，获得新的样本特征序列，表达式为：

14、；

15、其中，为第个特征维度经频域相位扰动后重构的时序序列，为第个特征维度的幅值谱，为第个特征维度的新的相位分布。

16、进一步的，所述将图卷积网络与长短期记忆网络串联构建gcn-lstm神经网络模型，包括：将两层图卷积网络与两层长短期记忆网络串联，再接三层全连接网络，构建gcn-lstm神经网络模型；所述图卷积网络通过链式邻接矩阵聚合相邻时间步特征，逐层进行特征升维与降维映射，得到节点特征序列；所述长短期记忆网络逐层提取节点特征序列的依赖关系，选取输出序列的最后一个时间步的隐藏状态作为时序特征表征；所述全连接网络将时序特征表征映射为单维回归输出，得到预测负荷值。

17、进一步的，所述迭代训练，包括：将增强后的训练样本库按照预设比例划分为训练集与验证集，设置训练轮数上限，在每轮迭代中，将训练集输入所述gcn-lstm神经网络模型，执行前向传播，计算预测负荷值与真实负荷值之间的均方误差，作为该轮的训练集损失，通过adam优化器进行反向传播，更新网络参数，获得该轮训练后的gcn-lstm神经网络模型；在该轮训练结束后，将验证集输入该轮训练后的gcn-lstm神经网络模型，计算验证集损失；记录每轮的训练集损失与验证集损失；设置早停机制，若验证集损失连续预设轮次未下降，则提前终止迭代，否则达到训练轮数上限后终止迭代；加载验证集损失最低时的网络参数作为训练后的gcn-lstm神经网络模型。

18、本发明所述的一种基于gcn-lstm与频域扰动增强的负荷预测系统，包括：

19、特征筛选模块，用于获取多区域建筑物数据，包括各时间戳的气象数据与负荷值；利用随机森林回归方法对气象数据中的气象特征进行重要性评估，筛选重要性评估排名靠前的多个气象特征作为输入特征，基于多区域建筑物数据，构建输入特征集；

20、图构建模块，用于对输入特征集进行预处理，获得多维特征集；采用滑动窗口法从多维特征集中生成连续时间样本库，并将连续时间样本库转换为图结构化样本库，依据预设比例划分为图结构化训练样本库与图结构化测试样本库；

21、图增强模块，用于以预设概率对所述图结构化训练样本库中的每一训练样本实施频域随机相位扰动增强，得到增强后的训练样本库；

22、离线学习模块，用于将图卷积网络与长短期记忆网络串联构建gcn-lstm神经网络模型，使用增强后的训练样本库迭代训练所述gcn-lstm神经网络模型，获得训练后的gcn-lstm神经网络模型；将图结构化测试样本库输入训练后的gcn-lstm神经网络模型，获得每一测试样本的预测负荷值。

23、本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

24、有益效果：与现有技术相比，本发明具有以下显著优势：

25、1、降维提效，消除冗余：通过随机森林特征重要性评估，剔除冗余与弱相关气象变量，降低模型输入维度与复杂度；

26、2、增强泛化能力与抗噪性：通过引入频域随机相位扰动数据增强策略，在保持幅值谱结构不变的前提下丰富了训练样本分布；相较于无增强、时域加噪及小波变换扰动方法，本发明能够缓解小样本场景下的过拟合问题，提升模型对局部波动和异常事件的鲁棒性；

27、3、时空特征提取精度高：通过将链式有向图结构与gcn-lstm融合，相较于单一的gcn或lstm模型，能够同时挖掘多源物理特征间的空间依赖与负荷时序变化特性，在测试集上取得更低的均方根误差与更高的决定系数，提升复杂负荷时序预测的准确性。