一种配电网多节点短期电力负荷预测方法

本发明涉及电力负荷预测，具体为一种配电网多节点短期电力负荷预测方法。

背景技术：

1、随着城市化进程加速与能源结构转型推进，配电网多节点负荷同时受到气象条件、节假日、用电行为以及节点间电气连接等复杂因素影响，呈现出显著的空间相关性与多时间尺度波动特征。短期电力负荷预测作为配电网安全经济运行的核心基础，其预测准确度直接影响新能源的消纳效率、备用容量配置及供电可靠性。然而，现有配电网多节点短期电力负荷预测方法仍存在以下痛点亟待解决：

2、1）现有配电网多节点短期电力负荷预测方法通常直接对同时包含长期趋势、周期变化和短时波动的原始负荷序列进行统一建模，难以充分刻画不同频率分量的变化规律，同时，rnn（循环神经网络）、lstm（长短期记忆网络）等传统时序模型在较长输入窗口下存在串行计算效率较低、早期历史信息逐渐衰减等问题，限制了长时间依赖特征的提取；

3、2）配电网节点构成不规则网络，节点间关系不仅受物理拓扑影响，还可能受到负荷变化模式相似性的影响，而现有配电网多节点短期电力负荷预测方法多依赖固定拓扑或局部邻域信息，对非直接相连但负荷变化具有较强相关性的节点关系利用不足，难以充分提取多跳及远距离空间关联特征；

4、3）不同负荷节点以及同一负荷节点的不同频率分量，对空间关联信息与自身历史规律的依赖程度存在显著差异，且该依赖程度会随运行状态和外部环境连续变化，现有配电网多节点短期电力负荷预测方法多采用固定比例融合或固定阈值进行特征选择，难以根据节点当前状态动态调整时间特征和空间特征的贡献，容易造成特征利用不充分。

技术实现思路

1、本发明为了解决现有配电网多节点短期电力负荷预测方法存在多频率特征混合、长序列建模能力弱、不规则节点关联挖掘不足以及时空特征融合缺乏自适应性的技术问题，故提供了一种新的配电网多节点短期电力负荷预测方法。

2、本发明是采用如下技术方案实现的：

3、一种配电网多节点短期电力负荷预测方法，包括如下步骤：

4、步骤一、获取多个负荷节点的历史负荷时序数据、多个负荷节点间的电气拓扑连接关系及辅助特征（辅助特征指温度、湿度、小时、星期和节假日标识等），对历史负荷时序数据以及辅助特征进行数据预处理，并采用滑动窗口方式构造历史负荷预测样本序列；

5、步骤二、对步骤一构造的历史负荷预测样本序列中的每个负荷节点的历史负荷时序数据进行离散小波分解，得到由低频趋势子信号和多个高频细节子信号组成的多个频率子信号；

6、步骤三、根据多负荷节点间的电气拓扑连接关系以及多负荷节点间的时序相似度搭建图连接掩码和空间权重矩阵；

7、步骤四、根据步骤三搭建的空间权重矩阵，在当前滑动窗口内计算各个负荷节点之间的局部空间相关性指标，并进行标准化处理，获得空间相关性引导量；

8、步骤五、针对步骤二分解得到的多个频率子信号，采用graph transformer（图自注意力变换网络）并行提取各负荷节点的空间关联特征，并采用mamba（选择性状态空间网络）并行提取各负荷节点的时间依赖特征；

9、步骤六、将空间相关性引导量、空间关联特征、时间依赖特征共同输入自适应门控融合模块，生成融合权重，并根据所生成的融合权重对空间关联特征和时间依赖特征进行加权融合，得到融合时空特征；

10、步骤七、将步骤六得到的融合时空特征输入频率预测模块，预测各个负荷节点在各频率子信号上的未来时刻预测结果，并将未来时刻预测结果进行重构加和，得到各个负荷节点在未来时刻的完整负荷预测结果。

11、进一步地，步骤二中，进行离散小波分解的表达式为：

12、 ；

13、其中，表示第个负荷节点在第时刻的历史负荷值，表示经离散小波分解后的第层低频趋势子信号，表示经离散小波分解后的第层高频细节子信号，表示离散小波分解层数。

14、进一步地，步骤三中，当两个负荷节点之间存在物理的直接通路或者不存在物理的直接通路但两个负荷节点的时序相似度达到设定阈值（本领域技术人员公知，该设定阈值通过皮尔逊相关系数计算获得）时，设定对应的图连接掩码（允许信息直接交互），否则，则设定对应的图连接掩码（阻止信息直接交互）。

15、进一步地，步骤三中，当两个负荷节点之间存在物理的直接通路时，赋予对应的空间权重为1，当两个负荷节点之间不存在物理的直接通路但两个负荷节点的时序相似度达到设定阈值时，根据皮尔逊系数计算并赋予对应的空间权重，当两个负荷节点之间不存在物理的直接通路且两个负荷节点的时序相似度未达到设定阈值时，赋予对应的空间权重为0，最后对赋予权重的空间权重矩阵进行归一化处理，得到归一化空间权重矩阵，其中，表示第个负荷节点与第个负荷节点之间的归一化空间权重。

16、进一步地，步骤四中，局部空间相关性指标的计算公式为：

17、；

18、其中，表示第个负荷节点与第个频率子信号的局部空间相关性指标，表示第个负荷节点在第个频率子信号上对应的统计特征向量，表示所有负荷节点在第个频率子信号上对应的平均特征值，表示所有负荷节点在第个频率子信号上对应的特征值的离散程度，表示防止分母为零的极小正常数；

19、进一步地，步骤五中，采用graph transformer并行提取各负荷节点的空间关联特征的表达式为：

20、；

21、其中，、和分别表示负荷节点经过线性映射后得到的查询向量、键向量和值向量；表示特征维度；表示可训练的空间结构偏置系数；表示归一化指数函数运算；

22、进一步地，步骤五中，采用mamba并行提取各负荷节点的时间依赖特征的具体步骤为：对于第个频率子信号，将每个负荷节点在该频率下的历史负荷时序数据与辅助特征进行拼接，经线性映射转换为统一维度的负荷节点特征向量后，输入mamba提取当前负荷节点自身的长期变化趋势、日周期、周周期、短时波动以及多尺度时序依赖关系，以获得第个负荷节点在第个频率子信号上的时间依赖特征。

23、进一步地，步骤六中，融合权重的表达式：

24、；

25、其中，表示特征拼接操作，表示sigmoid激活函数，和  分别表示自适应门控融合模块的可训练权重参数和偏置参数。

26、进一步地，步骤六中，融合时空特征的表达式为：

27、；

28、其中，表示逐元素相乘。

29、进一步地，步骤一中，滑动窗口长度为，预测长度为 ，历史负荷预测样本序列维度为，其中，表示每个配电网负荷节点在每个采样时刻的特征数量，为负荷节点总数。

30、进一步地，步骤七中，频率预测模块采用具备多步输出能力的预测结构，即针对低频趋势子信号和高频细节子信号，建立独立的预测输出映射分支，解耦输出各负荷节点在未来第个采样时刻的低频趋势子信号预测结果及高频细节子信号预测结果，其中表示采样时段且，并将各负荷节点对应的各频率子信号预测结果进行重构加和，得到各负荷节点在未来第个采样时刻的完整负荷预测结果，其表达式为：

31、；

32、其中，表示当前时刻。

33、原理说明：本发明首先采用离散小波分解对历史负荷预测样本序列进行多频率分解，以分离长期趋势和不同尺度的短时波动；随后，结合配电网多负荷节点间的电气拓扑关系及多负荷节点间的时序相似度搭建建负荷节点关联关系，并利用局部空间相关性指标衡量各负荷节点在不同频率分量下与关联负荷节点之间的空间相关程度，作为后续特征融合的引导信息；在此基础上，利用 graph transformer和 mamba分别提取各负荷节点的空间关联特征和时间依赖特征，并通过自适应门控模块动态调节两类特征的融合比例；最后，通过频率预测模块预测各个负荷节点在未来时刻的完整负荷预测结果。

34、本发明所产生的有益效果如下：本发明所述的配电网多节点短期电力负荷预测方法通过多频率分解、空间相关性量化、时空特征并行提取及自适应门控融合，提高了复杂配电网多节点短期负荷预测的准确性与适应性，可应用于变电站、馈线、台区及园区等场景的负荷预测，为电网运行与调度提供数据支持。