基于相似用电单元及图卷积神经网络的电力负荷预测

面向区域用电单元(如居民、设备用电)的精准负荷预测是实现自动需求响应、保障电力系统安全的基础。由于受个性化用能行为等影响,这类负荷波动性和随机性极大;而传统负荷预测在应用时往往未能充分利用单元间的负荷相似性,难以实现对这类负荷的精准预测。为此,提出一种基于用电单元相似用能行为分析的时空特征挖掘策略,以提高区域用电单元的负荷预测精度。首先,根据区域内所有用电单元历史负荷,采用k-means聚类,形成具有相似用能行为的用电单元负荷类,并通过设计用能行为特性提取的自监督策略,获得该类用电单元的用能行为特征;然后,将类内用户作为节点,行为特征作为节点属性,构建相似用能行为图;进而,针对各类用电单元,设计融合图卷积神经网络的长短期记忆网络负荷预测模型,通过深度提取类用户集成行为特征和负荷时序特征,实现对类负荷以及类内单元负荷的精准预测。将所提算法应用于楼宇和居民用电负荷预测,结果表明所提算法能够有效实现区域负荷预测的精度提升。