CN115080795B 一种多充电站协同负荷预测方法及装置 （中国科学院深圳先进技术研究院）

装置首先挖掘多充电站的负荷时空信息中的间隐式关联并将多充电站的负荷时空信息生成多传统负荷预测模型只能预测单个充电站负荷变时空特征对多充电站图式结构进行迭代图结构2挖掘多充电站的负荷时空信息中的隐式关联并生成多充电站显式图基于多充电站图式结构提取多充电站的负荷时空信息中的时空特使用联合训练后的多充电站图式结构构建及时空特征提取进程对多充电站的负荷时将三组数据分别输入到图结构学习模块中，该图结构学习模块通过相似度度量函数，将三组数据及学习到的图结构信息输入到三组时空特征提取模块中对图结构学习模块设计损失函数控制学习得到的图结构的稀疏度站的负荷时空信息中的隐式关联并将多充电站的负荷时空信息生成多充电站图式结构之对多充电站的负荷时空信息进行预处理，将每一预设时间段内的数时输入多个充电站在一段时间、以天为时间间隔的、以周为时间间隔的三组数据，即在图结构学习模块，根据数据输入生成多充电站节点间的隐式在提取时空特征的过程中对生成的图结构进行迭代更新，在时3sy=cos(wox,wox)其中计算输入向量及的第个cosine相似度，每个相似度被考虑为向量语义特度:其中tr(•)表示矩阵的迹，l为图拉普拉斯矩阵，为度矩阵；通过最小化L,=a.l(A,X+f(A)利用门控膨胀卷积网络提取负荷序列时间特征，利用门控图卷积提取多充电站的空间特,在t时刻的膨胀卷积被表示为:在ST子块中采用了门控膨胀卷积用以提取负荷4为输出，tanh和sigmoid为激活函数；在门控图卷积层，将一阶A=A+l为图模块分别提取到的时空特征HB,HB,HB拼5其中是用来平衡图结构学习模块与时空特征提图结构学习模块，用于挖掘多充电站的负荷时时空特征提取模块，用于提取多充电站的负荷时空信联合损失函数构建模块，用于构建联合损失函数，对多充电将三组数据分别输入到图结构学习模块中，该图结构学习模块通过相似度度量函数，将三组数据及学习到的图结构信息输入到三组时空特征提取模块中对图结构学习模块设计损失函数控制学习得到的图结构的稀疏度多充电站协同负荷预测模块，用于使用联合训征提取进程对多充电站的负荷时空信息进行多充电站协6负荷数据预测未来的负荷变化。单个充电站的负荷预测值仅与自身的历史负荷变化相关，[0005](2)回归分析：回归分析预测方法是根据历史数据的变化规律和影响负荷变化的[0010](2)基于深度学习的方法相比于传统数理统计方法，能够自动挖掘负荷变化序列7[0013]挖掘多充电站的负荷时空信息中的间隐式关联并将多充电站的负荷时空信息生[0015]构建联合损失函数，对多充电站图式结构构建及时空特征提取进程进行联合训[0017]使用联合训练后的多充电站图式结构构建及时空特征提取进程对多充电站的负[0019]对多充电站的负荷时空信息进行预处理，将每一预设时8[0027]在提取时空特征的过程中对生成的图结构进行迭代更新W量将cosine相似度扩展到多头版本，分别计算独立相似度矩阵并取平均值作为最终相似度:s⃞=cos(,ox,,ox,)[0035]给定无向图的对称权重邻接矩阵A，用狄利克雷能量衡量图信号x,…,x,eR"的gg桥梁，经过膨胀卷积后实现空间状态在图卷积层上的快速传播；G为学习得到的图结构信9[0048]其中为l层输入，Dil_Conv为膨胀卷积操作，为卷积核，)＝split(H'))＝split(θ*gHl)[0063]进一步地，将ST-P、ST-D、ST-W模块分别提取到的时空特征H,H3,Hf拼接为员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范[0090]S101:挖掘多充电站的负荷时空信息中的间隐式关联并将多充电站的负荷时空信[0091]S102:提取多充电站的负荷时空信息及多充电站图式结构中的时空特征，使用提取出的时空特征对多充电站图式结构进行迭[0092]S103:构建联合损失函数，对多充电站图式结构构建及时空特征提取进程进行联[0095]使用联合训练后的多充电站图式结构构建及时空特征提取进程对多充电站的负[0097]对多充电站的负荷时空信息进行预处理，将每一预设时[0101]将三组数据及学习到的图结构信息输入到三组时空特征提取模块202中，该时空特征提取模块202利用图卷积神经网络和膨胀卷积网络分别提取时空特征，然后将学习到的特征输入给图结构学习模块201，进行迭代图结构学习，并将三组时空特征进行特征融时空特征提取模块202设计损失函数降低预测结果与标签数据的差异，将两部分损失函数[0105]在提取时空特征的过程中对生成的图结构进行迭代更新，在时空特征提取模块PDW量将cosine相似度扩展到多头版本，分别计算独立相似度矩阵并取平均值作为最终相似度:s⃞=cos(,ox,,ox,)[0113]给定无向图的对称权重邻接矩阵A，用狄利克雷能量衡量图信号的gg桥梁，经过膨胀卷积后实现空间状态在图卷积层上的快速传播；G为学习得到的图结构信[0126]其中为l层输入，Dil_Conv为膨胀卷积操作，为卷积核，)＝split(H'))＝split(θ*gHl)站协同负荷预测的图结构学习模块201，图结构学习模块201根据多充电站的负荷时空信络及时序卷积(膨胀卷积)网络的时空特征提取模块202，通过图卷积神经网络学习多充电模块201通过相似度度量函数，基于各个充电站的负荷历史变化数据计算充电站间的相似[0156]本发明总体框架如图2所示，主要包括图结构学习模块201及时空特征提取模块[0158]在图结构学习模块201，本发明以迭代的方式同时对图结构及图卷积神经网络(GCN)参数进行学习。迭代图结构学习框架的关键原理在于利用更精确的图节点特征表示始节点特征生成图的方法不同，通过GCN学习的节点特征可以为图结构学习提供有用的信用狄利克雷能量衡量图信号X,…,X,ER"的平滑度:gg[0173]本发明设计了基于图卷积神经网络和膨胀卷积网络的时空特征提取模块202，如前后进行上下采样实现尺度压缩和特征压缩，减少模型参数量。G为学习得到的图结构信[0179]其中为l层输入，Dil_Conv为膨胀卷积操作，为卷积核，)＝split(H'))＝split(θ*gHl)[0201]其中λ是用来平衡图结构学习模块201与时空特征提取模块202影响的参数。通过[0206]4.利用图卷积神经网络和膨胀卷积网络组成的时空特征提取模块202提取多充电[0212]ii)本发明不仅考虑单一充电站负荷变化的时序特征，同时考虑了多充电站负荷[0217]图结构学习模块201，用于挖掘多充电站的负荷时空信息中的间隐式关联并将多[0218]时空特征提取模块202，用于提取多充电站的负荷时空信息及多充电站图式结构站协同负荷预测的图结构学习模块201，图结构学习模块201根据多充电站的负荷时空信络及时序卷积(膨胀卷积)网络的时空特征提取模块202，通过图卷积神经网络学习多充电模块201通过相似度度量函数，基于各个充电站的负荷历史变化数据计算充电站间的相似[0231]本发明总体框架如图2所示，主要包括图结构学习模块201及时空特征提取模块[0233]在图结构学习模块201，本发明以迭代的方式同时对图结构及图卷积神经网络(GCN)参数进行学习。迭代图结构学习框架的关键原理在于利用更精确的图节点特征表示始节点特征生成图的方法不同，通过GCN学习的节点特征可以为图结构学习提供有用的信s⃞=cos(,ox,,ox,)用狄利克雷能量衡量图信号X,…,X,ER"的平滑度:gg[0248]本发明设计了基于图卷积神经网络和膨胀卷积网络的时空特征提取模块202，如前后进行上下采样实现尺度压缩和特征压缩，减少模型参数量。G为学习得到的图结构信[0254]其中为l层输入，Dil_Conv为膨胀卷积操作，为卷积核，)＝split(H'))＝split(θ*gHl)[0271][x,…,[0276]其中λ是用来平衡图结构学习模块201与时空特征提取模块202影响的参数。通过[0281]4.利用图卷积神经网络和膨胀卷积网络组成的时空特征提取模块202提取多充电[0287]ii)本发明不仅考虑单一充电