熊秋;彭龑;蒋端;杨红;

针对有序充电中电力负荷数据的复杂时间特征，提出一种基于时序图神经网络预测模型。首先，采用聚类算法对历史负荷数据进行自适应时段划分，自动识别出具有独特用电模式的时间段，在此基础上，不仅依据时间顺序构建边连接，还通过K近邻（Knearest neighbor,KNN）算法挖掘特征相似的时段间关联，构建了融合时序性与特征相似性的复合时序关系图，能精确表征不同时段间的复杂关联。其次，设计了一个融合长短期记忆（long short-term memory,LSTM）网络与图注意力网络（graph attention network,GAT）的双分支预测模型，分别用于学习负荷的纵向时间依赖和横向时段关联并通过融合层将两类特征进行集成以完成预测。最后，在真实电力负荷数据集上的实验表明，所提模型在均方根误差（root mean square error,RMSE）和平均绝对误差（mean absolute error,MAE）等指标均优于对比基线模型，验证了其有效性。

2026年02期 v.23;No.108 40-50页 [查看摘要][在线阅读][下载 1496K]