一种基于变分模态分解和图注意力的用电量预测系统及其方法

本发明属于机器学习的时间序列分析预测领域，尤其涉及一种基于变分模态分解和图注意力的用电量预测方法。

背景技术：

1、时间序列数据是按时间顺序在同一统一指标下的数据列，常见的时序数据包括电力能耗数据，股票市场数据，气象数据，网络流量数据等。电力能耗数据是通过电表等测量设备收集的用电设备关于电力消耗量的数据，对于制定节能策略、提高能源利用效率以及降低碳排放具有重要意义。时间序列预测是指通过对数据的分析，利用历史数据预测未来的数据。对时序数据进行预测在很多领域都具有重要作用，例如在金融领域，预测股票价格、汇率变动等可以为投资决策提供依据；在医疗领域，预测疾病发病率、药物疗效等可以帮助制定医疗策略和疾病预防措施；在能源领域，预测电力需求、能源消耗等可以帮助制定能源管理和运营策略。

2、时序数据预测方法按实现原理可以分为传统统计学，机器学习方法，深度学习方法。传统方法中最经典的是box和jenkins在70年代初提出的自回归移动平均模型(arima)，但是对于复杂的时间序列，预测精度不高，且参数选择需要基于统计理论和实际数据的经验。机器学习方法以2016年陈天奇提出的xgboost和2017年微软亚洲研究院提出的lightgbm为代表，两者都是基于学习算法的决策树，训练速度比arima更快，但前者的预排算法空间消耗大，后者特征选择不够灵活，要经过较为繁琐的特征工程。

3、近些年，深度学习发展迅速，不断有新的基于深度学习的时序模型被提出，时间序列的深度学习算法也成为了目前的主流，具体可以分为基于循环神经网络rnn，基于卷积神经网络cnn，基于参数回归，基于注意力机制attention，基于图神经网络gnn。2017年davidsalinas等人提出的自回归循环神经网络deepar可以冷启动预测，但是难以捕获长周期季节特征。利用注意力机制的主要是基于transformer的一系列模型，可以关注到序列的长期依赖信息。2020年haoyi zhou等人提出了informer模型，利用probsparse自注意力机制降低注意力计算过程中的时间复杂度，减少特征图的时间维度，降低了内存消耗量。之后又出现了autoformer、pyraformer、fedformer等一系列基于transformer的模型。然而，许多时间序列数据本质上具有时空特性，序列中的不同变量捕捉了有关不同位置(空间)的信息，这意味着它不仅包含时间信息，还包括空间关系。2019年谷歌团队提出的时序融合transformer(temporal fusion transformers，tft)通过对输入数据分类，针对静态变量和时态变量设计处理模块，采用transformer架构的多头自注意力机制捕获时间依赖，取得了较好的预测效果。图神经网络gnn可以捕捉到变量间复杂的关系，提供了建模真实世界时间序列数据的方法。2020年zonghan wu等人提出的mtgnn，通过图学习模块融合外部知识和变量之间的单向关系，再

4、现有技术提出了各种算法以提高预测准确性，但用能预测仍然面临诸多挑战。一是用电数据自身具有高度复杂性，目前的预测方法只能预测大致变化趋势，难以精确捕捉到具体的波动变化；二是用电数据在实际生活中受到多种相关因素的影响，其他变量对用电数据的影响程度尚不明确，因此挖掘变量间的相关性对于用能预测具有重要的研究价值。

5、时间序列预测有着广泛的应用和研究价值，对负荷数据进行精准预测可以帮助规划电力供应，避免过载和停电，提高电力系统的稳定性和可靠性；可以针对性进行电力资源的分配调度，提高利用效率，优化电力资源分配；可以精细化电力定价和销售策略制定，提高电力行业整体效率。在对电力负荷进行预测时也面临很多挑战，电力数据有较高的复杂性难以预测，电力数据的总体特征与当地气候、经济条件、地区政策、电价等多种因素有一定关联，因此会出现同一数据在不同时间段规律改变或是不同电力数据规律不同的现象。而具体受哪些因素的影响并不确定，影响的比重并不确定，再加上多源数据难以收集，都对电力数据集的预测任务造成了挑战。

技术实现思路

0、
技术实现要素：

1、针对现有技术存在技术问题，本发明提供一种基于变分模态分解和图注意力的用电量预测系统及其方法，本发明采用变分模态分解将电力数据分解为包含趋势项在内的多个固有模态函数，以此来去除数据中的噪音，降低数据复杂性。采用图注意力网络提取天气、电价、节假日等数据对电力数据分解项的动态影响权重，按权重融合相关因素信息，从而提高预测精度；本发明通过时间序列分析预测指通过提取时间序列的周期、趋势、统计信息等特征，分析预测序列的未来走势或取值的方法或技术。

2、为了解决现有技术问题，本发明采用如下技术方案：

3、一种基于变分模态分解和图注意力的用电量预测系统，用电量预测系统包括数据分解模块、多变量相关性提取模块、趋势项预测模块、时间相关性提取模块和数据融合模块；其中：

4、所述数据分解模块用于分解原始电力负荷数据获得固有模态函数和趋势项；

5、所述多变量相关性提取模块通过多层图注意力网络对固有模态函数加权处理构建融合多源信息的用电数据特征向量；

6、所述时间相关性提取模块对用电数据特征向量进行时间依赖性处理获得特征电量预测值；

7、所述趋势项预测模块通过线性网络对趋势项映射计算获得趋势电量预测值；

8、所述融合模块将特征电量预测值和趋势电量预测值的相关特征融合输出用电量预测值。

9、进一步地，所述数据分解模块用于分解原始电力负荷数据获得固有模态函数和趋势项过程，包括：

10、通过如下公式将原始电力负荷分解为离散的模态分量序列：

11、

12、其中:模态函数uk和中心频率ωk，uk＝{u1,u2,...,uk}是分解出的k个模态分量，wk＝{w1,w2,...,wk}是各个模态的中心频率，“*”代表卷积运算，是指求函数在时间上的导数，δ(t)是单位脉冲函数,a是二次惩罚项，λ是拉格朗日算子；

13、按照如下公式用交替方向乘子算法获得固有模态函数：

14、

15、

16、其中：表示当前固有模态功率谱的中心，τ是信号的噪声容忍度；反复迭代到最大迭代次数或满足以下收敛条件后停止

17、

18、最后将收敛后的最优解代入交替方向乘子算法得到分解后的固有模态函数和趋势项。

19、进一步地，所述多变量相关性提取模块通过多层图注意力网络对固有模态函数加权处理构建融合多源信息的用电数据特征向量过程；

20、本发明还可以采用如下技术方案：

21、一种基于变分模态分解和图注意力的用电量预测方法，所述用电量预测方法，包括如下步骤：

22、用于分解原始电力负荷数据获得固有模态函数和趋势项；包括：

23、通过如下公式将原始电力负荷分解为离散的模态分量序列：

24、

25、其中:模态函数uk和中心频率ωk，uk＝{u1,u2,...,uk}是分解出的k个模态分量，wk＝{w1,w2,...,wk}是各个模态的中心频率，“*”代表卷积运算，是指求函数在时间上的导数，δ(t)是单位脉冲函数,a是二次惩罚项，λ是拉格朗日算子；

26、按照如下公式用交替方向乘子算法获得固有模态函数：

27、

28、

29、其中：表示当前固有模态功率谱的中心，τ是信号的噪声容忍度；反复迭代到最大迭代次数或满足以下收敛条件后停止

30、

31、最后将收敛后的最优解代入交替方向乘子算法得到分解后的固有模态函数和趋势项。

32、通过多层图注意力网络对固有模态函数加权处理构建融合多源信息的用电数据特征向量；

33、对用电数据特征向量进行时间依赖性处理获得特征电量预测值；

34、通过线性网络对趋势项映射计算获得趋势电量预测值；

35、将特征电量预测值和趋势电量预测值的相关特征融合输出用电量预测值。

36、进一步地，通过多层图注意力网络对固有模态函数加权处理构建融合多源信息的用电数据特征向量过程，包括：

37、通过节点i和其邻居节点j的注意力系数计算其他相关变量与电量数据的分量相关性；

38、通过共享的特征变换矩阵对节点的特征进行增维，把节点i和j

39、变换后的特征进行拼接，之后映射到一个实数上，最后用softmax进行归一化得到两个节点的注意力系数，公示如下：

40、eij＝a([whi||whj]),j∈n

41、

42、其中，[·||·]表示对特征的拼接操作，a(·)表示把拼接后的特征映射到实数上；

43、根据按照如下公式计算获得用电数据特征向量：

44、

45、其中：σ(·)是激活函数，h′i即图注意力网络输出的每个节点i融合了邻域信息的新特征，k表示多头注意力的k个自注意力层。

46、有益效果

47、1、本发明针对多源电力数据预测问题提出了一个基于变分模态分解和图注意力网络的用电量预测模型gatransformer，模型在构建的多源电力数据集上进行实验，多源电力数据集包括用电量数据、天气数据、电价数据等。模型通过变分模态分解降低电力数据复杂性，多变量相关性提取模块利用图注意力网络提取用电量数据的分量与其他数据之间的相关性，按权重融合信息后通过transformer提取数据中的时间依赖性，与趋势项预测模块的输出融合后得到预测结果。通过在真实数据集上的对比实验，证明了模型的有效性，表明了本发明在用电量预测任务上的优异性能。

48、2、本发明时间序列预测有着广泛的应用和研究价值，对负荷数据进行精准预测可以帮助规划电力供应，避免过载和停电，提高电力系统的稳定性和可靠性；可以针对性进行电力资源的分配调度，提高利用效率，优化电力资源分配；可以精细化电力定价和销售策略制定，提高电力行业整体效率。在对电力负荷进行预测时也面临很多挑战，电力数据有较高的复杂性难以预测，电力数据的总体特征与当地气候、经济条件、地区政策、电价等多种因素有一定关联，因此会出现同一数据在不同时间段规律改变或是不同电力数据规律不同的现象。而具体受哪些因素的影响并不确定，影响的比重并不确定，再加上多源数据难以收集，都对电力数据集的预测任务造成了挑战。

49、3、本发明采用变分模态分解将电力数据分解为包含趋势项在内的多个固有模态函数，以此来去除数据中的噪音，降低数据复杂性。采用图注意力网络提取天气、电价、节假日等数据对电力数据分解项的动态影响权重，按权重融合相关因素信息，从而提高预测精度。