(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211174672.5 (22)申请日 2022.09.26 (71)申请人 中国电力科 学研究院有限公司 地址 100192 北京市海淀区清河小营东路 15号 申请人 华北电力大 学　 国网天津市电力公司 　 国家电网有限公司 (72)发明人 王晓辉　董雷　韩富佳　陈振平　 高毅　蒲天骄　 (74)专利代理 机构 北京中巡通大知识产权代理 有限公司 1 1703 专利代理师 孟大帅 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种居民用户集群负荷预测方法、 系统、 设 备及介质 (57)摘要 本发明公开了一种居民用户集群负荷预测 方法、 系统、 设备及介质， 所述方法包括以下步 骤： 基于预获取的所述居民用户集群的居民用户 分组结果， 构建获得面向居民用户集群负荷预测 的当前时刻时空图数据； 基于所述当前时刻时空 图数据， 利用预先训练好的自适应时空同步图卷 积神经网络模 型进行预测， 获得所述居民用户集 群中各个居民用户分组的下一时刻负荷预测值； 聚合所述各个居民用户分组的下一时刻负荷预 测值， 获得所述居民用户集群的总负荷预测值。 本发明具体提出了一种基于图神经网络和聚类 的居民用户集群 短期负荷预测方法， 能够显著提 升居民用户集群负荷预测精度。 权利要求书3页 说明书10页 附图4页 CN 115375042 A 2022.11.22 CN 115375042 A 1.一种居民用户集群负荷预测方法， 其特 征在于， 包括以下步骤： 基于预获取的所述居民用户集群的居民用户分组结果， 构建获得面向居民用户集群负 荷预测的当前时刻时空图数据； 基于所述当前时刻时空图数据， 利用预先训练好的自适应时空同步图卷积神经网络模 型进行预测， 获得 所述居民用户集群中各个居民用户分组的下一时刻负荷预测值； 聚合所述各个居民用户分组 的下一时刻负荷预测值， 获得所述居民用户集群的总负荷 预测值。 2.根据权利要求1所述的一种 居民用户集群负荷预测方法， 其特征在于， 所述预获取的 所述居民用户集群的居民用户分组结果的获取步骤包括： 基于用户用电行为的相似性， 通 过聚类的方式将居民用户集群中所有居民用户的历史负荷序列进 行分组， 获得居民用户分 组结果。 3.根据权利要求1所述的一种 居民用户集群负荷预测方法， 其特征在于， 所述构建获得 面向居民用户集群负荷预测的当前时刻时空图数据的步骤 包括： 将各个居民用户分组 的聚合负荷序列作为图结构数据的每个节点的特征序列， 采用邻 接矩阵表示节点之 间的关联关系； 基于各个居民用户分组的聚合负荷序列与邻接矩阵构建 获得面向居民用户集群负荷预测的当前时刻时空图数据； 其中， 邻接矩阵构建方法包括： 若两个节点的相应历史负荷序列之间的相关系数大于或等于某一预设阈值， 则认为两 个节点之间存在连接关系， 并将邻接矩阵的对应位置元素设定为1； 否则， 认为两个节点之 间不存在连接关系， 并将邻接矩阵的对应位置元 素设定为0； 或者， 采用两个节点的相应历史负荷序列之间的相关系数作为邻接矩阵的对应元 素； 其中， 各个居民用户分组的聚合负荷序列之间的相关系数的计算表达式为， 式中， ρij表示相关系数， 均表示聚合负荷序列Xi和Xj的皮尔逊相关系数， COV(Xi, Xj)表示Xi和Xj的协方差， 和 分别表示Xi和Xj的标准差 。 4.根据权利要求3所述的一种 居民用户集群负荷预测方法， 其特征在于， 所述预先训练 好的自适应时空同步图卷积神经网络模型的获取步骤 包括： 构建面向居民用户集群负荷预测的图数据样本 其中， 为模型输入， 为模型输出， 为t时刻由节点特征构成的图信号 矩阵， A为邻接矩阵， H为历史序列长度； 利用所构建的图数据样本训练自适应时空同步图卷积神经网络模型， 达到预设 收敛条 件后获得 所述预先训练好的自适应时空同步图卷积神经网络模型。 5.一种居民用户集群负荷预测系统， 其特 征在于， 包括： 当前时刻时空图数据获取模块， 用于基于预获取的所述居民用户集群的居民用户分组 结果， 构建获得面向居民用户集群负荷预测的当前时刻时空图数据； 预测模块， 用于基于所述当前时刻时空图数据， 利用预先训练好的自适应时空同步图权　利　要　求　书 1/3 页 2 CN 115375042 A 2卷积神经网络模型进 行预测， 获得所述居民用户集群中各个居民用户分组的下一时刻负荷 预测值； 聚合模块， 用于聚合所述各个居民用户分组的下一时刻负荷预测值， 获得所述居民用 户集群的总负荷预测值。 6.根据权利要求5所述的一种 居民用户集群负荷预测系统， 其特征在于， 所述当前时刻 时空图数据获取模块中， 预获取的所述居民用户集群的居民用户分组结果的获取步骤包 括： 基于用户用电行为的相似性， 通过聚类的方式将居民用户集群中所有居民用户的历史 负荷序列进行分组， 获得居民用户分组结果。 7.根据权利要求5所述的一种 居民用户集群负荷预测系统， 其特征在于， 所述当前时刻 时空图数据获取模块中， 构建获得面向居民用户集群负荷预测的当前时刻时空图数据的步 骤包括： 将各个居民用户分组 的聚合负荷序列作为图结构数据的每个节点的特征序列， 采用邻 接矩阵表示节点之 间的关联关系； 基于各个居民用户分组的聚合负荷序列与邻接矩阵构建 获得面向居民用户集群负荷预测的当前时刻时空图数据； 其中， 邻接矩阵构建方法包括： 若两个节点的相应历史负荷序列之间的相关系数大于或等于某一预设阈值， 则认为两 个节点之间存在连接关系， 并将邻接矩阵的对应位置元素设定为1； 否则， 认为两个节点之 间不存在连接关系， 并将邻接矩阵的对应位置元 素设定为0； 或者， 采用两个节点的相应历史负荷序列之间的相关系数作为邻接矩阵的对应元 素； 其中， 各个居民用户分组的聚合负荷序列之间的相关系数的计算表达式为， 式中， ρij表示相关系数， 均表示聚合负荷序列Xi和Xj的皮尔逊相关系数， COV(Xi, Xj)表示Xi和Xj的协方差， 和 分别表示Xi和Xj的标准差 。 8.根据权利要求7所述的一种 居民用户集群负荷预测系统， 其特征在于， 所述预测模块 中， 预先训练好的自适应时空同步图卷积神经网络模型的获取步骤 包括： 构建面向居民用户集群负荷预测的图数据样本 其中， 为模型输入， 为模型输出， 为t时刻由节点特征构成的图信号 矩阵， A为邻接矩阵， H为历史序列长度； 利用所构建的图数据样本训练自适应时空同步图卷积神经网络模型， 达到预设 收敛条 件后获得 所述预先训练好的自适应时空同步图卷积神经网络模型。 9.一种电子设备， 其特 征在于， 包括： 至少一个处 理器； 以及， 与所述至少一个处 理器通信连接的存 储器； 其中， 所述存储器存储有可被所述至少一个处理器执行的指令， 所述指令被所述至少一个处 理器执行， 以使所述至少一个处理器能够执行如权利要求 1至4中任一项 所述的居民用户集 群负荷预测方法。权　利　要　求　书 2/3 页 3 CN 115375042 A 3