GCN-LSTM 负荷预测模型

时空特征联合提取

用图卷积与长短期记忆网络联合提取跨区域负荷的时空特征，让短期电力负荷预测在精度与训练开销之间取得新的平衡。

陈厚合 · Mingyang, Zhu · Hu, Xiao · Wang, Jiarui · Sun, Yong · Jinduo, Yang · Li, Baoju · Meng, Xiangdong

International Transactions on Electrical Energy Systems 2023

参数信息

MAPE

1.02 %

MAE

0.102 MW

RMSE

0.68 MW

技术优势

时空特征一起抓

用 GCN 提取区域间空间关系、LSTM 提取时间依赖，比只用单一网络更全面地利用数据信息。

应用场景

• 电力调度系统：用高精度预测支撑日前/日内调度，减少备用容量预留。
• 用户侧能量管理：帮助用户侧预测自身负荷，优化需量电费与储能充放电策略。
• 可再生能源预测：模型可直接用于风光等间歇性电源的短期出力预测。
• 智能电网负荷管理：为需求响应与柔性负荷控制提供小时级负荷预判。
• 园区综合能源调度：给园区多能互补调度提供统一的电负荷预测基准。