电力数据时空相关性分析

为提升多区域电力负荷的预测精度，聚焦于多区域电力数据的时空相关性分析，提出了一种基于Spearman-GCN-GRU的超短期多区域电力负荷预测模型。该模型通过Spearman相关系数分析不同区域电力负荷的时空相关性，构建Spearman邻接矩阵并输入图卷积神经网络（graph convolutional network，GCN）和门控循环单元（gated recurrent unit，GRU）提取数据中的空间特征和时序特征，最后由多层感知机（multilayer perceptron，MLP）解码输出预测结果。与基于距离邻接矩阵的模型进行对比，验证了Spearman-GCN-GRU模型的可行性。在模型的预测精度上，与传统统计模型和神经网络模型相比，Spearman-GCN-GRU模型在通用的评价指标中均取得最优结果。就均方根误差（root mean square error，RMSE）而言，Spearman-GCN-GRU模型与神经网络模型GRU、GCN和深度神经网络（deep neural network，DNN）相比，RMSE指标分别下降了13.90%、11.66%和8.36%，验证了模型具有更好的预测效果。