基于图神经网络的电力负荷预测
机器学习
2025-11-04 v3
摘要
随着能源系统日益去中心化并与可再生能源紧密结合，电力需求的预测正变得越来越具挑战性。图神经网络 (GNN) 最近作为一种强大的范式出现，能够在建模负荷数据中的空间依赖性方面提供支持，同时适应复杂的非平稳性。本文引入了一个综合性框架，将基于图的预测与注意力机制和集成聚合策略相结合，以增强预测准确性和可解释性。系统评估了包括图卷积网络、GraphSAGE、APPNP 和图注意力网络在内的多个 GNN 架构，在合成数据、区域数据（法国）和细粒度数据（英国）上进行测试。实证结果表明，图感知模型始终优于常规基线模型，如前馈神经网络和基础模型如 TiREX。此外，注意力层提供了有价值的见解，以了解由气象和季节性动态驱动的演化空间相互作用。集成聚合，特别是通过底部-上方法的专家组合，进一步提高了在异构数据条件下的鲁棒性。总体而言，本研究突显了结构建模、可解释性和鲁棒性之间的互补性，并讨论了基于图的电力负荷预测中准确率、模型复杂度和透明度之间的权衡。
引用
@article{arxiv.2507.03690,
title = {Graph Neural Networks for Electricity Load Forecasting},
author = {Eloi Campagne and Yvenn Amara-Ouali and Yannig Goude and Itai Zehavi and Argyris Kalogeratos},
journal= {arXiv preprint arXiv:2507.03690},
year = {2025}
}
备注
22 pages