[论文解读] Short-Term Electricity Price Forecasting based on Graph Convolution Network and Attention Mechanism

Yuyun Yang, Zhenfei Tan+3 more|arXiv (Cornell University)|Jul 26, 2021

Energy Load and Power Forecasting参考文献 23被引用 9

一句话总结

该论文提出了一种带有注意力机制的图卷积网络（ASTGCN），通过建模电力系统母线之间的空间依赖关系和负荷的时间动态特性，以提升短期节点边际电价（LMP）预测的准确性。与基线GCN相比，该模型在RMSE上平均降低15.3%，在MAE上降低17.7%，并通过在关键输电节点和时间步上学习到的注意力权重，增强了模型的可解释性。

ABSTRACT

In electricity markets, locational marginal price (LMP) forecasting is particularly important for market participants in making reasonable bidding strategies, managing potential trading risks, and supporting efficient system planning and operation. Unlike existing methods that only consider LMPs' temporal features, this paper tailors a spectral graph convolutional network (GCN) to greatly improve the accuracy of short-term LMP forecasting. A three-branch network structure is then designed to match the structure of LMPs' compositions. Such kind of network can extract the spatial-temporal features of LMPs, and provide fast and high-quality predictions for all nodes simultaneously. The attention mechanism is also implemented to assign varying importance weights between different nodes and time slots. Case studies based on the IEEE-118 test system and real-world data from the PJM validate that the proposed model outperforms existing forecasting models in accuracy, and maintains a robust performance by avoiding extreme errors.

研究动机与目标

• 解决现有LMP预测模型将母线电价视为独立时间序列的局限性，忽略因电网拓扑结构导致的空间相关性。
• 通过在统一的深度学习框架中整合网络拓扑结构与历史负荷模式，提升预测准确性。
• 通过在节点和时间步上学习动态注意力权重，提升模型可解释性，识别出具有影响力的输电节点和关键时段。
• 开发一种可扩展的单模型解决方案，实现对多个节点的LMP进行同步预测，避免逐节点训练模型。

提出的方法

• 采用谱图卷积网络（GCN）对IEEE-118系统中118个母线之间的拓扑关系进行编码，捕捉LMP的空间依赖性。
• 设计三分支网络架构，分别预测LMP的电能、阻塞和损耗分量，实现分量建模并提升可解释性。
• 集成时间卷积模块以建模序列负荷模式和时间趋势，增强模型对动态电价行为的预测能力。
• 应用注意力机制，为不同节点和时间步分配可变的重要性权重，使模型能够聚焦于关键输电节点和具有影响力的过去时期。
• 使用真实世界PJM数据和IEEE-118测试系统数据端到端训练ASTGCN模型，以LMP预测的MAE和RMSE为优化目标。
• 采用混合损失函数，结合分量级和整体LMP预测误差，确保最终LMP值的准确分解与重构。

实验结果

研究问题

• RQ1 图卷积网络能否有效建模输电网络中节点边际电价之间的空间依赖关系？
• RQ2 与标准GCN或RNN模型相比，引入时间卷积和注意力机制在多大程度上提升了预测准确性？
• RQ3 注意力机制在多大程度上能够突出关键输电节点和时间段，从而提升LMP预测的可解释性？
• RQ4 所提出的ASTGCN模型在真实世界数据上的预测误差和鲁棒性方面，是否优于ARIMA、MLP和LSTM等传统模型？

主要发现

• 与基线GCN模型相比，ASTGCN在IEEE-118系统上将平均RMSE降低了15.3%，MAE降低了17.7%。
• 在测试集上，模型的平均绝对误差（MAE）为0.8228 $/MWh，均方根误差（RMSE）为1.5383 $/MWh²，优于先前的最先进模型。
• 注意力权重识别出19个对其他母线具有显著影响的关键输电节点（如5、9、10、25、30、61、65、81、89、111），其结果与IEEE-118网络中的拓扑中心性一致。
• 注意力机制在大多数节点上提升了模型性能，但在价格突增较强的节点（如节点71）上表现略差（RMSE更高），表明对突变事件仍存在敏感性。
• 三分支架构能够准确地将LMP分解为电能、阻塞和损耗分量，其中阻塞因子预测准确率保持在93.68%。
• 模型在不同系统运行条件下均保持鲁棒性和泛化能力，在真实世界PJM数据和IEEE-118测试系统上均表现出一致的性能提升。