电力负荷预测中 GNN 的诊断协议：区分参数共享与邻域访问

对一组负荷序列进行预测的图神经网络（GNN）结合了两种机制：在不同序列之间共享参数，以及读取邻近序列。相较于非图模型所获得的提升可能来自其中任一机制；区分二者，决定了是否值得维护图结构。我们提出一种模型诊断协议，将 GNN 与三个参考模型进行比较：逐节点网络、不使用邻居但在节点之间共享的网络，以及去除边的同一 GNN。保持节点度不变的重连测试可以检验邻居身份是否重要。在对法国区域负荷和英国低压馈线进行调参基准实验后，我们将该协议应用于节点历史记录刻意缩短的情形，例如非平稳需求使得只有近期观测仍然相关：具体包括一周内的馈线数据，以及一个公开的客户用电序列数据集。在馈线数据上，参数共享弥补了节点特定模型与 GNN 之间大部分的误差差距；相对于正则化模型，这一比例约为三分之二。在其他条件相同的骨干网络中加入边所带来的提升较小，其中一半或更多会在重连后消失。在客户序列上，在较短时间窗口内，邻居均值会使逐节点模型的性能变差，而边带来的提升并不能始终与零显著区分；在法国的区域数据上，由于每个节点自身的历史已经具有较强信息量，逐节点模型与 GNN 之间的性能排序会随调参而改变。合成实验表明，局部测量噪声较大可能是邻居能够发挥作用的一种情形。在一项探索性的在线聚合实验中，图模型与非图预测器似乎具有互补性，而分配给 GNN 的权重并不与其贡献成正比。在三个数据集中，没有一个数据集显示边结构解释了 GNN 相较于节点特定模型的大部分优势。因此，只有在与逐节点模型和共享模型进行比较之后，才能将预测性能提升归因于图结构。