CN114154558A - 基于图神经网络的分布式能源发电负荷预测***及方法 - Google Patents
基于图神经网络的分布式能源发电负荷预测***及方法 Download PDFInfo
- Publication number
- CN114154558A CN114154558A CN202111336833.1A CN202111336833A CN114154558A CN 114154558 A CN114154558 A CN 114154558A CN 202111336833 A CN202111336833 A CN 202111336833A CN 114154558 A CN114154558 A CN 114154558A
- Authority
- CN
- China
- Prior art keywords
- power
- region
- time
- graph
- clustering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 141
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 17
- 238000003860 storage Methods 0.000 claims abstract description 13
- 230000005540 biological transmission Effects 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000004146 energy storage Methods 0.000 claims description 28
- 238000000547 structure data Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000008901 benefit Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 239000002803 fossil fuel Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims 2
- 238000010801 machine learning Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于图神经网络的分布式能源发电负荷预测***及方法，属于图神经网络、机器学习和数字能源技术领域，本发明要解决的技术问题为如何有效利用聚类、图神经网络等机器学习和深度学习技术并结合电力***发输配用业务，准确预测电网源网荷储电力生产和消耗量，采用的技术方案为：该***包括电力***参与单元特征提取编码器、电力区域划分聚类器、区域向量生成器、选择最佳区域划分选取器及未来发电负荷预测器。该方法具体如下：S1、参与电力***单元特征提取及聚类；S2、获取最佳区域划分；S3、预测未来发电负荷。
Description
技术领域
本发明涉及图神经网络、机器学习和数字能源技术领域，具体地说是一种基于图神经网络的分布式能源发电负荷预测***及方法。
背景技术
随着机器学习和深度学习技术的发展以及互联网和云计算时代海量数据和高效计算能力的支撑，通过训练构建得到类似人脑结构的大规模神经网络，在计算机视觉、语音识别、自然语言理解等领域取得了突破性进展，正在给整个社会带来颠覆性的变化。
图神经网络(Graph Neural Network,GNN)是一种能对图数据进行深度学习的方法，包括各类神经网络在图上应用的模型。图是一种由若干个结点(Node) 及连接两个结点的边(Edge)所构成的图形，用于刻画不同结点之间的关系。图数据作为一种非欧空间数据，因其普遍存在性逐渐受到关注。图卷积神经网络 (Graph Convolutional Network,GCN)是一类采用图卷积的神经网络，作为图神经网络中的一种重要的分支，在数据分析领域已经体现出了优势。
新能源担负起了能源结构改善和节能减排的重任，能源***正从集中式逐渐走向分布式。分布式能源是能源革命的重要载体和推进手段，也是未来能源体系重要组成部分，分布式光伏、分散式风电、生物发电、天然气分布式能源、能源互联网、微电网、多能互补项目成批涌现，能源行业迎来新的发展机遇的同时，也给电网安全运营带来新的挑战，如何有效利用聚类、图神经网络等机器学习和深度学习技术并结合电力***发输配用业务，准确预测电网源网荷储电力生产和消耗量成为亟需解决的问题。
发明内容
本发明的技术任务是提供基于图神经网络的分布式能源发电负荷预测***及方法，来解决如何有效利用聚类、图神经网络等机器学习和深度学习技术并结合电力***发输配用业务，准确预测电网源网荷储电力生产和消耗量的问题。
本发明的技术任务是按以下方式实现的，一种基于图神经网络的分布式能源发电负荷预测***，该***包括，
电力***参与单元特征提取编码器(Encoder)，用于基于自注意力网络结构，根据参与电力***单元的发电量和用电量序列进行特征提取，并结合时间 T该参与电力***单元的地理位置、备用电量、出力比例、储能容量及并网容量特征形成时间T参与电力***单元的特征向量；
电力区域划分聚类器(Cluster)，用于根据位置区域，并结合源网荷储的特征，基于各个参与电力***单元的特征向量进行聚类，形成聚类区域类别；
区域向量生成器(Gen-Vg)，用于计算聚类后划分的聚类区域内所有参与电力***单元在所有时间段内的发电量、电力消耗量、备用电量、出力比例、储能容量以及并网容量，形成区域向量组；
选择最佳区域划分选取器(SelDist)，用于遍历所有的区域划分方式，计算每一种划分方式的综合评价分，基于区域向量组计算评价区域向量组的优劣，选出最佳区域聚类结果；
未来发电负荷预测器(Pred)，用于将区域向量组形成图结构，利用图卷积操作预测输出下一时间区域数据。
作为优选，所述未来发电负荷预测器(Pred)包括，
生成基础图结构器(BG-Gen)，用于基于最佳区域聚类结果来生成区域间关系图结构；
更新图结构器(updG)，用于基于区域向量组时间T的数据来更新区域间关系图；
图卷积操作器(GCN)，用于采用切比雪夫卷积算法对区域向量组形成的图结构数据进行图卷积操作；
预测下一时间区域数据模型器(Wadd)，用于基于LSTM序列建模结构，通过输入图卷积操作(GCN)模块的结果以及当前时间T的区域向量组，结合历史时间输入区域向量组数据，预测下一时间段的电量及电力消耗的数据。
更优地，所述未来发电负荷预测器(Pred)的工作过程具体如下：
(1)、对于最佳区域聚类结果的划分方式，利用生成基础图结构器(BG-Gen) 生成区域间关系图结构；
(2)、采用最佳区域聚类结果划分方式，将此划分方式的所有的历史数据，经过区域向量生成器(Gen-Vg)计算形成从时间1到时间T的向量组序列，持续输入到未来发电负荷预测模型器(Pred)；
(3)、基于生成基础图结构器(BG-Gen)生成区域间关系图结构，利用更新图结构器(updG)更新区域间关系图结构数据，再经过图卷积操作器(GCN) 以及预测下一时间区域数据模型器(Wadd)计算中间结果，最终输出时间T+1 的区域向量组预测结果；
(4)、持续将未来时间预测结果输入到未来发电负荷预测模型器(Pred)，输出下一时间的区域向量组预测结果。
作为优选，参与电力***单元的特征向量分为发电量和用电量两个通道，T 时间段一天为单位，特征向量的分量按照15分钟或30分钟记录发电量和用电量。
更优地，区域向量组获取过程具体如下：
(1)、基于所有参与电力***单元的历史数据，以设定的时间段为单位，从时间1到当前时间T，对于每一个参与电力***单元m，每一个时间点t，组装特征向量vm，形成发电量和用电量双通道向量序列(vm1、vm2...vmt)；
(2)、利用电力***参与单元特征提取编码器(Encoder)对向量序列(vm1、vm2...vmt)进行处理，形成编码特征向量Vsmt；
(3)、利用电力***参与单元特征提取编码器(Encoder)提取参与电力***单元m在时间点t的地理位置、备用电量、出力比例、储能容量及并网容量的其他特征向量Vsmt’，将其他特征向量Vsmt’与编码特征向量Vsmt合并形成 Vptm；
(4)、从时间1到当前时间T，对于每个时间点t，使用电力区域划分聚类器(Cluster)对Vpt1、Vpt2...Vptm进行聚类，形成区域划分簇；
(5)、将T种区域划分方式中相同的聚类结果方式进行合并，对于每一种区域划分方式，根据划分区域1到N，计算时间t所有参与电力***单元的发电量、电力消耗量、备用电量、出力比例、储能容量以及并网容量，得到N个向量，构成向量组；进而从时间1到时间T中，最终形成T个向量组。
作为优选，所述参与电力***单元包括发电电源、输电配电网、用电负荷以及储能；
其中，发电电源用于产生电力，发电单元包括风力发电、光伏发电及水利发电的分布式电源、传统的火力发电的化石燃料发电以及核电；
输电配电网用于保证电力的传输；发电电源、用电负荷和储能接入主电网或者独立形成电力微网***；
用电负荷指电力的消耗，包括工业负荷、居民负荷及商业负荷；
储能用于实现电力能源的存储和输出，作为负荷和电源来参与电力***。
一种基于图神经网络的分布式能源发电负荷预测方法，该方法是结合参与电力***单元的源网荷储的分布情况及业务情况，利用聚类技术进行初步聚合，并根据聚合后参与电力***单元之间的联系，通过图神经网络进行分析，预测电网的电力生产和消耗量；具体如下：
S1、参与电力***单元特征提取及聚类：根据分布式能源发电和消耗单元的特征，基于地理分布、电网铺设以及业务情况，通过用电力***参与单元特征提取编码器(Encoder)对分布式电源、负荷及储能的参与电力***单元的特征选择和提取，并利用电力区域划分聚类器(Cluster)进行合理的聚类；
S2、获取最佳区域划分：利用选择最佳区域划分选取器(SelDist)遍历所有的区域划分方式，计算每一种划分方式的综合评价分，找出最佳的电力区域划分单元，选出最佳区域聚类结果；
S3、预测未来发电负荷：将各电力区域划分单元形成图结构，采用图神经网络结合历史数据以及电力计划数据，通过未来发电负荷预测模型器(Pred) 预测其未来时刻电力区域单元的电源发电和电力消耗量。
作为优选，所述未来发电负荷预测器(Pred)包括，
生成基础图结构器(BG-Gen)，用于基于最佳区域聚类结果来生成区域间关系图结构；
更新图结构器(updG)，用于基于区域向量组时间T的数据来更新区域间关系图；
图卷积操作器(GCN)，用于采用切比雪夫卷积算法对区域向量组形成的图结构数据进行图卷积操作；
预测下一时间区域数据模型器(Wadd)，用于基于LSTM序列建模结构，通过输入图卷积操作(GCN)模块的结果以及当前时间T的区域向量组，结合历史时间输入区域向量组数据，预测下一时间段的电量及电力消耗的数据。
更优地，步骤S1中的参与电力***单元特征提取及聚类具体如下：
S101、基于所有参与电力***单元的历史数据，以设定的时间段为单位，从时间1到当前时间T，对于每一个参与电力***单元m，每一个时间点t，组装特征向量vm，形成发电量和用电量双通道向量序列(vm1、vm2...vmt)；
S102、利用电力***参与单元特征提取编码器(Encoder)对向量序列(vm1、vm2...vmt)进行处理，形成编码特征向量Vsmt；
S103、利用电力***参与单元特征提取编码器(Encoder)提取参与电力***单元m在时间点t的地理位置、备用电量、出力比例、储能容量及并网容量的其他特征向量Vsmt’，将其他特征向量Vsmt’与编码特征向量Vsmt合并形成 Vptm；
S104、从时间1到当前时间T，对于每个时间点t，使用电力区域划分聚类器(Cluster)对Vpt1、Vpt2...Vptm进行聚类，形成区域划分簇；
S105、将T种区域划分方式中相同的聚类结果方式进行合并，对于每一种区域划分方式，根据划分区域1到N，计算时间t所有参与电力***单元的发电量、电力消耗量、备用电量、出力比例、储能容量以及并网容量，得到N个向量，构成向量组；进而从时间1到时间T中，最终形成T个向量组。
更优地，步骤S3中的预测未来发电负荷具体如下：
S301、对于最佳区域聚类结果的划分方式，利用生成基础图结构器(BG-Gen) 生成区域间关系图结构；
S302、采用最佳区域聚类结果划分方式，将此划分方式的所有的历史数据，经过区域向量生成器(Gen-Vg)计算形成从时间1到时间T的向量组序列，持续输入到未来发电负荷预测模型器(Pred)；
S303、基于生成基础图结构器(BG-Gen)生成区域间关系图结构，利用更新图结构器(updG)更新区域间关系图结构数据，再经过图卷积操作器(GCN) 以及预测下一时间区域数据模型器(Wadd)计算中间结果，最终输出时间T+1 的区域向量组预测结果；
S304、持续将未来时间预测结果输入到未来发电负荷预测模型器(Pred)，输出下一时间的区域向量组预测结果。
本发明的基于图神经网络的分布式能源发电负荷预测***及方法具有以下优点：
(一)本发明结合参与电力***的源网荷储的分布情况及业务情况，利用聚类将其进行初步聚合，充分考虑聚合后单元之间的联系，并通过图神经网络模型进行分析，预测电网的电力生产和消耗量，进而发现产消不平衡带来的安全隐患，为制定有效的电力调度策略做支撑，保证电力***的运行安全；同时提升分布式清洁能源的消纳，实现整体经济效益的最大化；
(二)本发明结合参与电力***的源网荷储的分布情况及业务情况，设计分布式能源发电和电力消耗单元的特征，通过对分布式电源、负荷、储能等参与电力***单元的特征选择和提取，并进行合理的聚类，找出最佳的电力区域划分单元，简化电力***参与单元结构复杂性，提高处理效率；
(三)本发明结合分布式能源特点，以天为单位，采用不同的时间段单位，能够更好的反应数据周期性关系及变化，适应和满足真实的业务场景；
(四)本发明根据电源发电及电力消耗预测量，通过调整电力区域单元，形成更加有效的划分，减少电力调度计划复杂度，提升调度效率。
附图说明
下面结合附图对本发明进一步说明。
附图1为参与电力***单元特征提取及聚类的流程示意图；
附图2为获取最佳区域划分的流程示意图；
附图3为预测未来发电负荷的流程示意图。
具体实施方式
参照说明书附图和具体实施例对本发明的基于图神经网络的分布式能源发电负荷预测***及方法作以下详细地说明。
实施例1：
本发明的基于图神经网络的分布式能源发电负荷预测***，该***包括，
电力***参与单元特征提取编码器(Encoder)，用于基于自注意力网络结构，根据参与电力***单元的发电量和用电量序列进行特征提取，并结合时间 T该参与电力***单元的地理位置、备用电量、出力比例、储能容量及并网容量特征形成时间T参与电力***单元的特征向量；
电力区域划分聚类器(Cluster)，用于根据位置区域，并结合源网荷储的特征，基于各个参与电力***单元的特征向量进行聚类，形成聚类区域类别；
区域向量生成器(Gen-Vg)，用于计算聚类后划分的聚类区域内所有参与电力***单元在所有时间段内的发电量、电力消耗量、备用电量、出力比例、储能容量以及并网容量，形成区域向量组；
选择最佳区域划分选取器(SelDist)，用于遍历所有的区域划分方式，计算每一种划分方式的综合评价分，基于区域向量组计算评价区域向量组的优劣，选出最佳区域聚类结果；
未来发电负荷预测器(Pred)，用于将区域向量组形成图结构，利用图卷积操作预测输出下一时间区域数据。
本实施例中的未来发电负荷预测器(Pred)包括，
生成基础图结构器(BG-Gen)，用于基于最佳区域聚类结果来生成区域间关系图结构；
更新图结构器(updG)，用于基于区域向量组时间T的数据来更新区域间关系图；
图卷积操作器(GCN)，用于采用切比雪夫卷积算法对区域向量组形成的图结构数据进行图卷积操作；
预测下一时间区域数据模型器(Wadd)，用于基于LSTM序列建模结构，通过输入图卷积操作(GCN)模块的结果以及当前时间T的区域向量组，结合历史时间输入区域向量组数据，预测下一时间段的电量及电力消耗的数据。
本实施例中的未来发电负荷预测器(Pred)的工作过程具体如下：
(1)、对于最佳区域聚类结果的划分方式，利用生成基础图结构器(BG-Gen) 生成区域间关系图结构；
(2)、采用最佳区域聚类结果划分方式，将此划分方式的所有的历史数据，经过区域向量生成器(Gen-Vg)计算形成从时间1到时间T的向量组序列，持续输入到未来发电负荷预测模型器(Pred)；
(3)、基于生成基础图结构器(BG-Gen)生成区域间关系图结构，利用更新图结构器(updG)更新区域间关系图结构数据，再经过图卷积操作器(GCN) 以及预测下一时间区域数据模型器(Wadd)计算中间结果，最终输出时间T+1 的区域向量组预测结果；
(4)、持续将未来时间预测结果输入到未来发电负荷预测模型器(Pred)，输出下一时间的区域向量组预测结果。
本实施例中的参与电力***单元的特征向量分为发电量和用电量两个通道， T时间段一天为单位，特征向量的分量按照15分钟或30分钟记录发电量和用电量。
本实施例中的区域向量组获取过程具体如下：
(1)、基于所有参与电力***单元的历史数据，以设定的时间段为单位，从时间1到当前时间T，对于每一个参与电力***单元m，每一个时间点t，组装特征向量vm，形成发电量和用电量双通道向量序列(vm1、vm2...vmt)；
(2)、利用电力***参与单元特征提取编码器(Encoder)对向量序列(vm1、vm2...vmt)进行处理，形成编码特征向量Vsmt；
(3)、利用电力***参与单元特征提取编码器(Encoder)提取参与电力***单元m在时间点t的地理位置、备用电量、出力比例、储能容量及并网容量的其他特征向量Vsmt’，将其他特征向量Vsmt’与编码特征向量Vsmt合并形成 Vptm；
(4)、从时间1到当前时间T，对于每个时间点t，使用电力区域划分聚类器(Cluster)对Vpt1、Vpt2...Vptm进行聚类，形成区域划分簇；
(5)、将T种区域划分方式中相同的聚类结果方式进行合并，对于每一种区域划分方式，根据划分区域1到N，计算时间t所有参与电力***单元的发电量、电力消耗量、备用电量、出力比例、储能容量以及并网容量，得到N个向量，构成向量组；进而从时间1到时间T中，最终形成T个向量组。
本实施例中的参与电力***单元包括发电电源、输电配电网、用电负荷以及储能；
其中，发电电源用于产生电力，发电单元包括风力发电、光伏发电及水利发电的分布式电源、传统的火力发电的化石燃料发电以及核电；
输电配电网用于保证电力的传输；发电电源、用电负荷和储能接入主电网或者独立形成电力微网***；
用电负荷指电力的消耗，包括工业负荷、居民负荷及商业负荷；
储能用于实现电力能源的存储和输出，作为负荷和电源来参与电力***。
实施例2：
本发明的基于图神经网络的分布式能源发电负荷预测方法，该方法是结合参与电力***单元的源网荷储的分布情况及业务情况，利用聚类技术进行初步聚合，并根据聚合后参与电力***单元之间的联系，通过图神经网络进行分析，预测电网的电力生产和消耗量；具体如下：
S1、参与电力***单元特征提取及聚类：根据分布式能源发电和消耗单元的特征，基于地理分布、电网铺设以及业务情况，通过用电力***参与单元特征提取编码器(Encoder)对分布式电源、负荷及储能的参与电力***单元的特征选择和提取，并利用电力区域划分聚类器(Cluster)进行合理的聚类；
S2、获取最佳区域划分：利用选择最佳区域划分选取器(SelDist)遍历所有的区域划分方式，计算每一种划分方式的综合评价分，找出最佳的电力区域划分单元，选出最佳区域聚类结果，如附图2所示；
S3、预测未来发电负荷：将各电力区域划分单元形成图结构，采用图神经网络结合历史数据以及电力计划数据，通过未来发电负荷预测模型器(Pred) 预测其未来时刻电力区域单元的电源发电和电力消耗量。
本实施例中的未来发电负荷预测器(Pred)包括，
生成基础图结构器(BG-Gen)，用于基于最佳区域聚类结果来生成区域间关系图结构；
更新图结构器(updG)，用于基于区域向量组时间T的数据来更新区域间关系图；
图卷积操作器(GCN)，用于采用切比雪夫卷积算法对区域向量组形成的图结构数据进行图卷积操作；
预测下一时间区域数据模型器(Wadd)，用于基于LSTM序列建模结构，通过输入图卷积操作(GCN)模块的结果以及当前时间T的区域向量组，结合历史时间输入区域向量组数据，预测下一时间段的电量及电力消耗的数据。
如附图1所示，本实施例步骤S1中的参与电力***单元特征提取及聚类具体如下：
S101、基于所有参与电力***单元的历史数据，以设定的时间段为单位，从时间1到当前时间T，对于每一个参与电力***单元m，每一个时间点t，组装特征向量vm，形成发电量和用电量双通道向量序列(vm1、vm2...vmt)；
S102、利用电力***参与单元特征提取编码器(Encoder)对向量序列(vm1、vm2...vmt)进行处理，形成编码特征向量Vsmt；
S103、利用电力***参与单元特征提取编码器(Encoder)提取参与电力***单元m在时间点t的地理位置、备用电量、出力比例、储能容量及并网容量的其他特征向量Vsmt’，将其他特征向量Vsmt’与编码特征向量Vsmt合并形成 Vptm；
S104、从时间1到当前时间T，对于每个时间点t，使用电力区域划分聚类器(Cluster)对Vpt1、Vpt2...Vptm进行聚类，形成区域划分簇；
S105、将T种区域划分方式中相同的聚类结果方式进行合并，对于每一种区域划分方式，根据划分区域1到N，计算时间t所有参与电力***单元的发电量、电力消耗量、备用电量、出力比例、储能容量以及并网容量，得到N个向量，构成向量组；进而从时间1到时间T中，最终形成T个向量组。
如附图3所示，本实施例步骤S3中的预测未来发电负荷具体如下：
S301、对于最佳区域聚类结果的划分方式，利用生成基础图结构器(BG-Gen) 生成区域间关系图结构；
S302、采用最佳区域聚类结果划分方式，将此划分方式的所有的历史数据，经过区域向量生成器(Gen-Vg)计算形成从时间1到时间T的向量组序列，持续输入到未来发电负荷预测模型器(Pred)；
S303、基于生成基础图结构器(BG-Gen)生成区域间关系图结构，利用更新图结构器(updG)更新区域间关系图结构数据，再经过图卷积操作器(GCN) 以及预测下一时间区域数据模型器(Wadd)计算中间结果，最终输出时间T+1 的区域向量组预测结果；
S304、持续将未来时间预测结果输入到未来发电负荷预测模型器(Pred)，输出下一时间的区域向量组预测结果。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于图神经网络的分布式能源发电负荷预测***，其特征在于，该***包括，
电力***参与单元特征提取编码器，用于基于自注意力网络结构，根据参与电力***单元的发电量和用电量序列进行特征提取，并结合时间T该参与电力***单元的地理位置、备用电量、出力比例、储能容量及并网容量特征形成时间T参与电力***单元的特征向量；
电力区域划分聚类器，用于根据位置区域，并结合源网荷储的特征，基于各个参与电力***单元的特征向量进行聚类，形成聚类区域类别；
区域向量生成器，用于计算聚类后划分的聚类区域内所有参与电力***单元在所有时间段内的发电量、电力消耗量、备用电量、出力比例、储能容量以及并网容量，形成区域向量组；
选择最佳区域划分选取器，用于遍历所有的区域划分方式，计算每一种划分方式的综合评价分，基于区域向量组计算评价区域向量组的优劣，选出最佳区域聚类结果；
未来发电负荷预测器，用于将区域向量组形成图结构，利用图卷积操作预测输出下一时间区域数据。
2.根据权利要求1所述的基于图神经网络的分布式能源发电负荷预测***，其特征在于，所述未来发电负荷预测器包括，
生成基础图结构器，用于基于最佳区域聚类结果来生成区域间关系图结构；
更新图结构器，用于基于区域向量组时间T的数据来更新区域间关系图；
图卷积操作器，用于采用切比雪夫卷积算法对区域向量组形成的图结构数据进行图卷积操作；
预测下一时间区域数据模型器，用于基于LSTM序列建模结构，通过输入图卷积操作(GCN)模块的结果以及当前时间T的区域向量组，结合历史时间输入区域向量组数据，预测下一时间段的电量及电力消耗的数据。
3.根据权利要求1或2所述的基于图神经网络的分布式能源发电负荷预测***，其特征在于，所述未来发电负荷预测器的工作过程具体如下：
(1)、对于最佳区域聚类结果的划分方式，利用生成基础图结构器生成区域间关系图结构；
(2)、采用最佳区域聚类结果划分方式，将此划分方式的所有的历史数据，经过区域向量生成器计算形成从时间1到时间T的向量组序列，持续输入到未来发电负荷预测模型器；
(3)、基于生成基础图结构器生成区域间关系图结构，利用更新图结构器更新区域间关系图结构数据，再经过图卷积操作器以及预测下一时间区域数据模型器计算中间结果，最终输出时间T+1的区域向量组预测结果；
(4)、持续将未来时间预测结果输入到未来发电负荷预测模型器，输出下一时间的区域向量组预测结果。
4.根据权利要求1所述的基于图神经网络的分布式能源发电负荷预测***，其特征在于，参与电力***单元的特征向量分为发电量和用电量两个通道，T时间段一天为单位，特征向量的分量按照15分钟或30分钟记录发电量和用电量。
5.根据权利要求1或4所述的基于图神经网络的分布式能源发电负荷预测***，其特征在于，区域向量组获取过程具体如下：
(1)、基于所有参与电力***单元的历史数据，以设定的时间段为单位，从时间1到当前时间T，对于每一个参与电力***单元m，每一个时间点t，组装特征向量vm，形成发电量和用电量双通道向量序列(vm1、vm2...vmt)；
(2)、利用电力***参与单元特征提取编码器对向量序列(vm1、vm2...vmt)进行处理，形成编码特征向量Vsmt；
(3)、利用电力***参与单元特征提取编码器提取参与电力***单元m在时间点t的地理位置、备用电量、出力比例、储能容量及并网容量的其他特征向量Vsmt’，将其他特征向量Vsmt’与编码特征向量Vsmt合并形成Vptm；
(4)、从时间1到当前时间T，对于每个时间点t，使用电力区域划分聚类器对Vpt1、Vpt2...Vptm进行聚类，形成区域划分簇；
(5)、将T种区域划分方式中相同的聚类结果方式进行合并，对于每一种区域划分方式，根据划分区域1到N，计算时间t所有参与电力***单元的发电量、电力消耗量、备用电量、出力比例、储能容量以及并网容量，得到N个向量，构成向量组；进而从时间1到时间T中，最终形成T个向量组。
6.根据权利要求1所述的基于图神经网络的分布式能源发电负荷预测***，其特征在于，所述参与电力***单元包括发电电源、输电配电网、用电负荷以及储能；
其中，发电电源用于产生电力，发电单元包括风力发电、光伏发电及水利发电的分布式电源、传统的火力发电的化石燃料发电以及核电；
输电配电网用于保证电力的传输；发电电源、用电负荷和储能接入主电网或者独立形成电力微网***；
用电负荷指电力的消耗，包括工业负荷、居民负荷及商业负荷；
储能用于实现电力能源的存储和输出，作为负荷和电源来参与电力***。
7.一种基于图神经网络的分布式能源发电负荷预测方法，其特征在于，该方法是结合参与电力***单元的源网荷储的分布情况及业务情况，利用聚类技术进行初步聚合，并根据聚合后参与电力***单元之间的联系，通过图神经网络进行分析，预测电网的电力生产和消耗量；具体如下：
S1、参与电力***单元特征提取及聚类：根据分布式能源发电和消耗单元的特征，基于地理分布、电网铺设以及业务情况，通过用电力***参与单元特征提取编码器对分布式电源、负荷及储能的参与电力***单元的特征选择和提取，并利用电力区域划分聚类器进行合理的聚类；
S2、获取最佳区域划分：利用选择最佳区域划分选取器遍历所有的区域划分方式，计算每一种划分方式的综合评价分，找出最佳的电力区域划分单元，选出最佳区域聚类结果；
S3、预测未来发电负荷：将各电力区域划分单元形成图结构，采用图神经网络结合历史数据以及电力计划数据，通过未来发电负荷预测模型器预测其未来时刻电力区域单元的电源发电和电力消耗量。
8.根据权利要求7所述的基于图神经网络的分布式能源发电负荷预测方法，其特征在于，所述未来发电负荷预测器包括，
生成基础图结构器，用于基于最佳区域聚类结果来生成区域间关系图结构；
更新图结构器，用于基于区域向量组时间T的数据来更新区域间关系图；
图卷积操作器，用于采用切比雪夫卷积算法对区域向量组形成的图结构数据进行图卷积操作；
预测下一时间区域数据模型器，用于基于LSTM序列建模结构，通过输入图卷积操作(GCN)模块的结果以及当前时间T的区域向量组，结合历史时间输入区域向量组数据，预测下一时间段的电量及电力消耗的数据。
9.根据权利要求7或8所述的基于图神经网络的分布式能源发电负荷预测方法，其特征在于，步骤S1中的参与电力***单元特征提取及聚类具体如下：
S101、基于所有参与电力***单元的历史数据，以设定的时间段为单位，从时间1到当前时间T，对于每一个参与电力***单元m，每一个时间点t，组装特征向量vm，形成发电量和用电量双通道向量序列(vm1、vm2...vmt)；
S102、利用电力***参与单元特征提取编码器对向量序列(vm1、vm2...vmt)进行处理，形成编码特征向量Vsmt；
S103、利用电力***参与单元特征提取编码器提取参与电力***单元m在时间点t的地理位置、备用电量、出力比例、储能容量及并网容量的其他特征向量Vsmt’，将其他特征向量Vsmt’与编码特征向量Vsmt合并形成Vptm；
S104、从时间1到当前时间T，对于每个时间点t，使用电力区域划分聚类器对Vpt1、Vpt2...Vptm进行聚类，形成区域划分簇；
S105、将T种区域划分方式中相同的聚类结果方式进行合并，对于每一种区域划分方式，根据划分区域1到N，计算时间t所有参与电力***单元的发电量、电力消耗量、备用电量、出力比例、储能容量以及并网容量，得到N个向量，构成向量组；进而从时间1到时间T中，最终形成T个向量组。
10.根据权利要求9所述的基于图神经网络的分布式能源发电负荷预测方法，其特征在于，步骤S3中的预测未来发电负荷具体如下：
S301、对于最佳区域聚类结果的划分方式，利用生成基础图结构器生成区域间关系图结构；
S302、采用最佳区域聚类结果划分方式，将此划分方式的所有的历史数据，经过区域向量生成器计算形成从时间1到时间T的向量组序列，持续输入到未来发电负荷预测模型器；
S303、基于生成基础图结构器生成区域间关系图结构，利用更新图结构器更新区域间关系图结构数据，再经过图卷积操作器以及预测下一时间区域数据模型器计算中间结果，最终输出时间T+1的区域向量组预测结果；
S304、持续将未来时间预测结果输入到未来发电负荷预测模型器，输出下一时间的区域向量组预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111336833.1A CN114154558B (zh) | 2021-11-12 | 2021-11-12 | 基于图神经网络的分布式能源发电负荷预测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111336833.1A CN114154558B (zh) | 2021-11-12 | 2021-11-12 | 基于图神经网络的分布式能源发电负荷预测***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114154558A true CN114154558A (zh) | 2022-03-08 |
| CN114154558B CN114154558B (zh) | 2024-05-21 |
Family
ID=80459672
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111336833.1A Active CN114154558B (zh) | 2021-11-12 | 2021-11-12 | 基于图神经网络的分布式能源发电负荷预测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114154558B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114818483A (zh) * | 2022-04-14 | 2022-07-29 | 东南大学溧阳研究院 | 一种基于图神经网络的机电扰动定位及传播预测方法 |
| CN115313377A (zh) * | 2022-08-26 | 2022-11-08 | 中国长江三峡集团有限公司 | 一种电力负荷预测方法及*** |
| CN115689069A (zh) * | 2023-01-03 | 2023-02-03 | 东北电力大学 | 基于人工智能的电网调度控制方法及*** |
| EP4383498A1 (en) | 2022-12-06 | 2024-06-12 | CSEM Centre Suisse d'Electronique et de Microtechnique SA - Recherche et Développement | Method of forecasting power production/consumption in a distributed network |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461392A (zh) * | 2020-01-23 | 2020-07-28 | 华中科技大学 | 一种基于图神经网络的电力故障预测方法及*** |
| US20210192358A1 (en) * | 2018-05-18 | 2021-06-24 | Deepmind Technologies Limited | Graph neural network systems for behavior prediction and reinforcement learning in multple agent environments |
| CN113392781A (zh) * | 2021-06-18 | 2021-09-14 | 山东浪潮科学研究院有限公司 | 一种基于图神经网络的视频情感语义分析方法 |
| CN113505458A (zh) * | 2021-07-26 | 2021-10-15 | 中国电力科学研究院有限公司 | 连锁故障关键触发支路预测方法、***、设备及存储介质 |
-
2021
- 2021-11-12 CN CN202111336833.1A patent/CN114154558B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210192358A1 (en) * | 2018-05-18 | 2021-06-24 | Deepmind Technologies Limited | Graph neural network systems for behavior prediction and reinforcement learning in multple agent environments |
| CN111461392A (zh) * | 2020-01-23 | 2020-07-28 | 华中科技大学 | 一种基于图神经网络的电力故障预测方法及*** |
| CN113392781A (zh) * | 2021-06-18 | 2021-09-14 | 山东浪潮科学研究院有限公司 | 一种基于图神经网络的视频情感语义分析方法 |
| CN113505458A (zh) * | 2021-07-26 | 2021-10-15 | 中国电力科学研究院有限公司 | 连锁故障关键触发支路预测方法、***、设备及存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114818483A (zh) * | 2022-04-14 | 2022-07-29 | 东南大学溧阳研究院 | 一种基于图神经网络的机电扰动定位及传播预测方法 |
| CN115313377A (zh) * | 2022-08-26 | 2022-11-08 | 中国长江三峡集团有限公司 | 一种电力负荷预测方法及*** |
| CN115313377B (zh) * | 2022-08-26 | 2023-08-08 | 中国长江三峡集团有限公司 | 一种电力负荷预测方法及*** |
| EP4383498A1 (en) | 2022-12-06 | 2024-06-12 | CSEM Centre Suisse d'Electronique et de Microtechnique SA - Recherche et Développement | Method of forecasting power production/consumption in a distributed network |
| CN115689069A (zh) * | 2023-01-03 | 2023-02-03 | 东北电力大学 | 基于人工智能的电网调度控制方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114154558B (zh) | 2024-05-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114154558B (zh) | 基于图神经网络的分布式能源发电负荷预测***及方法 | |
| Sharma et al. | A critical and comparative review of energy management strategies for microgrids | |
| Bakken et al. | Grip-grids with intelligent periphery: Control architectures for grid2050 π | |
| CN104600713A (zh) | 含风力/光伏发电配电网日前无功调度的生成装置及方法 | |
| CN103455729A (zh) | 一种光储并网联合发电调度值的计算方法 | |
| Huang et al. | Smart energy management system based on reconfigurable AI chip and electrical vehicles | |
| CN108075471B (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
| Yang et al. | Deep learning-based distributed optimal control for wide area energy Internet | |
| Abedinia et al. | Synergizing efficient optimal energy hub design for multiple smart energy system players and electric vehicles | |
| CN116402210A (zh) | 一种综合能源***多目标优化方法、***、设备和介质 | |
| Mirjalili et al. | A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system | |
| CN116050754A (zh) | 一种基于数字孪生的虚拟电厂协同管控方法及*** | |
| CN111105096A (zh) | 一种新能源并网布局规划方法与*** | |
| Vlasov et al. | Predictive control algorithm for a variable load hybrid power system on the basis of power output forecast | |
| CN115313377B (zh) | 一种电力负荷预测方法及*** | |
| Zhang et al. | Joint forecasting of regional wind and solar power based on attention neural network | |
| Lv et al. | Photovoltaic power forecasting in dunhuang based on recurrent neural network | |
| CN111325368A (zh) | 一种光储式电动汽车充电站光伏功率预测方法和装置 | |
| Cheng et al. | The power system multi-objective optimization dispatching containing virtual power plant | |
| CN115358509A (zh) | 一种用户综合能耗优化控制方法及*** | |
| KR102562761B1 (ko) | 스마트 그리드에서 p2p 프로슈머 커뮤니티의 지능형 사전 에너지 공유 스케줄링 방법 | |
| Chang et al. | Bi‐level scheduling of large‐scale electric vehicles based on the generation side and the distribution side | |
| Li et al. | Influence on Stability Analysis in Distributed Smart Grids Using Computer Aimed Digital Decision Trees | |
| Guo et al. | Prediction Model of Energy Traceability Efficiency of Distributed Power Network System Based on Genetic Algorithm | |
| CN112749792B (zh) | 一种基于bp算法的风速预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |