CN117396886A - 用于时间序列预测的时空图神经网络 - Google Patents
用于时间序列预测的时空图神经网络 Download PDFInfo
- Publication number
- CN117396886A CN117396886A CN202280037797.5A CN202280037797A CN117396886A CN 117396886 A CN117396886 A CN 117396886A CN 202280037797 A CN202280037797 A CN 202280037797A CN 117396886 A CN117396886 A CN 117396886A
- Authority
- CN
- China
- Prior art keywords
- node
- edge
- network
- graph
- energy
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 238000010586 diagram Methods 0.000 title description 4
- 230000015654 memory Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 30
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 10
- 230000009471 action Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013068 supply chain management Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005291 chaos (dynamical) Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010348 incorporation Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009625 temporal interaction Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供了一种包括处理器和存储可由该处理器执行的指令的存储器的计算***。所述指令可执行以在运行时阶段期间接收运行时输入数据，该运行时输入数据包括指示在一系列时间步骤中的每一个时间步骤处的图网络的状态的时间序列数据。该图网络包括多个节点和至少一个连接节点的对的边。该运行时输入数据被输入到经训练的图神经网络中，从而使得该图神经网络输出该图网络在一个或多个未来时间步骤处的预测状态。
Description
背景技术
许多***包括彼此交互的多个实体。这些***被建模为网络，在其中每个实体由一个节点表示，并且其与另一个实体的交互由一条边表示。这种交互导致影响节点特征的网络效应。例如，在能量***中，一个节点处的能量价格和供应/需求受到其他节点处的能量价格和能量供应/需求的影响。此外，能量价格和供应/需求受节点之间的能量传输速率的影响。因此，预测节点的连续特征以及节点之间的连接的连续特征存在技术挑战。
发明内容
提供了一种包括处理器和存储可由该处理器执行的指令的存储器的计算设备。该指令可执行以在运行时阶段期间接收运行时输入数据，该运行时输入数据包括指示在一系列时间步骤中的每一个时间步骤处的图网络的状态的时间序列数据。该图网络包括多个节点和至少一个连接节点的对的边。该运行时输入数据被输入到经训练的图神经网络中，从而使得该图神经网络输出该图网络在一个或多个未来时间步骤处的预测状态。该图神经网络包括节点空间层，该节点空间层被配置成接收该图网络的该状态作为输入，并且针对每个节点输出该节点的节点邻域的聚合表示。该图神经网络还包括一个边空间层，其配置成接收以下各项作为该至少一个边的每个边的输入：嵌入边特征的表示，从该节点空间层接收的由该边连接的第一节点的第一节点邻域的聚合表示，以及从该节点空间层接收的由该边连接的第二节点的第二节点邻域的聚合表示。该边空间层被配置成输出该边的边邻域的聚合表示。全连接层被配置成经由时间门接收来自该节点空间层和该边空间层的输出数据，并且将来自该节点空间层和该边空间层的输出数据与该网络的输入时间状态相组合以预测该图网络在该一个或多个未来时间步骤处的状态。
提供本发明内容以便以简化的形式介绍以下在具体实施方式中还描述的概念的选集。本公开内容并不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。此外，所要求保护的主题不限于解决在本公开的任一部分中提及的任何或所有缺点的实现。
附图说明
图1示出了用于预测图网络的状态的***的示例。
图2示出了图1的***的运行时实现的示例。
图3示出了可以在图1的***中使用的图网络的示例，包括节点邻域的示例和边邻域的示例。
图4示出了可以在图1的***中使用的图神经网络(GNN)的示例。
图5示出了可以在图4的GNN中使用的空间层的示例。
图6示出了可以与图1的***一起使用的示例决策管理层的示意图。
图7是应用于能量网络的基线时间序列和基于GNN的预测算法的平均绝对预测误差(MAPE)的曲线图。
图8A-8B示出了根据一个示例实施例的用于预测图网络的状态的示例方法的流程图。
图9示出了示例计算***的框图。
具体实施方式
将可再生能源纳入电网是实现净零碳排放的关键一步。然而，由于可再生能源的间歇性和不可调度性，这是具有挑战性的。尽管储能可以消除可再生能量的可变性，但在高度互联的电网中，通过地理分布的储能(充电或放电)采取适当行动并非易事。具体而言，任何此类行动都可能影响电力交易价格的稳定性，并阻碍更多的可再生能源发电。
在美国、欧盟和世界许多其他地区，匹配电网中的发电机供应和消费者需求的一种方式是通过能源交易。这允许有竞争性的竞标和价格，这有助于电力储备的盈利运营。
这种能源交易计划中的能源价格本身就很复杂，其中国家间和国家内的电力流动量很大。这样的网络效应很难捕捉到。价格取决于各种因素，诸如当地的供应和需求。此外，援引混沌理论，参与此类市场将从本质上改变市场。
可再生能源在减少碳排放方面具有重要前景。最近，由于规模经济大大降低了制造成本，太阳能和风能在没有补贴的情况下以极具竞争力的价格提供电力。由于可再生能源仍占能量需求的一小部分，增加可再生能量的扩散可能有助于减少碳排放。
然而，整合可再生能源并不简单，因为其中一些能源由于其依赖于普遍的天气条件而间歇性发电。此外，其中一些能源是不可调度的并且不能用于满足变化的电力需求。这种缺乏灵活性的做法导致一些国家削减了这些能源的发电量，以维持电网稳定，从而抑制了对新的可再生能源的投资。
如上所提及的，由于网络效应，一个地方的能量供需会影响一个或多个其他地方的供需。预测这些变量可以促进可再生能源的更高整合并使市场参与者能够进行更有利可图的投标。
图提供了一种对实体及其之间的关系进行编码的方法。最近，利用深度学习方法整合图神经网络(GNN)以学习复杂的映射函数，以便在节点、边或图级别做出决策的工作取得了进展。更具体地，时空预测方法试图使用空间结构和历史特征值来预测未来的节点和边特征。实现这一点的方法之一是将空间模块(如图卷积网络(GCN))与时间模块(如长短期存储器(LSTM)或门控递归单元(GRU))进行堆叠或组合。
在网络的多个时间状态上训练的时间图神经网络(TGNN)可预测节点的连续特征。然而，在TGNN没有考虑多维边特征向量的变化的某些情况下，这些预测会出现错误。因此，基于网络的先前时间状态来预测多维边和节点属性(这两个属性都是时间序列)是一个技术挑战。
为了解决这些问题，公开了涉及使用图神经网络来基于运行时输入数据预测图网络在一个或多个未来时间步骤处的状态的示例，该运行时输入数据包括指示图网络在一系列时间步骤中的每一个时间步骤处的状态的时间序列数据。简言之，该图神经网络包括节点空间层，该节点空间层被配置成接收该图网络的该状态作为输入，并且针对每个节点输出该节点的节点邻域的聚合表示。该图神经网络还包括一个边空间层。该边空间层被配置成接收嵌入边特征的表示作为该至少一个边的每个边的输入。该输入还包括来自该节点空间层的由边连接的第一节点的第一节点邻域的聚合表示，以及由边连接的第二节点的第二节点邻域的聚合表示。该边空间层被配置成输出该边的边邻域的聚合表示。全连接层被配置成经由时间门接收来自该节点空间层和该边空间层的输出数据，并且将来自该节点空间层和该边空间层的输出数据与该网络的输入时间状态相组合以预测该图网络在该一个或多个未来时间步骤处的状态。通过这种方式，图神经网络可以在节点和边两个级别对时间序列数据进行预测或估算。
基于GNN的方法也用于对能源市场进行建模。该模型能够进行反事实分析，以帮助能源生产商和消费者回答诸如一个节点处的生产变化如何改变其他节点处的产量和价格之类的问题。如上所提及的，节点和边的动态特性对建模这一多目标问题提出了技术挑战。该模型是在一个大型的、真实的、多年的能源交换数据集上进行评估的。有利的是，与传统的时间序列预测方法相比，考虑电网的互连性质可以显著提高可变产量上的价格预测的准确性。还将认识到，本文公开的模型在广泛的领域中具有适用性，诸如电力***稳定性和供应链管理中的状态估计问题。
能源市场的模型包含多个市场参与者(能源购买者和供应者)，他们之间采用图结构相互连接。图中的节点是市场参与者，并且边是它们之间的物理互连。使用GNN是因为它们允许将神经网络直接应用于图，并执行节点和边级别的任务。它们被用于预测价格(此为节点属性)，也用于预测能源流，其是两个参与者之间交换的能源(此为边属性)。本文的一个技术挑战是时间变化的节点和边特征之间的耦合(例如，电力流将流向可以支付更高价格并有足够需求的地区)。另一技术挑战是边特征存在限制(例如，电力流小于或等于边的容量)。如下文更详细的描述，GNN建模提供了未来24小时(日前市场)的预测，这占能源交易的90％。
总之，本文公开的***结合了多维边和节点时间序列特征，解决了受约束的多目标(例如，价格和能源交换)预测问题。该方法在Nordpool能源数据集(可从挪威奥斯陆的Nord Pool AS获得)上进行了评估，并且所提出的方法已被证明优于许多先前的时间序列预测方法。
能源市场的性质是动态的，发电者和消费者具有随时间变化的特征。此外，这些节点之间的物理连接的性质也在时间上变化，影响着彼此的时空演化。在此框架中，所公开的***和方法对图中存在的每个节点和边进行预测。在不失一般性的情况下，将价格预测问题用于能源领域来演示该框架。还应当理解，该框架是通用的，并且也可以应用于其他领域，其中节点和边特征两者都是时间序列信号。在本节中，公开了在GNN中结合多维节点和边特征的体系结构，并在节点和边级别进行了预测。
图1描绘了用于预测图网络102的状态的***100的一个示例。如下面更详细描述的，图1还描绘了一个潜在的用例示例，其中图网络102包括能源网络。图网络102包括多个节点(ni)104和连接各对节点104的多个边(ej)106。
多个节点中的每个节点(xi)包括多个节点特征(xni)108。此外，每个边(ej)包括多个边特征(xej)110。在一些示例中，每个节点特征(xni)108和每个边特征(xej)在图网络102的每个状态之间是可变的(例如，节点特征和边特征可以在不同的时间步骤之间改变)。
如上所提及的，在一些示例中，网络表示102被用于对能源分布图网络112进行建模。在能源分布图网络112中，多个节点104表示多个能源生成子***114(例如，太阳能发电场、风电场、发电厂或产生能源的地理区域)和/或能源消耗子***116(例如，家庭、企业或消耗能源的地理区域)。每个边表示由该链接连接的相应子***之间的能源分布链接。
在能源分布图网络112中，图网络的每个状态包括作为每个节点的节点特征的该节点处的能源价格和能源生成或能源消耗的速率。图网络的每个状态还包括能源传输速率和能源传输容量以作为每个边的边特征。在一些示例中，如下面更详细描述的，能源传输速率受到能源传输容量的约束。
诸如图网络102和能源分布图网络112之类的图网络可被表示为G(V，E)，其中V定义一组节点Nv＝|V|，而E定义一组边Ne＝|E|。GNN的第l层处的输入特征是其中/>R是实数集，H表示时间序列的长度，而P是节点嵌入维度的长度。类似地，Xe＝xeij，其中节点ni和节点nj是相邻的。/>其中H表示时间序列的长度，Q>＝1是边嵌入维度的大小。
在训练阶段120期间，***100被配置成接收训练数据122。训练数据包括指示图网络在一系列时间步骤中的每一个时间步骤处的状态124的时间序列数据。在一些示例中，如图1所描绘的，训练数据中使用的时间步骤是历史的，并且描述网络102在时间(t-n)到(t-1)的状态。如下面参考图1和2更详细地描述的，训练数据122被用于训练图神经网络128，以基于运行时输入状态132在连续的时间步骤处输出图网络128的预测状态130，从而实现节点和边特征的联合预测。
对于多个节点(∑ni)中的每个节点(ni)104，网络的每个状态124包括处于该时间状态的多个节点特征(xni)108。例如，节点特征(xni,t-n)对应于时间(t-n)处的节点(ni)。同样，对于每个边(ej)106，每个时间状态124包括处于该时间状态的多个边特征(xej)110。
在一些示例中，图网络102的每个状态进一步包括邻接信息126，诸如邻接矩阵或邻接列表。邻接信息126进一步通过指示由边106接合的节点104的对来定义网络102的结构。在一些示例中，假设图的结构是静态的。在其他示例中，邻接矩阵元素不再是0或1，而是动态的和多维的。
如下面更详细描述的，图神经网络128基于节点邻域和边邻域来聚合图的特征。图3示出了图网络G的示例，并且描绘了图G内的节点邻域Ni的示例和边邻域Eij的示例。图网络G包括多个节点n1、n2、、n3，和n4。图网络G还包括多个边e1，2、e2，3和e1，4。边e1，2连接节点n1和n2，边e2，3连接节点n2与n3，而边e1，4连接节点n1与n4。
节点ni的节点邻域Ni包括连接到该节点ni的其他节点n。图3示出了用于该节点n1的节点网络N1的示例。节点网络N1包括节点n1、n2(其经由边e1，2连接到n1)和n4(其经由边e1，4连接到n1)。
边eij(连接节点ni和节点nj)的边邻域Eij包括连接到ni和nj的边以及节点ni和nj。图3示出了用于边e1，2的边网络E1，2的示例。边网络E1，2包括边e1，2、节点n1和节点n2。边网络E1，2还包括边e1，4(其连接到节点n1)和边e2，3(其连接到节点n2)。
图4示出了对节点和边两者的空间和时间交互进行编码的图神经网络300的示例。图神经网络300可以用作图1的GNN 128。GNN 300包括时空层302，时空层302包括空间层304和时间层306。以这种方式，GNN 300被配置成对图网络中的时空变化进行建模。如图4所描述的，空间层304包括节点空间层308和边空间层310。节点空间层308和边空间层310对节点和边两者的空间交互进行编码。
如图4和图5所解说的，节点空间层308被配置成在时间步骤t接收图网络的状态Xt作为输入。例如，在GNN模型300的编码器部分312中，输入是在从Xt-n到Xt中选择的时间步骤处的图网络的历史状态314。在GNN模型300的解码器部分316中，输入是在从X’t+n到X’t+T中选择的时间步骤处的图网络的已知未来状态318。
节点空间层308允许***学习每个节点的空间特征，并且边特征充当这些特征的权重。节点空间层被配置成针对每个节点输出该节点的节点邻域的聚合表示。
在一些示例中，节点空间层308包括如下的sigmoidal函数：
(1)其中eij∈E
在节点级别层，基于节点xi的节点邻域Ni聚合该节点的邻居。这里，是级别l处的逐节点权重，xi是第一节点的表示，AGG(xj，eij)是连接到该第一节点的第二节点xj的表示的聚合，并且eij是连接该第一节点和该第二节点的边的表示。为了简单起见，t从等式中省略。
该边空间层310被配置成接收嵌入边特征的表示作为该至少一个边的每个边的输入。该输入还包括来自该节点空间层的由边连接的第一节点的第一节点邻域的聚合表示以及由边连接的第二节点的第二节点邻域的聚合表示。
在一些示例中，至边空间层的输入是根据边邻域的级联节点嵌入和边嵌入。
(3)其中eij∈E，并且其中xi，xk∈N
节点空间层308的输出(例如，和/>)在被提供给边空间层310之前可选地通过归一化层320。因此，在本公开的一个潜在优点中，归一化层320对节点空间层308的输出进行标准化(例如，通过提供合适的均值和方差)以用于输入到边空间层310，从而使得GNN300能够进行更准确的预测。
在一些示例中，节点空间层308(例如，基于一个或多个节点邻域)利用节点邻接信息。另一方面，边空间层310使用不同的边邻接信息324(例如，其中从基于边邻域的边特征以及节点特征来聚合空间特征)。使用边空间层中的节点特征允许***在估计边时使用更丰富的特征集。
边空间层310输出边的边邻域的聚合表示。在一些示例中，边空间层包括如下的sigmoidal函数：
(2)其中ekl∈E
这里，是级别l处的逐边权重，eij是连接第一节点(i)和第二节点(j)的第一边的表示，并且AGG(ekl)是连接第三节点(k)和第四节点(l)的第二边的表示的聚合。为了简单起见，t从等式中省略。
GNN 300进一步包括全连接的层326。全连接层326被配置成将来自节点空间层和边空间层的输出数据与网络的输入时间状态相组合，以预测图网络在一个或多个未来时间步骤处的状态。例如，全连接层326被配置成输出包括在一个或多个未来时间步骤处的预测状态Xt+1,Xt+2,...,Xt+T的序列预测330。
全连接层326被配置成经由时间门接收来自节点空间层308和边空间层310的输出数据。在一些示例中，在时间层306处实现时间门。应当理解，时间门包括任何合适的时间反馈***。在一些示例中，时间门包括门控递归单元(GRU)或长短期存储器(LSTM)。有利地，时间门被配置成调节GNN 300中各时间步骤之间的信息流，从而通过防止训练期间梯度消失和/或***来稳定GNN 300。
节点空间层308和/或边空间层310(例如和/>)的输出在被提供给时间层306和/或全连接层326之前可选地通过归一化层328。有利地，与归一化层320一样，归一化层328对节点空间层308和/或边空间层310的输出进行标准化，从而能够通过GNN 300进行更准确的预测。
在训练期间，目标是最小化真实值Yt和预测值之间的误差。在一些示例中，Y表示每个节点处的能源价格和每个边上的能源交换。
在每个边，输电线路的容量ct对能源交换ft施加了上限。在一些示例中，使用惩罚方法来满足不等式约束ft-ct＝0。Lreg是正则化项，而λreg是拉格朗日乘子。
(4)
再次参考图2，在运行时阶段134期间，***100被配置成接收运行时输入数据142。运行时输入数据142包括时间序列数据，该时间序列数据指示图网络102在一系列时间步骤中的每一个时间步骤处的运行时状态132。对于每个节点(ni)，运行时状态132包括多个运行时节点特征(xni,t)136。运行时状态132还包括，对于至少一个边的每个边(ej)106的多个运行时边特征(xej,t)138。以这种方式，运行时输入数据142对应于图1的训练数据122。
该运行时输入数据142被输入到经训练的GNN 128中，从而使得GNN 128输出图网络在一个或多个未来时间步骤(例如，t+1)处的预测状态130。对于每个节点(ni)，预测状态130包括多个预测节点特征140，例如，(xni,t+1)。预测状态130还包括针对每个边(ej)106的多个预测边特征144，例如，(xej,t+1)。以这种方式，***100可以在连续的时间步骤处准确地预测节点和边两者的特征。
在一些示例中，并且现在参考图6，在一些实例中，决策管理层602用于基于图网络的预测状态606输出推荐动作604，诸如图4的预测状态330或图2的预测状态130。预测状态606被输入到决策代理608中，决策代理被配置成实现策略610以响应于预测的状态606来推荐动作。合适的策略610的一些示例包括但不限于可再生能源发电策略(例如，确定何时向电网出售能源和/或向电网出售多少能源)和储能操作策略(例如何时对电池充电和何时对电池放电)。策略610在612处被评估，并且用于生成推荐动作604。以这种方式，决策管理层602被配置成输出用于实现期望目标(例如，减排)的推荐动作。
如上所介绍的，开源的Nordpool数据集被用于评估基于GNN的能源***建模的方法。Nordpool在欧洲经营着领先的电力市场，包括日前和日内市场。该模型对日前市场进行了评估，大部分能源交易都在那里进行。假设历史总产量、总消耗(包括日内市场中的交易量)、价格和各节点之间的流量是已知的。第二个假设是，所有节点的负载和供电以及节点之间的传输容量的未来值都是可用的。使用的是2013-2019年间的每小时日前数据。
在进行本次评估时，有来自四个国家的15个区域(丹麦、芬兰、立陶宛、拉脱维亚、挪威和瑞典)。请注意，在这个基于图的公式中，每个节点代表参与Nordpool市场的地区或国家，而边代表不同节点之间(地区到地区或地区到国家)的传输能力。此外，流量和传输能力是边特征，而价格、负荷、供应、生产和消耗是节点特征。特征缩放被应用于每个节点和边特征以考虑尺度敏感方法(例如，LSTNET和TGCN)。
在模拟实验中，使用了7天的回顾窗口。这意味着有7x 24个历史数据样本可用。预测窗口是接下来的24小时。
基线是使用时间序列方法和GNN方法建立的。评估的时间序列方法包括NBeats、N-Beatsx(N-Beats的多变量实现)、LSTNet和LSTNetx(LSTNET的多变量实现)。GNN方法包括TGCN、TGCN注意力和上述流量预测方法。
以下两个度量用于评估该方法：
平均绝对预测误差
(s)
归一化均方根误差
(6)
这里，和/>是针对时间样本t以及针对节点和边n的价格和能源交换。M是时间样本的数目，而n是节点和边的数目。
批次大小为128。如上文所介绍的，回顾期为7*24小时。展望窗口为24小时。2014-2016年的数据被用于训练，2017年的数据被用于验证，而2018年的数据被用于训练。在预测需求时使用了风力预测，这是在地方级别(例如，在个体风电场)执行的，因为全球范围的预测是有噪声的。
表1显示了基线结果的比较。图7示出了使用每种方法的平均绝对预测误差(MAPE)的曲线图。
表1
使用以下来计算逐节点误差：LSTNET、LSTNETx、NBEATS、NBEATSx、GNN-E(仅价格)、GNNx-E(外源性的)，GNN-E(仅价格)+LSTNET GNN-E(仅价格)+LSTNETx GNN-E(外源性的)+LSTNET GNN-E(外源性的)+LSTNETx GNN-E(仅价格)+NBEATS GNN-E(仅价格)+NBEATSxGNN-E(外源性的)+NBEATS GNN-E(外源性的)+NBEATSx使用风力并在损失函数中不使用风力。结果表明，本文所描述的本方法提供了比基线(NBEATS、NBEATSx、GNN、GNN-X)更准确的结果，表明GNN-X提供了比GNN更可靠的预测。
还对GNN-X、具有NBEATS、NBEATSx、LSTNET和LSTNETx的GNN-X进行了时间模块修改。联合流量和价格估计显示了将流量纳入这些模型的影响。流量预测可被用于规划容量短缺。
在决策管理层实现了简单的、基于时间的策略。例如，模拟电池在价格低的晚上充电，或者在价格高的时候(这与电网有关)放电。在一些示例中，在决策管理层执行策略以实现利润最大化。在其他示例中，在决策管理层执行策略以实现排放最小化。例如，当价格高时，可能会使用更多的脏燃料来生产能源并满足需求。然而，决策管理层可以输出减少排放的推荐动作。
现在参考图8A-8B，例示了描绘用于预测图网络的状态的示例方法800的流程图。方法800的以下描述是参考上面描述的并且在图1-7和9中示出的软件和硬件组件来提供的，以及方法800中的方法步骤将参考下文图1-7和9的相应部分进行描述。将理解，方法800还可在使用其他合适的硬件和软件组件的其他上下文中来执行。
将明白，以下对方法800的描述是以举例方式提供的，并且不旨在是限制性的。可以理解的是，方法800的各个步骤可以省略或以与所描述不同的顺序执行，并且方法800可以包括与图8A和8B所例示的步骤相对应的附加步骤和/或替换步骤而不脱离本公开的范围。
在一些示例中，方法800包括在训练阶段802执行的步骤和在运行时阶段804执行的步骤。在一些示例中，训练阶段802用作图1的训练阶段120，并且运行时阶段804用作运行时阶段134。
现在参考图8A，在806处，方法800包括在运行时阶段804期间接收运行时输入数据，该运行时输入数据包括指示图网络在一系列时间步骤中的每一个时间步骤处的状态的时间序列数据，该图网络包括多个节点和至少一个连接节点的对的边。例如，图2的运行时输入数据142包括指示图1的图网络102在一系列时间步骤中的每一个时间步骤处的状态132的时间序列数据。以此方式，运行时输入数据表示图网络在运行时的时空状态。
在如808处所指示的一些示例中，该图网络包括能量分布图网络，其中所述节点表示多个能量生成和/或能量消耗子***，并且其中该至少一个边表示每个节点的相应子***之间的能量分布链接。例如，图1的图网络102可以表示能源分布网络112。以此方式，图1的***100被配置成对能源分布网络112的时空演变进行建模。
在810，在一些示例中，图网络的每个状态包括：针对每个节点的能源价格和该节点处的能源生成或能源消耗率；和针对每个边的能源传输速率和能源传输容量。例如，图1的图网络102可被用于对子***114和116处的能源价格和能源生成或能源消耗速率以及输电线路118处的能源传输速率和能源传输容量进行建模。以此方式，图1的***100被配置成对能源分布网络112中的价格和能源流进行建模。
在一些示例中，本文公开的模型可以被训练以预测节点之间的拥塞。例如，由于可再生电力的间歇性发电，输电线路的利用率可能会随着时间的推移而变化，这可能导致一条或多条输电线路达到容量。因此，可以训练GNN(例如，图1的GNN 128)来预测一个或多个输电线路(被建模为网络边)满负荷的网络状态。基于模型中的其他边的属性(表示电网中的其他输电线路)，决策管理层(例如，图6的决策管理层602)输出推荐的行动方案，以在一条或多条输电线路满负荷时将电力路由通过电网。其他电网操作也可以以类似的方式进行控制。
如上所讨论的，本文公开的模型还可应用于建模能源***之外的广泛领域。例如，GNN 128可以被训练来预测诸如供应链管理和后勤等领域中的需求。如上所描述的，由于网络效应，使用GNN进行需求预测带来了技术挑战。这些挑战可以通过利用上文参照图4和图5所描述的架构来解决。这种方法通过对节点和边属性进行建模来结合网络效应，以提供对图网络中时间序列特征的准确预测，诸如供应链的图表示。
在一些示例中，在812处，接收该运行时输入数据进一步包括接收该图网络的每个状态的邻接信息。例如，训练数据122可选地包括邻接信息126。图5的节点空间层308被配置成接收节点邻接信息322，并且图5的边空间层310被配置成接收边邻接信息324。因此，在本公开的一个潜在优点中，邻接信息为GNN 128提供了图网络结构的至少一部分的进一步定义。
现在参考图8B，在814，方法800包括将该运行时输入数据输入到经训练的图神经网络中，从而使得该图神经网络输出该图网络在一个或多个未来时间步骤处的预测状态，其中该图神经网络包括：节点空间层，该节点空间层被配置成接收该图网络的该状态作为输入，并且针对每个节点输出该节点的节点邻域的聚合表示，边空间层，该边空间层配置成接收以下各项作为该至少一个边的每个边的输入：嵌入边特征的表示，从该节点空间层接收的由该边连接的第一节点的第一节点邻域的聚合表示，以及从该节点空间层接收的由该边连接的第二节点的第二节点邻域的聚合表示，以及其中该边空间层被配置成输出该边的边邻域的聚合表示，以及全连接层，该全连接层被配置成经由时间门接收来自该节点空间层和该边空间层的输出数据，并且将来自该节点空间层和该边空间层的输出数据与该网络的输入时间状态相组合以预测该图网络在该一个或多个未来时间步骤处的状态。例如，图2的运行时输入数据142被输入到GNN 128中，GNN 128作为响应输出预测状态130。以此方式，GNN被配置成使得能够预测图网络的连续状态。此外，GNN的结构能够在节点和边级别对时间序列数据进行联合预测或估计。
再次参考图8A，在一些示例中，方法800包括：在训练阶段802期间，接收包括指示所述图网络在一系列历史时间步骤中的每一个历史时间步骤处的状态的时间序列数据的训练数据；以及使用所述训练数据训练所述图神经网络以输出所述图网络在所述一个或多个未来时间步骤处的预测状态，如816处指示的。例如，GNN 128是在图1的训练数据122上进行训练的。训练数据对应于运行时输入数据，从而使GNN能够预测图网络的连续时间空间状态。
再次参考图8B，在一些示例中，如818所指示的，节点空间层包括sigmoidal函数其中/>是级别l处的逐节点权重，AGG(xj，eij)是连接到节点xi的节点xj的表示的聚合，并且eij是连接节点xi和节点xj的边的表示。以此方式，节点空间层使得能够学习每个节点的空间特征，其中边特征充当节点特征上的权重。
在一些示例中，如在820处指示的：所述边空间层包括sigmoidal函数其中/>是级别l处的逐边权重，eij是连接节点(i)和节点(j)的第一边的表示，并且AGG(ekl)是连接节点(k)和节点(l)的第二边的表示的聚合。以此方式，边空间层整合了节点特征，这使得GNN能够使用更丰富的特征集来准确预测边特征。
在822处，在一些示例中，时间门包括门控递归单元(GRU)或长短期存储器(LSTM)。在一些示例中，时间层306包括GRU或LSTM。以此方式，时间门被配置成防止训练期间梯度消失和/或***。
在一些实施例中，本文描述的方法和过程可与一个或多个计算设备的计算***关联。具体而言，此类方法和过程可被实现为计算机应用程序或服务、应用编程接口(API)、库、和/或其他计算机程序产品。
图9示意性地示出了可以实现上述设备和方法中的一者或多者的计算***900的示例。以简化形式示出了计算***900。计算***900可采取以下形式：一个或多个个人计算机、服务器计算机、平板计算机、家庭娱乐计算机、网络计算设备、游戏设备、移动计算设备、移动通信设备(例如，智能电话)和/或其他计算设备，以及诸如智能手表和头戴式增强现实设备之类的可穿戴计算设备。
计算***900包括逻辑处理器902、易失性存储器904以及非易失性存储设备906。计算***900可任选地包括显示子***908、输入子***910、通信子***912、和/或在图9中未示出的其他组件。
逻辑处理器902包括被配置成执行指令的一个或多个物理设备。例如，逻辑处理器可以被配置成执行指令，该指令是一个或多个应用、程序、例程、库、对象、组件、数据结构或其他逻辑构造的一部分。此类指令可被实现以执行任务、实现数据类型、变换一个或多个组件的状态、实现技术效果、或以其他方式得到期望的结果。
逻辑处理器可包括被配置成执行软件指令的一个或多个物理处理器(硬件)。附加地或替换地，逻辑处理器可包括被配置成执行硬件实现的逻辑或固件指令的一个或多个硬件逻辑电路或固件设备。逻辑处理器902的各处理器可以是单核的或多核的，并且其上所执行的指令可被配置成用于串行、并行和/或分布式处理。逻辑处理器的各个个体组件可任选地分布在两个或更多个分开的设备之间，这些设备可以位于远程以及/或者被配置成用于协同处理。逻辑处理器的各方面可由以云计算配置进行配置的可远程访问的联网计算设备来虚拟化和执行。将理解，在这样的情形中，这些虚拟化方面在各种不同机器的不同物理逻辑处理器上运行。
非易失性存储设备906包括被配置成保持可由逻辑处理器执行的指令以实现本文中所描述的方法和过程的一个或多个物理设备。当实现此类方法和过程时，非易失性存储设备906的状态可以被变换－例如以保持不同的数据。
非易失性存储设备906可包括可移动的和/或内置设备。非易失性存储设备906可包括光学存储器(例如，CD、DVD、HD-DVD、蓝光碟等)、半导体存储器(例如，ROM、EPROM、EEPROM、闪存等)、和/或磁性存储器(例如，硬盘驱动器、软盘驱动器、磁带驱动器、MRAM等)或其他大容量存储设备技术。非易失性存储设备906可包括非易失性、动态、静态、读/写、只读、顺序存取、位置可寻址、文件可寻址、和/或内容可寻址设备。将领会，非易失性存储设备906被配置成即使当切断给非易失性存储设备906的电力时也保存指令。
易失性存储器904可以包括包含随机存取存储器的物理设备。易失性存储器904通常被逻辑处理器902用来在软件指令的处理期间临时地储存信息。将领会，当切断给易失性存储器904的电源时，易失性存储器904通常不继续存储指令。
逻辑处理器902、易失性存储器904和非易失性存储设备906的各方面可以被一起集成到一个或多个硬件逻辑组件中。此类硬件逻辑组件可包括例如现场可编程门阵列(FPGA)、程序和应用专用集成电路(PASIC/ASIC)、程序和应用专用标准产品(PSSP/ASSP)、片上***(SOC)，以及复杂可编程逻辑设备(CPLD)。
术语“模块”、“程序”和“引擎”可被用于描述典型地由处理器以软件实现的计算***900的方面，以使用易失性存储器的部分来执行特定功能，该功能涉及专门将处理器配置成执行该功能的变换处理。因此，模块、程序或引擎可经由逻辑处理器902执行由非易失性存储设备906所保持的指令、使用易失性存储器904的各部分来实例化。将理解，不同的模块、程序、和/或引擎可以从相同的应用、服务、代码块、对象、库、例程、API、函数等实例化。类似地，相同的模块、程序和/或引擎可由不同的应用、服务、代码块、对象、例程、API、功能等来实例化。术语“模块”、“程序”和“引擎”意在涵盖单个或成组的可执行文件、数据文件、库、驱动程序、脚本、数据库记录等。
当包括显示子***908时，显示子***908可被用来呈现由非易失性存储设备906保持的数据的视觉表示。该视觉表示可采用图形用户界面(GUI)的形式。由于本文中所描述的方法和过程改变了由非易失性存储设备保持的数据，并因而变换了非易失性存储设备的状态，因此同样可以变换显示子***908的状态以视觉地表示底层数据中的改变。显示子***908可包括利用实质上任何类型的技术的一个或多个显示设备。可将此类显示设备与逻辑处理器902、易失性存储器904和/或非易失性存储设备906结合在分享外壳中，或此类显示设备可以是***显示设备。
当包括输入子***910时，输入子***910可包括诸如键盘、鼠标、触摸屏、或游戏控制器之类的一个或多个用户输入设备或者与上述用户输入设备对接。在一些示例中，输入子***可以包括所选的自然用户输入(NUI)部件或与其对接。这样的部件可以是集成式的或者是外设，并且输入动作的转换和/或处理可以在板上或板下处理。示例NUI部件可包括用于语言和/或语音识别的话筒；用于机器视觉和/或姿势识别的红外、色彩、立体显示和/或深度相机；用于运动检测和/或意图识别的头部***、眼睛***、加速计和/或陀螺仪；以及用于评估脑部活动的电场感测部件；和/或任何其他合适的传感器。
当包括通信子***912时，通信子***912可被配置成将本文描述的各种计算设备彼此通信地耦合，并且与其他设备通信地耦合。通信子***912可包括与一个或多个不同通信协议兼容的有线和/或无线通信设备。例如，通信子***可被配置成用于经由无线电话网络、或者有线或无线局域网或广域网进行通信。在一些示例中，通信子***可允许计算***900经由诸如因特网这样的网络将消息发送至其他设备以及/或者从其他设备接收消息。
应当理解，本文中所描述的配置和/或办法本质上是示例性的，并且这些具体实施例或示例不应被视为具有限制意义，因为许多变体是可能的。本文中所描述的具体例程或方法可表示任何数目的处理策略中的一个或多个。由此，所解说和/或所描述的各种动作可按所解说和/或所描述的顺序执行、按其他顺序执行、并行地执行，或者被省略。同样，以上所描述的过程的次序可被改变。
本公开的主题包括此处公开的各种过程、***和配置以及其他特征、功能、动作和/或属性、以及它们的任一和全部等价物的所有新颖且非显而易见的组合和子组合。
Claims (20)
1.一种计算***，包括：
处理器；以及
存储指令的存储器，所述指令可由所述处理器执行以，
在运行时阶段期间，
接收运行时输入数据，所述运行时输入数据包括指示在一系列时间步骤中的每一个时间步骤处的图网络的状态的时间序列数据，所述图网络包括多个节点和至少一个连接所述节点的对的边，以及
将所述运行时输入数据输入到经训练的图神经网络中，从而使得所述图神经网络输出所述图网络在一个或多个未来时间步骤处的预测状态，其中所述图神经网络包括：
节点空间层，所述节点空间层被配置成接收所述图网络的所述状态作为输入，并且针对每个节点输出所述节点的节点邻域的聚合表示，
边空间层，所述边空间层被配置成接收以下各项作为所述至少一个边的每个边的输入，
嵌入边特征的表示，
从所述节点空间层接收的由所述边连接的第一节点的第一节点邻域的聚合表示，以及
从所述节点空间层接收的由所述边连接的第二节点的第二节点邻域的聚合表示，以及
其中所述边空间层被配置成输出所述边的边邻域的聚合表示，以及
全连接层，所述全连接层被配置成经由时间门接收来自所述节点空间层和所述边空间层的输出数据，并且将来自所述节点空间层和所述边空间层的输出数据与所述网络的输入时间状态相组合以预测所述图网络在所述一个或多个未来时间步骤处的所述状态。
2.如权利要求1所述的计算***，其特征在于，所述指令可被进一步执行以在训练阶段期间：
接收包括指示所述图网络在一系列历史时间步骤中的每一个历史时间步骤处的状态的时间序列数据的训练数据；以及
使用所述训练数据训练所述图神经网络以输出所述图网络在所述一个或多个未来时间步骤处的所述预测状态。
3.如权利要求1所述的计算***，其特征在于，所述图网络包括能量分布图网络，其中所述节点表示多个能量生成和/或能量消耗子***，并且其中所述至少一个边表示每个节点的相应子***之间的能量分布链接。
4.如权利要求3所述的计算***，其特征在于，所述图网络的每个状态包括：
针对每个节点的能量价格和在该节点处的能量生成速率或能量消耗速率；以及
针对每个边的能量传输速率和能量传输容量。
5.如权利要求4所述的计算***，其特征在于，所述能量传输速率受到所述能量传输容量的约束。
6.如权利要求1的计算***，其特征在于，所述图网络的每个状态包括多个节点特征和多个边特征，这些特征在每个状态之间可变。
7.如权利要求1所述的计算***，其特征在于，所述图网络的每个状态进一步包括邻接信息。
8.如权利要求1所述的计算***，其特征在于，所述时间门包括门控递归单元(GRU)或长短期存储器(LSTM)。
9.如权利要求1所述的计算***，其特征在于，所述节点空间层包括sigmoidal函数其中/>是级别l处的逐节点权重，AGG(xj，eij)是连接到节点xi的节点xj的表示的聚合，并且eij是连接所述节点xi和所述节点xj的边的表示。
10.如权利要求1所述的计算***，其特征在于，所述边空间层包括sigmoidal函数其中/>是级别l处的逐边权重，eij是连接节点(i)和节点(j)的第一边的表示，并且AGG(ekl)是连接节点(k)和节点(l)的第二边的表示的聚合。
11.一种在计算设备处用于预测图神经网络的未来状态的方法，所述方法包括：
在运行时阶段期间，
接收运行时输入数据，所述运行时输入数据包括指示在一系列时间步骤中的每一个时间步骤处的图网络的状态的时间序列数据，所述图网络包括多个节点和至少一个连接所述节点的对的边，以及
将所述运行时输入数据输入到经训练的图神经网络中，从而使得所述图神经网络输出所述图网络在一个或多个未来时间步骤处的预测状态，其中所述图神经网络包括：
节点空间层，所述节点空间层被配置成接收所述图网络的所述状态作为输入，并且针对每个节点输出所述节点的节点邻域的聚合表示，
边空间层，所述边空间层被配置成接收以下各项作为所述至少一个边的每个边的输入，
嵌入边特征的表示，
从所述节点空间层接收的由所述边连接的第一节点的第一节点邻域的聚合表示，以及
从所述节点空间层接收的由所述边连接的第二节点的第二节点邻域的聚合表示，以及
其中所述边空间层被配置成输出所述边的边邻域的聚合表示，以及
全连接层，所述全连接层被配置成经由时间门接收来自所述节点空间层和所述边空间层的输出数据，并且将来自所述节点空间层和所述边空间层的输出数据与所述网络的输入时间状态相组合以预测所述图网络在所述一个或多个未来时间步骤处的所述状态。
12.如权利要求11所述的方法，其特征在于，进一步包括：
接收包括指示所述图网络在一系列历史时间步骤中的每一个历史时间步骤处的状态的时间序列数据的训练数据；以及
使用所述训练数据训练所述图神经网络以输出所述图网络在所述一个或多个未来时间步骤处的所述预测状态。
13.如权利要求11所述的方法，其特征在于，所述图网络包括能量分布图网络，其中所述节点表示多个能量生成和/或能量消耗子***，并且其中所述至少一个边表示每个节点的相应子***之间的能量分布链接。
14.如权利要求13所述的方法，其特征在于，所述图网络的每个状态包括：
针对每个节点的能量价格和在该节点处的能量生成速率或能量消耗速率；以及
针对每个边的能量传输速率和能量传输容量。
15.如权利要求11所述的方法，其特征在于，接收所述运行时输入数据进一步包括接收所述图网络的每个状态的邻接信息。
16.如权利要求11所述的方法，其特征在于，所述时间门包括门控递归单元(GRU)或长短期存储器(LSTM)。
17.如权利要求11所述的方法，其特征在于，所述节点空间层包括sigmoidal函数其中/>是级别l处的逐节点权重，AGG(xj，eij)是连接到节点xi的节点xj的表示的聚合，并且eij是连接所述节点xi和所述节点xj的边的表示。
18.如权利要求11所述的方法，其特征在于，所述边空间层包括sigmoidal函数其中/>是级别l处的逐边权重，eij是连接节点(i)和节点(j)的第一边的表示，并且AGG(ekl)是连接节点(k)和节点(l)的第二边的表示的聚合。
19.一种计算***，包括：
处理器；以及
存储指令的存储器，所述指令可由所述处理器执行以，
在运行时阶段期间，
接收运行时输入数据，所述运行时输入数据包括指示在一系列时间步骤中的每一个时间步骤处的能量分布图网络的状态的时间序列数据，所述能量分布图网络包括表示多个能量生成子***和/或能量消耗子***的节点以及至少一个连接所述节点的对的边，所述边表示每个节点的相应子***之间的能量分布链接，以及
将所述运行时输入数据输入到经训练的图神经网络中，从而使得所述图神经网络输出所述能量分布图网络在一个或多个未来时间步骤处的预测状态，其中所述网络在每个未来时间步骤处的所述预测状态包括，
针对每个节点的在未来时间处的预测能量价格，以及
针对每个边的在所述未来时间处的预测能量传输速率。
20.如权利要求19所述的计算***，其特征在于，所述指令可被进一步执行以在训练阶段期间：
接收包括指示所述能量分布图网络在一系列历史时间步骤中的每一个历史时间步骤处的状态的时间序列数据的训练数据；以及
使用所述训练数据训练所述图神经网络以输出所述能量分布图网络在所述一个或多个未来时间步骤处的所述预测状态。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2022/075671 WO2023150936A1 (en) | 2022-02-09 | 2022-02-09 | Spatio-temporal graph neural network for time series prediction |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117396886A true CN117396886A (zh) | 2024-01-12 |
Family
ID=80928892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280037797.5A Pending CN117396886A (zh) | 2022-02-09 | 2022-02-09 | 用于时间序列预测的时空图神经网络 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230252285A1 (zh) |
| CN (1) | CN117396886A (zh) |
| WO (1) | WO2023150936A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117594227A (zh) * | 2024-01-18 | 2024-02-23 | 微脉技术有限公司 | 基于穿戴设备的健康状态监控方法、装置、介质及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563611B (zh) * | 2020-04-13 | 2023-11-24 | 北京工业大学 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
-
2022
- 2022-02-09 WO PCT/CN2022/075671 patent/WO2023150936A1/en active Application Filing
- 2022-02-09 CN CN202280037797.5A patent/CN117396886A/zh active Pending
- 2022-10-12 US US18/046,013 patent/US20230252285A1/en active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117594227A (zh) * | 2024-01-18 | 2024-02-23 | 微脉技术有限公司 | 基于穿戴设备的健康状态监控方法、装置、介质及设备 |
| CN117594227B (zh) * | 2024-01-18 | 2024-04-30 | 微脉技术有限公司 | 基于穿戴设备的健康状态监控方法、装置、介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023150936A1 (en) | 2023-08-17 |
| US20230252285A1 (en) | 2023-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Deng et al. | Inter-hours rolling scheduling of behind-the-meter storage operating systems using electricity price forecasting based on deep convolutional neural network | |
| US11699198B2 (en) | Methods and systems for machine-learning for prediction of grid carbon emissions | |
| Chen et al. | Trading strategy optimization for a prosumer in continuous double auction-based peer-to-peer market: A prediction-integration model | |
| Hashemipour et al. | Dynamic allocation of peer-to-peer clusters in virtual local electricity markets: A marketplace for EV flexibility | |
| Shayesteh et al. | Multi-station equivalents for short-term hydropower scheduling | |
| Zhang et al. | A novel sequence to sequence data modelling based CNN-LSTM algorithm for three years ahead monthly peak load forecasting | |
| Mathur et al. | Optimal bidding strategy for price takers and customers in a competitive electricity market | |
| Ziras et al. | What do prosumer marginal utility functions look like? Derivation and analysis | |
| Wang et al. | A survey on distributed optimisation approaches and applications in smart grids | |
| Chuang et al. | Deep reinforcement learning based pricing strategy of aggregators considering renewable energy | |
| Peng et al. | A novel deep learning based peer‐to‐peer transaction method for prosumers under two‐stage market environment | |
| CN114757710A (zh) | 一种用于负荷聚合商投标的评估方法 | |
| CN117396886A (zh) | 用于时间序列预测的时空图神经网络 | |
| Kolberg et al. | Artificial Intelligence and Nord Pool’s intraday electricity market Elbas: a demonstration and pragmatic evaluation of employing deep learning for price prediction: using extensive market data and spatio-temporal weather forecasts | |
| Saeed et al. | Intelligent implementation of residential demand response using multiagent system and deep neural networks | |
| CN116542490A (zh) | 虚拟电厂日前调度封装模型以及调度出清模型构建方法 | |
| Wang et al. | Household electricity load forecasting based on multitask convolutional neural network with profile encoding | |
| Kell et al. | A systematic literature review on machine learning for electricity market agent-based models | |
| CN115906458A (zh) | 天然气开采作业控制方法、装置、计算机设备和存储介质 | |
| Kooshknow et al. | Are electricity storage systems in the Netherlands indispensable or doable? Testing single-application electricity storage business models with exploratory agent-based modeling | |
| Chatzidimitriou et al. | Enhancing agent intelligence through evolving reservoir networks for predictions in power stock markets | |
| EP4042285A1 (en) | Automated real time mortgage servicing and whole loan valuation | |
| Sousa et al. | Simulation of the operation of hydro plants in an electricity market using agent based models-introducing a Q Learning approach | |
| Zhou et al. | Peer-to-peer electricity trading model for urban virtual power plants considering prosumer preferences and power demand heterogeneity | |
| Kim et al. | Spatial-Temporal Graph Convolutional-Based Recurrent Network for Electric Vehicle Charging Stations Demand Forecasting in Energy Market |
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 |