基于图神经网络的分布式能源发电负荷预测系统及方法技术方案

本发明专利技术公开了基于图神经网络的分布式能源发电负荷预测系统及方法，属于图神经网络、机器学习和数字能源技术领域，本发明专利技术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系统发输配用业务，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：该系统包括电力系统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、参与电力系统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。预测未来发电负荷。预测未来发电负荷。

【技术实现步骤摘要】
基于图神经网络的分布式能源发电负荷预测系统及方法


[0001]本专利技术涉及图神经网络、机器学习和数字能源
，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系统及方法。

技术介绍

[0002]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。
[0003]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。
[0004]新能源担负起了能源结构改善和节能减排的重任，能源系统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系统发输配用业务，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。

技术实现思路

[0005]本专利技术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系统及方法，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系统发输配用业务，准确预测电网源网荷储电力生产和消耗量的问题。
[0006]本专利技术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系统，该系统包括，
[0007]电力系统参与单元特征提取编码器(Encoder)，用于基于自注意力网络结构，根据参与电力系统单元的发电量和用电量序列进行特征提取，并结合时间 T该参与电力系统单元的地理位置、备用电量、出力比例、储能容量及并网容量特征形成时间T参与电力系统单元的特征向量；
[0008]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，基于各个参与电力系统单元的特征向量进行聚类，形成聚类区域类别；
[0009]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系统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；
[0010]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；
[0011]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。
[0012]作为优选，所述未来发电负荷预测器(Pred)包括，
[0013]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；
[0014]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；
[0015]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；
[0016]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。
[0017]更优地，所述未来发电负荷预测器(Pred)的工作过程具体如下：
[0018](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；
[0019](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)；
[0020](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；
[0021](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。
[0022]作为优选，参与电力系统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。
[0023]更优地，区域向量组获取过程具体如下：
[0024](1)、基于所有参与电力系统单元的历史数据，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系统单元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)；
[0025](2)、利用电力系统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；
[0026](3)、利用电力系统参与单元特征提取编码器(Encoder)提取参与电力系统单元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；
[0027](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；
[0028](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
vm2...vmt)进行处理，形成编码特征向量Vsmt；
[0046]S103、利用电力系统参与单元特征提取编码器(Encoder)提取参与电力系统单元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；
[0047]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；
[0048]S10本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的分布式能源发电负荷预测系统，其特征在于，该系统包括，电力系统参与单元特征提取编码器，用于基于自注意力网络结构，根据参与电力系统单元的发电量和用电量序列进行特征提取，并结合时间T该参与电力系统单元的地理位置、备用电量、出力比例、储能容量及并网容量特征形成时间T参与电力系统单元的特征向量；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，基于各个参与电力系统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系统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系统，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系统，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系统，其特征在于，参与电力系统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系统，其特征在于，区域向量组获取过程具体如下：(1)、基于所有参与电力系统单元的历史数据，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系统单元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...vm
t
)；(2)、利用电力系统参与单元特征提取编码器对向量序列(vm1、vm2...vm
t
)进行处理，形成编码特征向量Vsm
t
；(3)、利用电力系统参与单元特征提取编码器提取参与电力系统单元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Vsm
t
’
，将其他特征向量Vsm
t
’
与编码特征向量Vsm
t
合并形成Vpt
m
；(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...Vpt
m
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所有参与电力系统单元的发电量、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系统，其特征在于，所述参与电力系统单元包括发电电源、输电配电网、用电负荷以及储能；其中，发电电源...

【专利技术属性】
技术研发人员：孙善宝，王晓利，张晖，罗清彩，张鑫，
申请(专利权)人：山东浪潮科学研究院有限公司，
类型：发明
国别省市：