【技术实现步骤摘要】
本专利技术涉及能耗预测，具体涉及一种基于图神经网络的电网节点碳因子预测方法及系统。
技术介绍
1、经典碳排放流理论是现有计算碳排放因子方法的理论基础，其将虚拟的碳排放流和电网潮流联系起来，表征支路上所流过功率所对应的碳排放，并在不考虑网损的情况下提出了计算节点碳势的基本方法。现有技术大多基于经典或改进的碳排放流理论，如将网损分摊到负荷通过计算线路等效传输功率和节点等效负荷，将有损网络转化为无损网络；考虑随机和不确定性注入功率如风电、光伏等对碳排放流的影响，得到随机和间歇性功率注入下电力系统碳排放流的不确定特征。这些技术广泛应用于各种工况下的电网碳排放因子计算。
2、根据碳排放流理论，现有计算电网节点碳排放因子方法必须已知所有电网运行参数，这就导致现有技术必须依赖过去的电网数据才能完成节点碳排放因子的计算，这种后评估特性使得现有技术无法给出未来一段时间的碳排放因子数据，无法激活用户侧积极性给予用户有效的减碳指导。其次是目前的碳排放流理论还有需要改进的地方，特别是对网损和新能源发电机组的处理，这使得现有技术在计算节点碳排放因子时不够精确。
技术实现思路
1、本专利技术目的在于提供一种基于图神经网络的电网节点碳因子预测方法及系统，能够快速预测碳排放因子。
2、为了实现上述目的，本专利技术提供以下技术方案：
3、第一方面，本专利技术实施例提供了一种基于图神经网络的电网节点碳因子预测方法，所述方法包括以下步骤：
4、s100，确定电力系统中各个
5、s200，建立有监督的图卷积神经网络，对图卷积神经网络进行迭代训练，得到训练好的预测模型；其中，所述图卷积神经网络的输入数据为节点的负荷序列，所述图卷积神经网络的输出数据为节点的碳排放因子；
6、s300，将对节点实时采集的负荷输入所述预测模型，预测得到节点的碳排放因子。
7、可选地，所述电力系统中各个节点的碳排放因子通过以下方式确定：
8、根据以下公式计算节点的碳排放因子：
9、
10、式中，是第i个节点的碳排放因子，代表与第i个节点相连接的第k个发电机组的发电量，gi代表与第i个节点相连的发电机个数，代表与第k个发电机的碳排放因子；代表第i个节点的负荷，di代表第i个节点连接的负荷总数；代表第j个节点向第i个节点注入的潮流功率，ni代表第j个节点与第i个节点连接的节点数总和；
11、对公式(1)进行处理，得到计算碳排放因子的公式(2)：
12、
13、其中，为对角线分量，表示流出第i个节点的总功率；为非对角线分量，表示第j个节点向第i个节点注入的潮流功率。
14、可选地，s200中，所述建立有监督的图卷积神经网络，对图卷积神经网络进行迭代训练，得到训练好的预测模型，包括：
15、s210，确定电网系统的邻接矩阵和度矩阵：其中，所述邻接矩阵用于描述电网系统中节点之间的连接关系，度矩阵用于衡量电网系统中节点的中心程度，所述度矩阵基于所述邻接矩阵计算得到；
16、s220，基于度矩阵和邻接矩阵确定对图卷积神经网络参数进行传递的传递公式，根据所述传递公式对训练中的图卷积神经网络进行参数传递；
17、s230，采用反向传播算法对图卷积神经网络的参数进行迭代更新，直到根据损失函数计算得到的迭代损失达到预期数值，得到训练好的预测模型。
18、可选地，所述确定电网系统的邻接矩阵和度矩阵，包括：
19、对电网中的节点分别编号为1，2，3，.....，n，形成一个n×n的原始矩阵；
20、如果电网中节点i和节点j有直接连接，则将原始矩阵的第i行第j列和第j行第i列的对应位置均设置为1，如果节点i和节点j没有直接连接，则将原始矩阵的对应位置均设置为0，得到电网系统的第一邻接矩阵a；
21、根据以下公式计算得到电网系统的第二邻接矩阵
22、
23、式中，i为与第一邻接矩阵a维度相同的单位矩阵；
24、根据以下公式计算得到度矩阵中第i行第j列节点的度矩阵
25、
26、通过注意力机制将发电机组的发电功率向量引入到第二邻接矩阵得到邻接矩阵
27、可选地，所述邻接矩阵通过下列公式计算得到：
28、s＝c·b(5)；
29、
30、b＝a⊙s(7)；
31、
32、式中，b是发电机组的发电功率向量，其维度为g×1，g是发电机的个数；c是一个随机数矩阵，其维度为e×g，e是电网系统中边的个数；s是一个维度为e的列向量；是维度为n×n的对称矩阵。
33、可选地，所述对图卷积神经网络的参数进行传递的公式为：
34、
35、h(l+1)＝σ(w(l)h(l)+b(l)) (10)；
36、式(9)为图卷积神经网络中多层参数传递过程的表达式，h(l)为第l层的特征向量，即负荷序列，其维度为d，h(l+1)是第l层的下一层的特征向量；是阶段2中的邻接矩阵，是用于对度矩阵作归一化处理的矩阵，w(l)是图卷积神经网络中第l层的权重向量，σ是非线性激活函数；
37、式(10)是全连接层的层间传播过程的表达式，图卷积神经网络最后一层的输出特征向量是全连接层的第一层的输入向量；h(l)是第l层的特征向量，h(l+1)是第l层的下一层的特征向量；w(l)是第l层的权重矩阵，使得第l层的特征向量投影到第l+1层，b(l)是第l层的偏置向量，σ是非线性的激活函数。
38、可选地，所述损失函数的计算公式为：
39、
40、式中，n是电网系统中节点的总数，是第i个节点的碳排放因子的预测值，yi是第i个节点碳排放因子的真实值。
41、第二方面，本专利技术实施例提供了一种基于图神经网络的电网节点碳因子预测系统，所述系统包括：
42、至少一个处理器；
43、至少一个存储器，用于存储至少一个程序；
44、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上述任意一项所述的一种基于图神经网络的电网节点碳因子预测方法。
45、第三方面，本专利技术实施例提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如上述任意一项所述的一种基于图神经网络的电网节点碳因子预测方法。
46、本专利技术的有益效果是：本专利技术公开一种基于图神经网络的电网节点碳因子预测方法及系统，本专利技术通过训练电网节点的负荷和与其对应的碳排放因子数据我们能得到预测模型。本专利技术可以在缺失电网运行参数的情况下，根据电网负荷预测数据，快速预测出电网碳排放因子。
本文档来自技高网...【技术保护点】
1.一种基于图神经网络的电网节点碳因子预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于图神经网络的电网节点碳因子预测方法，其特征在于，所述电力系统中各个节点的碳排放因子通过以下方式确定：
3.根据权利要求2所述的一种基于图神经网络的电网节点碳因子预测方法，其特征在于，S200中，所述建立有监督的图卷积神经网络，对图卷积神经网络进行迭代训练，得到训练好的预测模型，包括：
4.根据权利要求3所述的一种基于图神经网络的电网节点碳因子预测方法，其特征在于，所述确定电网系统的邻接矩阵和度矩阵，包括：
5.根据权利要求4所述的一种基于图神经网络的电网节点碳因子预测方法，其特征在于，所述邻接矩阵通过下列公式计算得到：
6.根据权利要求5所述的一种基于图神经网络的电网节点碳因子预测方法，其特征在于，所述对图卷积神经网络的参数进行传递的公式为：
7.根据权利要求3所述的一种基于图神经网络的电网节点碳因子预测方法，其特征在于，所述损失函数的计算公式为：
8.一种基于图神经网络的电网节点碳
9.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种基于图神经网络的电网节点碳因子预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于图神经网络的电网节点碳因子预测方法，其特征在于，所述电力系统中各个节点的碳排放因子通过以下方式确定：
3.根据权利要求2所述的一种基于图神经网络的电网节点碳因子预测方法，其特征在于，s200中，所述建立有监督的图卷积神经网络，对图卷积神经网络进行迭代训练，得到训练好的预测模型，包括：
4.根据权利要求3所述的一种基于图神经网络的电网节点碳因子预测方法，其特征在于，所述确定电网系统的邻接矩阵和度矩阵，包括：
5.根据权利要求4所述的一...
【专利技术属性】
技术研发人员：张孝顺，许文举，李锦诚，郭正勋，肖宇，任大伟，
申请(专利权)人：东北大学佛山研究生创新学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。