CN111461392A - 一种基于图神经网络的电力故障预测方法及系统 - Google Patents
一种基于图神经网络的电力故障预测方法及系统 Download PDFInfo
- Publication number
- CN111461392A CN111461392A CN202010076332.3A CN202010076332A CN111461392A CN 111461392 A CN111461392 A CN 111461392A CN 202010076332 A CN202010076332 A CN 202010076332A CN 111461392 A CN111461392 A CN 111461392A
- Authority
- CN
- China
- Prior art keywords
- node
- time point
- load
- power supply
- power failure
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000010586 diagram Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 39
- 238000013139 quantization Methods 0.000 claims description 10
- 238000004574 scanning tunneling microscopy Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012384 transportation and delivery Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000039077 Copula Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于图神经网络的电力故障预测方法,属于电网可靠性领域,包括:基于电气图构建邻接矩阵A;获取A中各节点的状态信息,构建状态矩阵X;以X为输入,以A为卷积核,利用电力故障预测网络预测各节点是否出现故障;若出现故障,则定位电网中的故障节点;对于任意第i个节点,获取其负荷序列和容载比序列,并以小时、日、周、月、季和年为粒度间隔进行序列嵌入,生成负载特性向量x′i(t);以x′i(t)为输入,利用供电中断时间点预测模型预测该节点在各时间点的中断状态,若F后续时间点均为供电中断状态,则预测该时间点为供电中断时间点。本发明能够预测供电中断的位置和时间,实现细粒度的供电可靠性预测和管理,为电网优化和调度提供支撑。
Description
技术领域
本发明属于电网可靠性领域,更具体地,涉及一种基于图神经网络的电力故障预测方法及系统
背景技术
供电可靠性伴随电网出现,一直是电网运行调度管理营销的核心,不仅与电网规划有关,还与检修计划、电价电费。供电可靠性的预测及其供电故障定位研究也一直未停过。另一方面,“获得电力”成为营商环境再升级的关键指标,对供电可靠性预测的准确性和及时性的要求更高。对电力故障进行预测,是保障供电可靠性的一个重要手段。
目前,现有对供电可靠性进行预测方法中,有从影响供电可靠性指标的最大负荷、架空线平均长度、平均分段开关数、平均联络开关数、平均配变数和平均配变容量等特征量出发,将其作为输入样本,应用神经网络方法对可靠性进行预测。也有采用诸如粒子群优化的最小二乘支持矢量机、主成分分析和相关向量机等方法对供电可靠性进行预测。或者基于历史数据,采用灰度预测、贝叶斯模型、非参数核密度估计和Copula函数等方法进行可靠性预测。
上述这些方法对电网宏观的整体可靠性预测取得了较好效果,但由于缺乏电网拓扑信息、节点状态、负载变化和环境条件信息,对供电中断时间和位置预测还有较大差距,供电可靠性保障的及时性和动态性仍有待提高。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种基于图神经网络的电力故障预测方法及系统,其目的在于,现有电力可靠性预测方法的粒度粗、难以准确预测供电中断时间和中断节点位置的问题。
为实现上述目的,按照本发明的第一方面,提供了一种基于图神经网络的电力故障预测方法,包括:
(1)在当前预测时间点,基于配电网的电气图构建邻接矩阵A;
(2)获取邻接矩阵A中各节点的状态信息,以构建各节点对应的特征向量,并由所有节点的特征向量构成状态矩阵X;
(3)以状态矩阵X为电力故障预测网络的输入,以邻接矩阵A为电力故障预测网络中图神经网络的卷积核,利用电力故障预测网络对当前预测时间点的电力故障进行预测;
(4)若预测结果为未出现故障,则预测结束;否则,根据预测结果定位电网中的故障节点;
其中,电力故障预测网络为已训练好的网络模型,包括依次连接的图神经网络、全连接层和softmax,电力故障预测网络用于根据状态矩阵和对应的邻接矩阵预测各节点是否出现故障。
本发明基于配电网的电气图建立电网的邻接矩阵进行预测,并且利用基于图神经网络的电力故障预测网络能够预测各个节点在当前预测时间点的中断状态,因此,本发明能够有效利用电网的网架拓扑信息,实现对电力故障的准确预测,同时能够对出现电力故障的故障节点进行准确定位。
进一步地,步骤(1)中,基于配电网的电气图构建邻接矩阵A,包括:
以电气图中的电源、变压器、断路器、各类开关和用户负荷为节点,以节点之间连接关系为边,构建邻接矩阵A′;
在邻接矩阵A′中,元素eii表示第i个节点量化值,用于衡量节点的重要度,节点量化值越大,其重要度越高;电源节点和变压器节点的量化值为4,断路器节点和隔离开关节点的量化值3,联络开关节点的量化值为2,负荷节点的量化值为1;
在邻接矩阵A′中,元素eij表示第i个节点与第j个节点的连接关系;若第i个节点与第j个节点存在连接关系,且从第i个节点到第j个节点的方位为供电方向,则eij=1,否则,eij=0;
对邻接矩阵A′进行归一化,生成邻接矩阵A;
其中,i,j∈{1,2,…,n}表示节点序号,i≠j,n表示节点总数。
本发明构建反映网架拓扑信息的邻接矩阵时,根据电网中不同类型设备的重要程度,相应地设置了邻接矩阵中对角阵元素的量化值,并考虑了供电潮流的方向性,因此,本发明在进行电力预测时,能够充分考虑电网设备的特性,保证电力故障预测的准确度。
进一步地,节点的状态信息包括:负荷信息、运行状态、节点配置、温湿度和天气状态。
本发明通过获取节点的上述状态信息,能够将影响供电可靠性的网架拓扑、节点配置、运行状态、负载情况、温湿度和天气状态进行融合表征,保证了电力故障预测的准确性。
进一步地,对于任意第i个节点,其状态信息包括:负荷li、容载比ri、平均容载比ari、节点投运时长si、投运状态sti、上次检修间隔ci、当前温度tei、湿度hi、风速wi以及天气wei。
进一步地,电力故障预测模型的训练方法包括:
以Δt为时间粒度间隔,从历史供电数据中获取各时间点下电网的邻接矩阵、节点的状态矩阵以及电网中断状态,从而得到邻接矩阵序列A(t)、状态矩阵序列X(t)以及中断状态序列I(t);以每一个时间点下的邻接矩阵、状态矩阵和电网中断状态作为一条训练样本,由所有训练样本构成第一训练数据集;
基于图神经网络建立电力故障预测网络,并利用第一训练数据对其进行训练,从而在训练结束后,得到已训练好的电力故障预测网络;
其中,Δt为分钟级别的时间间隔;电网中断状态为One-Hot特征向量,其表达式为I=[x1,x2,…xn];i∈{1,2,…,n}表示节点序号,n表示节点总数,Ii表示第i个节点的中断状态,xi=1表示第i个节点发生了供电中断,xi=0表示第i个节点未发生供电中断;t表示时间点。
本发明利用One-Hot特征向量表示电网中断状态,使得训练所得的电力故障预测网络能够根据任意时间点下的电网邻接矩阵和节点状态矩阵,预测各节点的中断状态,为供电中断的定位提供网络可靠的依据。
进一步地,电力故障预测网络中的图神经网络为图卷积神经网络。
本发明具体基于图卷积神经网络构建电力故障预测网络,能够从节点状态矩阵中学习到节点特征的同时,学习到结构特征,有利于在预测过程中利用网架拓扑信息,保证预测可靠性。
进一步地,Δt为15分钟。
电力系统的信息记录时间间隔往往为15分钟,本发明以15分钟为时间粒度间隔,能够尽可能获取更多的网络拓扑信息和节点状态信息,实现细粒度的电力故障预测。
进一步地,本发明第一方面提供的基于图神经网络的电力故障预测方法,还包括:
对于任意第i个节点,以Δt为时间粒度间隔,获取各时间点下该节点的负荷和容载比,从而得到负荷序列li(t)和容载比序列ri(t);Δt为分钟级别的时间间隔,t表示时间点;
以负荷序列li(t)为基础,构建以小时、日、周、月、季和年为粒度间隔的负荷序列,从而分别得到负荷序列lih(t)、lid(t)、liw(t)、lim(t)、lis(t)和liy(t);以容载比序列ri(t)为基础,构建以小时、日、周、月、季和年为粒度间隔的负荷序列,从而分别得到容载比序列rih(t)、rid(t)、riw(t)、rim(t)、ris(t)和riy(t);
通过序列嵌入,生成第i个节点的负载特性向量为:
xi'(t)=[li(t),lih(t),lid(t),liw(t),lim(t),lis(t),liy(t),ri(t),rih(t),rid(t),riw(t),rim(t),ris(t),riy(t)]
以负载特性向量x′i(t)为输入,利用已训练好的供电中断时间点预测模型进行预测,以获得第i个节点在各时间点的中断状态;若第i节点在任意一个时间点t′之后的F个连续的时间点均为供电中断状态,则将时间点t′预测为供电中断时间点;
其中,供电中断时间点预测模型包括:级联的多个LSTM以及其后依次练级的输入层、隐藏层和softmax层,供电中断时间点预测模型用于通过二分类预测节点在各时间点下的中断状态;F为正整数。
本发明获取节点的状态信息,并以此为基础,通过序列嵌入的方式,生成节点的负载特性向量,该负载特性向量为多元的时间序列,本发明进一步根据节点的负载特性向量,利用基于LSTM的供电中断时间点预测模型实现了电网状态序列和供电中断事件时间点的关联预测分析,在实现对电力故障预测的基础上,实现了对故障时间点的预测。
进一步地,供电中断时间点预测模型的训练方法包括:
对于所有节点,以Δt为时间粒度间隔,从历史供电数据中获取各时间点下该节点的负荷和容载比,以及各节点在该时间点下的中断状态,从而得到负荷序列l(t)和容载比序列r(t),以及中断状态序列I′(t);
对每一个节点,分别以其负荷序列和容载比序列为基础,构建以小时、日、周、月、季和年为粒度间隔的负荷序列,之后通过序列嵌入,生成该节点的负荷特性向量,由每一个节点的负荷特性向量及其中断序列构成第二训练数据集;
基于LSTM模型建立供电中断时间点预测模型,并利用第二训练数据集对其进行训练,从而在训练结束后,得到已训练好的供电中断时间点预测模型。
按照本发明的第二方面,提供了一种系统,包括计算机可读存储介质和处理器,计算机可读存储介质用于存储可执行程序;
处理器用于读取计算机可读存储介质中存储的可执行程序,执行本发明第一方面提供的基于图神经网络的电力故障预测方法。
总体而言,通过本发明所构思的以上技术方案,与现有技术相比,根据电网拓扑构建图模型(即邻接矩阵),以此为基础,嵌入节点负荷、运行状态、设备参数和天气环境等构建状态图序列(即状态矩阵序列),在空间和时间维度上应用图卷积神经网络对图状态进行推理预测,能够确定供电中断的位置,通过电网状态图序列和供电中断事件时间点的关联预测分析,确定了供电中断的时间点,进而对整体配电网的供电可靠性进行预测。总的来说,本发明能够对供电中断的位置和时间进行预测,实现对细粒度的供电可靠性预测和管理,为电网优化和调度提供支撑,为电网可靠性保障提供了可靠的依据。
附图说明
图1为本发明实施例提供的基于图神经网络的电力故障预测方法流程图;
图2为本发明实施例提供的电力故障预测网络示意图;
图3为本发明实施例提供的供电中断时间点预测模型示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明中,本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
未解决现有电力可靠性预测方法的粒度粗、难以准确预测供电中断时间和中断节点位置的问题,本发明提供的基于图神经网络的电力故障预测方法,如图1所示,包括:
(1)在当前预测时间点,基于配电网的电气图构建邻接矩阵A;
在一个可选的实施方式中,步骤(1)中,基于配电网的电气图构建邻接矩阵A,包括:
以电气图中的电源、变压器、断路器、各类开关和用户负荷为节点,以节点之间连接关系为边,构建邻接矩阵A′;
在邻接矩阵A′中,元素eii表示第i个节点量化值,用于衡量节点的重要度,节点量化值越大,其重要度越高;电源节点和变压器节点的量化值为4,断路器节点和隔离开关节点的量化值3,联络开关节点的量化值为2,负荷节点的量化值为1;
在邻接矩阵A′中,元素eij表示第i个节点与第j个节点的连接关系;若第i个节点与第j个节点存在连接关系,且从第i个节点到第j个节点的方位为供电方向,则eij=1,否则,eij=0;
对邻接矩阵A′进行归一化,生成邻接矩阵A;
其中,i,j∈{1,2,…,n}表示节点序号,i≠j,n表示节点总数;本实施例构建反映网架拓扑信息的邻接矩阵时,根据电网中不同类型设备的重要程度,相应地设置了邻接矩阵中对角阵元素的量化值,并考虑了供电潮流的方向性,因此,在进行电力预测时,能够充分考虑电网设备的特性,保证电力故障预测的准确度;
(2)获取邻接矩阵A中各节点的状态信息,以构建各节点对应的特征向量,并由所有节点的特征向量构成状态矩阵X;
在一个可选的实施方式中,节点的状态信息包括:负荷信息、运行状态、节点配置、温湿度和天气状态;
通过获取节点的上述状态信息,能够将影响供电可靠性的网架拓扑、节点配置、运行状态、负载情况、温湿度和天气状态进行融合表征,保证了电力故障预测的准确性;应当说明的是,上述节点的状态信息仅为示例性的说明,不应理解为对本发明的唯一限定,其他会影响供电可靠性的节点状态信息,同样可应用于本发明;
在本实施例中,对于任意第i个节点,其状态信息包括:负荷li、容载比ri、平均容载比ari、节点投运时长si、投运状态sti、上次检修间隔ci、当前温度tei、湿度hi、风速wi以及天气wei;这些信息便构成了第i个节点的特征向量;
(3)以状态矩阵X为电力故障预测网络的输入,以邻接矩阵A为电力故障预测网络中图神经网络的卷积核,利用电力故障预测网络对当前预测时间点的电力故障进行预测;
如图2所示,电力故障预测网络为已训练好的网络模型,包括依次连接的图神经网络、全连接层和softmax,电力故障预测网络用于根据状态矩阵和对应的邻接矩阵预测各节点是否出现故障;在图2所示的电力故障预测网络中,图神经网络具体为图卷积神经网络,基于图卷积神经网络构建电力故障预测网络,能够从节点状态矩阵中学习到节点特征的同时,学习到结构特征,有利于在预测过程中利用网架拓扑信息,保证预测可靠性;应当说明的是,此处仅为本发明的优选实施方式,不应理解为对本发明的唯一限定;
(4)若预测结果为未出现故障,则预测结束;否则,根据预测结果定位电网中的故障节点;
由于本实施例中,用于预测的电力故障预测网络能够预测出各节点的中断状态,因此,在预测电网出现故障时,根据具体的预测结果即可实现对故障节点的定位。
上述基于图神经网络的电力故障预测方法,基于配电网的电气图建立电网的邻接矩阵进行预测,并且利用基于图神经网络的电力故障预测网络能够预测各个节点在当前预测时间点的中断状态,因此,能够有效利用电网的网架拓扑信息,实现对电力故障的准确预测,同时能够对出现电力故障的故障节点进行准确定位。
在一个可选的实施方式中,电力故障预测模型的训练方法包括:
以Δt为时间粒度间隔,从历史供电数据中获取各时间点下电网的邻接矩阵、节点的状态矩阵以及电网中断状态,从而得到邻接矩阵序列A(t)、状态矩阵序列X(t)以及中断状态序列I(t);以每一个时间点下的邻接矩阵、状态矩阵和电网中断状态作为一条训练样本,由所有训练样本构成第一训练数据集;
基于图神经网络建立电力故障预测网络,并利用第一训练数据对其进行训练,从而在训练结束后,得到已训练好的电力故障预测网络;
其中,Δt为分钟级别的时间间隔;电网中断状态为One-Hot特征向量,其表达式为I=[x1,x2,…xn];i∈{1,2,…,n}表示节点序号,n表示节点总数,Ii表示第i个节点的中断状态,xi=1表示第i个节点发生了供电中断,xi=0表示第i个节点未发生供电中断;t表示时间点;
本发明利用One-Hot特征向量表示电网中断状态,使得训练所得的电力故障预测网络能够根据任意时间点下的电网邻接矩阵和节点状态矩阵,预测各节点的中断状态,为供电中断的定位提供网络可靠的依据;
图2所示的电力故障预测网络,其输出Y的具体形式如式(1)所示:
式(1)中,电力故障预测网络的输出Y为One-Hot特征向量,用于表示各节点是否出现供电中断;ite表示图卷积的迭代次数,K表示图卷积的最大迭代次数,k为求和变量;Wite为全连接层各输入的权重,B为全连接层偏移向量;f和softmax函数分别如式(2)和式(3)所示;
Wite、B和K为通过训练确定的超参数;
可选地,在模型训练过程中,可以交叉熵损失函数作为模型训练的损失函数,利用反向传播模型确定超参数Wite、B和K;其中,对于第i个节点,对应的损失函数Li为:
在本实施例中,Δt为15分钟;电力系统的信息记录时间间隔往往为15分钟,本发明以15分钟为时间粒度间隔,能够尽可能获取更多的网络拓扑信息和节点状态信息,实现细粒度的电力故障预测;应当说明的是,此处仅为示例性描述,不应理解为对本发明的唯一限定,在实际的应用场景中,若电力系统的信息记录时间间隔为其他值,本发明中的粒度间隔Δt同样可相应调整。
为了进一步实现对供电中断时间点的预测,上述基于图神经网络的电力故障预测方法,还可包括:
对于任意第i个节点,以Δt为时间粒度间隔,获取各时间点下该节点的负荷和容载比,从而得到负荷序列li(t)和容载比序列ri(t);Δt为分钟级别的时间间隔,t表示时间点;
以负荷序列li(t)为基础,构建以小时、日、周、月、季和年为粒度间隔的负荷序列,从而分别得到负荷序列lih(t)、lid(t)、liw(t)、lim(t)、lis(t)和liy(t);以容载比序列ri(t)为基础,构建以小时、日、周、月、季和年为粒度间隔的负荷序列,从而分别得到容载比序列rih(t)、rid(t)、riw(t)、rim(t)、ris(t)和riy(t);
构建负荷序列时,根据不同时间尺度之间的关系,完成时间单位的换算即可;以负荷序列li(t)为例,在Δt为15分钟时,在负荷序列li(t)的基础上构建以小时、日、周、月、季和年为粒度间隔的负荷序列的具体方式为:
N为负荷序列li(t)的长度;
针对容载比序列ri(t)的构建过程类似,在此将不再复述;
通过序列嵌入,生成第i个节点的负载特性向量为:
xi′(t)=[li(t),lih(t),lid(t),liw(t),lim(t),lis(t),liy(t),ri(t),rih(t),rid(t),riw(t),rim(t),ris(t),riy(t)]
以负载特性向量x′i(t)为输入,利用已训练好的供电中断时间点预测模型进行预测,以获得第i个节点在各时间点的中断状态;若第i节点在任意一个时间点t′之后的F个连续的时间点均为供电中断状态,则将时间点t′预测为供电中断时间点;
其中,如图3所示,供电中断时间点预测模型包括:级联的多个LSTM以及其后依次练级的输入层、隐藏层和softmax层,供电中断时间点预测模型用于通过二分类预测节点在各时间点下的中断状态;在图3所示的供电中断时间点预测模型,输入层具体包括128个输入节点,隐藏层具体包括64个隐藏节点,相应地,多级LSTM最终输出的向量维数为128;应当说明的是,此处的模型实现仅为示例性的描述,不应理解为对本发明的唯一限定;
F为正整数,其具体取值根据实际的应用情况确定;在本实施例中,根据经验将其设置为F=3。
相应地,供电中断时间点预测模型的训练方法包括:
对于所有节点,以Δt为时间粒度间隔,从历史供电数据中获取各时间点下该节点的负荷和容载比,以及各节点在该时间点下的中断状态,从而得到负荷序列l(t)和容载比序列r(t),以及中断状态序列I′(t);
对每一个节点,分别以其负荷序列和容载比序列为基础,构建以小时、日、周、月、季和年为粒度间隔的负荷序列,之后通过序列嵌入,生成该节点的负荷特性向量,由每一个节点的负荷特性向量及其中断序列构成第二训练数据集;
基于LSTM模型建立供电中断时间点预测模型,并利用第二训练数据集对其进行训练,从而在训练结束后,得到已训练好的供电中断时间点预测模型。
本发明获取节点的状态信息,并以此为基础,通过序列嵌入的方式,生成节点的负载特性向量,该负载特性向量为多元的时间序列,本发明进一步根据节点的负载特性向量,利用基于LSTM的供电中断时间点预测模型实现了电网状态序列和供电中断事件时间点的关联预测分析,在实现对电力故障预测的基础上,实现了对故障时间点的预测。
总的来说,上述基于图神经网络的电力故障预测方法,将影响供电可靠性的网架拓扑、节点配置、运行状态、负载情况、温湿度和天气状态进行融合表征,对电网运行状态进行推理预测,对电网拓扑节点和边进行分类预测,以确定供电中断的位置,通过电网状态图序列和供电中断事件时间点的关联预测分析,确定供电中断的时间点,进而对整体配电网的供电可靠性进行预测。针对上述预测的供电中断位置和时间,电网调度部门可及时进行负荷投切迁移,及时保障供电可靠性。
本发明还提供了一种系统,包括计算机可读存储介质和处理器,计算机可读存储介质用于存储可执行程序;
处理器用于读取计算机可读存储介质中存储的可执行程序,执行上述基于图神经网络的电力故障预测方法。
本领域的技术人员容易理解,以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于图神经网络的电力故障预测方法,其特征在于,包括:
(1)在当前预测时间点,基于配电网的电气图构建邻接矩阵A;
(2)获取邻接矩阵A中各节点的状态信息,以构建各节点对应的特征向量,并由所有节点的特征向量构成状态矩阵X;
(3)以状态矩阵X为电力故障预测网络的输入,以邻接矩阵A为电力故障预测网络中图神经网络的卷积核,利用电力故障预测网络对当前预测时间点的电力故障进行预测;
(4)若预测结果为未出现故障,则预测结束;否则,根据预测结果定位电网中的故障节点;
其中,电力故障预测网络为已训练好的网络模型,包括依次连接的图神经网络、全连接层和softmax,电力故障预测网络用于根据状态矩阵和对应的邻接矩阵预测各节点是否出现故障。
2.如权利要求1的基于图神经网络的电力故障预测方法,其特征在于,步骤(1)中,基于配电网的电气图构建邻接矩阵A,包括:
以电气图中的电源、变压器、断路器、各类开关和用户负荷为节点,以节点之间连接关系为边,构建邻接矩阵A′;
在邻接矩阵A′中,元素eii表示第i个节点量化值,用于衡量节点的重要度,节点量化值越大,其重要度越高;电源节点和变压器节点的量化值为4,断路器节点和隔离开关节点的量化值3,联络开关节点的量化值为2,负荷节点的量化值为1;
在邻接矩阵A′中,元素eij表示第i个节点与第j个节点的连接关系;若第i个节点与第j个节点存在连接关系,且从第i个节点到第j个节点的方位为供电方向,则eij=1,否则,eij=0;
对邻接矩阵A′进行归一化,生成邻接矩阵A;
其中,i,j∈{1,2,…,n}表示节点序号,i≠j,n表示节点总数。
3.如权利要求1的基于图神经网络的电力故障预测方法,其特征在于,节点的状态信息包括:负荷信息、运行状态、节点配置、温湿度和天气状态。
4.如权利要求3的基于图神经网络的电力故障预测方法,其特征在于,对于任意第i个节点,其状态信息包括:负荷li、容载比ri、平均容载比ari、节点投运时长si、投运状态sti、上次检修间隔ci、当前温度tei、湿度hi、风速wi以及天气wei。
5.如权利要求1的基于图神经网络的电力故障预测方法,其特征在于,电力故障预测模型的训练方法包括:
以Δt为时间粒度间隔,从历史供电数据中获取各时间点下电网的邻接矩阵、节点的状态矩阵以及电网中断状态,从而得到邻接矩阵序列A(t)、状态矩阵序列X(t)以及中断状态序列I(t);以每一个时间点下的邻接矩阵、状态矩阵和电网中断状态作为一条训练样本,由所有训练样本构成第一训练数据集;
基于图神经网络建立电力故障预测网络,并利用第一训练数据对其进行训练,从而在训练结束后,得到已训练好的电力故障预测网络;
其中,Δt为分钟级别的时间间隔;电网中断状态为One-Hot特征向量,其表达式为I=[x1,x2,…xn];i∈{1,2,…,n}表示节点序号,n表示节点总数,Ii表示第i个节点的中断状态,xi=1表示第i个节点发生了供电中断,xi=0表示第i个节点未发生供电中断;t表示时间点。
6.如权利要求1的基于图神经网络的电力故障预测方法,其特征在于,电力故障预测网络中的图神经网络为图卷积神经网络。
7.如权利要求1的基于图神经网络的电力故障预测方法,其特征在于,Δt为15分钟。
8.如权利要求1-6任一项的基于图神经网络的电力故障预测方法,其特征在于,还包括:
对于任意第i个节点,以Δt为时间粒度间隔,获取各时间点下该节点的负荷和容载比,从而得到负荷序列li(t)和容载比序列ri(t);Δt为分钟级别的时间间隔,t表示时间点;
以负荷序列li(t)为基础,构建以小时、日、周、月、季和年为粒度间隔的负荷序列,从而分别得到负荷序列lih(t)、lid(t)、liw(t)、lim(t)、lis(t)和liy(t);以容载比序列ri(t)为基础,构建以小时、日、周、月、季和年为粒度间隔的负荷序列,从而分别得到容载比序列rih(t)、rid(t)、riw(t)、rim(t)、ris(t)和riy(t);
通过序列嵌入,生成第i个节点的负载特性向量为:
xi′(t)=[li(t),lih(t),lid(t),liw(t),lim(t),lis(t),liy(t),ri(t),rih(t),rid(t),riw(t),rim(t),ris(t),riy(t)]
以负载特性向量x′i(t)为输入,利用已训练好的供电中断时间点预测模型进行预测,以获得第i个节点在各时间点的中断状态;若第i节点在任意一个时间点t′之后的F个连续的时间点均为供电中断状态,则将时间点t′预测为供电中断时间点;
其中,供电中断时间点预测模型包括:级联的多个LSTM以及其后依次练级的输入层、隐藏层和softmax层,供电中断时间点预测模型用于通过二分类预测节点在各时间点下的中断状态;F为正整数。
9.如权利要求8的基于图神经网络的电力故障预测模型,其特征在于,供电中断时间点预测模型的训练方法包括:
对于所有节点,以Δt为时间粒度间隔,从历史供电数据中获取各时间点下该节点的负荷和容载比,以及各节点在该时间点下的中断状态,从而得到负荷序列l(t)和容载比序列r(t),以及中断状态序列I′(t);
对每一个节点,分别以其负荷序列和容载比序列为基础,构建以小时、日、周、月、季和年为粒度间隔的负荷序列,之后通过序列嵌入,生成该节点的负荷特性向量,由每一个节点的负荷特性向量及其中断序列构成第二训练数据集;
基于LSTM模型建立供电中断时间点预测模型,并利用第二训练数据集对其进行训练,从而在训练结束后,得到已训练好的供电中断时间点预测模型。
10.一种系统,包括计算机可读存储介质和处理器,其特征在于,计算机可读存储介质用于存储可执行程序;
处理器用于读取计算机可读存储介质中存储的可执行程序,执行权利要求1-9任一项的基于图神经网络的电力故障预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076332.3A CN111461392B (zh) | 2020-01-23 | 2020-01-23 | 一种基于图神经网络的电力故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076332.3A CN111461392B (zh) | 2020-01-23 | 2020-01-23 | 一种基于图神经网络的电力故障预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461392A true CN111461392A (zh) | 2020-07-28 |
CN111461392B CN111461392B (zh) | 2022-06-17 |
Family
ID=71682310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010076332.3A Active CN111461392B (zh) | 2020-01-23 | 2020-01-23 | 一种基于图神经网络的电力故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461392B (zh) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537831A (zh) * | 2020-04-01 | 2020-08-14 | 华中科技大学鄂州工业技术研究院 | 一种配电网线路故障定位方法及装置 |
CN111966076A (zh) * | 2020-08-11 | 2020-11-20 | 广东工业大学 | 基于有限状态机和图神经网络的故障定位方法 |
CN112101617A (zh) * | 2020-08-11 | 2020-12-18 | 复旦大学 | 基于层次图卷积的电网故障严重程度预测方法 |
CN112270273A (zh) * | 2020-10-30 | 2021-01-26 | 湘潭大学 | 基于gcn和wpt-md的风力发电机故障部位识别方法 |
CN112287605A (zh) * | 2020-11-04 | 2021-01-29 | 浙江大学 | 一种基于图卷积网络加速的潮流校核方法 |
CN112329973A (zh) * | 2020-08-20 | 2021-02-05 | 国网湖北省电力有限公司襄阳供电公司 | 一种基于图神经网络和区域网格化的时空负荷预测方法 |
CN112446171A (zh) * | 2020-11-09 | 2021-03-05 | 深圳供电局有限公司 | 电力系统暂态稳定监测方法、装置、终端设备及存储介质 |
CN112465259A (zh) * | 2020-12-12 | 2021-03-09 | 武汉七星电气有限公司 | 一种基于深度神经网络的开关故障预测方法 |
CN112560210A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 用于调整电网结构的方法、相关装置及计算机程序产品 |
CN112666423A (zh) * | 2020-12-03 | 2021-04-16 | 广州电力通信网络有限公司 | 一种用于电力通信网络的测试装置 |
CN112733450A (zh) * | 2021-01-12 | 2021-04-30 | 云南电网有限责任公司电力科学研究院 | 一种电力网络中节点故障的分析方法及装置 |
CN112783940A (zh) * | 2020-12-31 | 2021-05-11 | 广州大学 | 基于图神经网络的多源时序数据故障诊断方法和介质 |
CN112862065A (zh) * | 2021-01-14 | 2021-05-28 | 国网浙江省电力有限公司湖州供电公司 | 一种基于多任务图神经网络的电网支路参数辨识方法 |
CN113139586A (zh) * | 2021-03-31 | 2021-07-20 | 同济大学 | 模型训练方法、设备异常诊断方法、电子设备及介质 |
CN113805564A (zh) * | 2021-08-31 | 2021-12-17 | 国能榆林能源有限责任公司 | 一种基于cep的设备故障预警以及诊断系统 |
CN114137358A (zh) * | 2021-11-17 | 2022-03-04 | 国网天津市电力公司信息通信公司 | 一种基于图卷积神经网络的输电线路故障诊断方法 |
CN114154558A (zh) * | 2021-11-12 | 2022-03-08 | 山东浪潮科学研究院有限公司 | 基于图神经网络的分布式能源发电负荷预测系统及方法 |
CN114221334A (zh) * | 2021-12-13 | 2022-03-22 | 国网江苏省电力有限公司 | 一种基于图神经网络的快速状态估计方法 |
CN115099684A (zh) * | 2022-07-18 | 2022-09-23 | 江西中科冠物联网科技有限公司 | 企业安全生产管理系统及其管理方法 |
CN115456109A (zh) * | 2022-09-30 | 2022-12-09 | 中国电力科学研究院有限公司 | 电网故障元件辨识方法、系统、计算机设备及存储介质 |
CN115470602A (zh) * | 2022-09-23 | 2022-12-13 | 中国人民解放军国防科技大学 | 一种考虑节点差异化抗毁需求的供电网络拓扑优化方法 |
CN116613754A (zh) * | 2023-07-21 | 2023-08-18 | 南方电网数字电网研究院有限公司 | 配电系统可靠性评估方法、模型训练方法、装置及设备 |
CN117200203A (zh) * | 2023-09-07 | 2023-12-08 | 航电所(成都)科技有限公司 | 应用于电力系统的运行优化方法及系统 |
US11961028B2 (en) | 2021-01-28 | 2024-04-16 | Tata Consultancy Limited Services | Method and system for graph signal processing based energy modelling and forecasting |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698657A (zh) * | 2013-12-19 | 2014-04-02 | 湖南大学 | 基于信息补全和校正的配电网故障定位容错方法 |
CN106226657A (zh) * | 2016-09-07 | 2016-12-14 | 上海市政工程设计研究总院(集团)有限公司 | 一种用于电网故障诊断的停电区域识别方法 |
CN107394773A (zh) * | 2017-07-04 | 2017-11-24 | 天津大学 | 考虑故障处理全过程的配网信息物理系统可靠性评估方法 |
CN108318782A (zh) * | 2018-01-29 | 2018-07-24 | 国网江苏省电力有限公司电力科学研究院 | 基于网络拓扑与配变停电信息的配电网故障区域辨识方法 |
CN108919059A (zh) * | 2018-08-23 | 2018-11-30 | 广东电网有限责任公司 | 一种电网故障诊断方法、装置、设备及可读存储介质 |
-
2020
- 2020-01-23 CN CN202010076332.3A patent/CN111461392B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698657A (zh) * | 2013-12-19 | 2014-04-02 | 湖南大学 | 基于信息补全和校正的配电网故障定位容错方法 |
CN106226657A (zh) * | 2016-09-07 | 2016-12-14 | 上海市政工程设计研究总院(集团)有限公司 | 一种用于电网故障诊断的停电区域识别方法 |
CN107394773A (zh) * | 2017-07-04 | 2017-11-24 | 天津大学 | 考虑故障处理全过程的配网信息物理系统可靠性评估方法 |
CN108318782A (zh) * | 2018-01-29 | 2018-07-24 | 国网江苏省电力有限公司电力科学研究院 | 基于网络拓扑与配变停电信息的配电网故障区域辨识方法 |
CN108919059A (zh) * | 2018-08-23 | 2018-11-30 | 广东电网有限责任公司 | 一种电网故障诊断方法、装置、设备及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
ANEESH BALAKRISHNAN ETAL.: "Modeling Gate-Level Abstraction Hierarchy Using Graph Convolutional Neural Networks to Predict Functional De-Rating Factors", 《IEEE》 * |
XIAOYANG LU ETAL.: "Fault diagnosis for photovoltaic array based on convolutional neural network and electrical time series graph", 《ELSEVIER> * |
陈昊昊: "基于多层分布式卷积神经网络的电力故障预测系统", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537831B (zh) * | 2020-04-01 | 2022-06-24 | 华中科技大学鄂州工业技术研究院 | 一种配电网线路故障定位方法及装置 |
CN111537831A (zh) * | 2020-04-01 | 2020-08-14 | 华中科技大学鄂州工业技术研究院 | 一种配电网线路故障定位方法及装置 |
CN112101617B (zh) * | 2020-08-11 | 2024-03-08 | 复旦大学 | 基于层次图卷积的电网故障严重程度预测方法 |
CN111966076A (zh) * | 2020-08-11 | 2020-11-20 | 广东工业大学 | 基于有限状态机和图神经网络的故障定位方法 |
CN112101617A (zh) * | 2020-08-11 | 2020-12-18 | 复旦大学 | 基于层次图卷积的电网故障严重程度预测方法 |
CN112329973A (zh) * | 2020-08-20 | 2021-02-05 | 国网湖北省电力有限公司襄阳供电公司 | 一种基于图神经网络和区域网格化的时空负荷预测方法 |
CN112270273A (zh) * | 2020-10-30 | 2021-01-26 | 湘潭大学 | 基于gcn和wpt-md的风力发电机故障部位识别方法 |
CN112287605A (zh) * | 2020-11-04 | 2021-01-29 | 浙江大学 | 一种基于图卷积网络加速的潮流校核方法 |
CN112446171A (zh) * | 2020-11-09 | 2021-03-05 | 深圳供电局有限公司 | 电力系统暂态稳定监测方法、装置、终端设备及存储介质 |
CN112446171B (zh) * | 2020-11-09 | 2023-11-07 | 深圳供电局有限公司 | 电力系统暂态稳定监测方法、装置、终端设备及存储介质 |
CN112666423A (zh) * | 2020-12-03 | 2021-04-16 | 广州电力通信网络有限公司 | 一种用于电力通信网络的测试装置 |
CN112465259A (zh) * | 2020-12-12 | 2021-03-09 | 武汉七星电气有限公司 | 一种基于深度神经网络的开关故障预测方法 |
CN112465259B (zh) * | 2020-12-12 | 2023-01-31 | 武汉七星电气有限公司 | 一种基于深度神经网络的开关故障预测方法 |
CN112560210B (zh) * | 2020-12-16 | 2024-03-29 | 北京百度网讯科技有限公司 | 用于调整电网结构的方法、相关装置及计算机程序产品 |
CN112560210A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 用于调整电网结构的方法、相关装置及计算机程序产品 |
CN112783940B (zh) * | 2020-12-31 | 2023-06-09 | 广州大学 | 基于图神经网络的多源时序数据故障诊断方法和介质 |
CN112783940A (zh) * | 2020-12-31 | 2021-05-11 | 广州大学 | 基于图神经网络的多源时序数据故障诊断方法和介质 |
CN112733450A (zh) * | 2021-01-12 | 2021-04-30 | 云南电网有限责任公司电力科学研究院 | 一种电力网络中节点故障的分析方法及装置 |
CN112862065A (zh) * | 2021-01-14 | 2021-05-28 | 国网浙江省电力有限公司湖州供电公司 | 一种基于多任务图神经网络的电网支路参数辨识方法 |
US11961028B2 (en) | 2021-01-28 | 2024-04-16 | Tata Consultancy Limited Services | Method and system for graph signal processing based energy modelling and forecasting |
CN113139586A (zh) * | 2021-03-31 | 2021-07-20 | 同济大学 | 模型训练方法、设备异常诊断方法、电子设备及介质 |
CN113139586B (zh) * | 2021-03-31 | 2022-09-23 | 同济大学 | 模型训练方法、设备异常诊断方法、电子设备及介质 |
CN113805564A (zh) * | 2021-08-31 | 2021-12-17 | 国能榆林能源有限责任公司 | 一种基于cep的设备故障预警以及诊断系统 |
CN114154558A (zh) * | 2021-11-12 | 2022-03-08 | 山东浪潮科学研究院有限公司 | 基于图神经网络的分布式能源发电负荷预测系统及方法 |
CN114154558B (zh) * | 2021-11-12 | 2024-05-21 | 山东浪潮科学研究院有限公司 | 基于图神经网络的分布式能源发电负荷预测系统及方法 |
CN114137358A (zh) * | 2021-11-17 | 2022-03-04 | 国网天津市电力公司信息通信公司 | 一种基于图卷积神经网络的输电线路故障诊断方法 |
CN114221334A (zh) * | 2021-12-13 | 2022-03-22 | 国网江苏省电力有限公司 | 一种基于图神经网络的快速状态估计方法 |
CN115099684A (zh) * | 2022-07-18 | 2022-09-23 | 江西中科冠物联网科技有限公司 | 企业安全生产管理系统及其管理方法 |
CN115470602B (zh) * | 2022-09-23 | 2023-06-16 | 中国人民解放军国防科技大学 | 一种考虑节点差异化抗毁需求的供电网络拓扑优化方法 |
CN115470602A (zh) * | 2022-09-23 | 2022-12-13 | 中国人民解放军国防科技大学 | 一种考虑节点差异化抗毁需求的供电网络拓扑优化方法 |
CN115456109A (zh) * | 2022-09-30 | 2022-12-09 | 中国电力科学研究院有限公司 | 电网故障元件辨识方法、系统、计算机设备及存储介质 |
CN115456109B (zh) * | 2022-09-30 | 2023-11-24 | 中国电力科学研究院有限公司 | 电网故障元件辨识方法、系统、计算机设备及存储介质 |
CN116613754A (zh) * | 2023-07-21 | 2023-08-18 | 南方电网数字电网研究院有限公司 | 配电系统可靠性评估方法、模型训练方法、装置及设备 |
CN117200203A (zh) * | 2023-09-07 | 2023-12-08 | 航电所(成都)科技有限公司 | 应用于电力系统的运行优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111461392B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461392B (zh) | 一种基于图神经网络的电力故障预测方法及系统 | |
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
Li et al. | Application of a hybrid quantized Elman neural network in short-term load forecasting | |
Afrasiabi et al. | Probabilistic deep neural network price forecasting based on residential load and wind speed predictions | |
Wu et al. | Optimizing home energy management and electric vehicle charging with reinforcement learning | |
Abdulrahman et al. | A review on deep learning with focus on deep recurrent neural network for electricity forecasting in residential building | |
Liang et al. | Towards online deep learning-based energy forecasting | |
Cioara et al. | An overview of digital twins application domains in smart energy grid | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
Huang et al. | Smart energy management system based on reconfigurable AI chip and electrical vehicles | |
CN115603446A (zh) | 基于卷积神经网络和云边协同作用的配电台区运行监测系统 | |
Suresh et al. | Probabilistic LSTM-Autoencoder based hour-ahead solar power forecasting model for intra-day electricity market participation: A Polish case study | |
Venticinque et al. | Learning and prediction of E-car charging requirements for flexible loads shifting | |
Kramer et al. | Power prediction in smart grids with evolutionary local kernel regression | |
Souhe et al. | Forecasting of electrical energy consumption of households in a smart grid | |
CN113886454A (zh) | 一种基于lstm-rbf的云资源预测方法 | |
Cioara et al. | An overview of digital twins application in smart energy grids | |
He et al. | Toward application of continuous power forecasts in a regional flexibility market | |
Guo et al. | Short-Term Water Demand Forecast Based on Deep Neural Network:(029) | |
Gomez-Rosero et al. | Deep neural network for load forecasting centred on architecture evolution | |
Renold et al. | Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles | |
CN116706888A (zh) | 基于联邦学习的智能电网负荷预测方法 | |
Lin et al. | Hpt-rl: Calibrating power system models based on hierarchical parameter tuning and reinforcement learning | |
Wang et al. | Optimal control of maintenance instants and intensities in building energy efficiency retrofitting project | |
Wang et al. | Adaptive probabilistic load forecasting for individual buildings |
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 |