CN112329973A - 一种基于图神经网络和区域网格化的时空负荷预测方法 - Google Patents

一种基于图神经网络和区域网格化的时空负荷预测方法 Download PDF

Info

Publication number
CN112329973A
CN112329973A CN202010841035.3A CN202010841035A CN112329973A CN 112329973 A CN112329973 A CN 112329973A CN 202010841035 A CN202010841035 A CN 202010841035A CN 112329973 A CN112329973 A CN 112329973A
Authority
CN
China
Prior art keywords
power supply
load
graph
neural network
matrix
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
Application number
CN202010841035.3A
Other languages
English (en)
Inventor
朱力
李成
毕成琼
史炯
刘云鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010841035.3A priority Critical patent/CN112329973A/zh
Publication of CN112329973A publication Critical patent/CN112329973A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于图神经网络和区域网格化的时空负荷预测方法，涉及电力系统配电网规划技术领域，包括步骤1：特征工程，选取数据特征；步骤2：构建网络拓扑，融入步骤1特征信息；步骤3：基于步骤2拓扑图，对各供电单元特征信息进行传递；步骤4：基于步骤2获得网络拓扑图与步骤3中供电单元信息，进行供电单元负荷预测；步骤5：基于前面步骤，划分网格，进行单元负荷供电网格负荷预测。本发明将待预测区域划分若干网格，对负荷结构用神经网络负荷预测模型，得到整个城市不同时间和区域负荷预测结果；通过网格化技术、图神经网络、回归预测等方法，建立负荷预测模型，融合电网拓扑结构信息，为电力系统配电网规划负荷预测任务提供更精准预测。

Description

一种基于图神经网络和区域网格化的时空负荷预测方法
技术领域
本发明涉及电力系统配电网规划技术领域，尤其是一种基于图神经网络和区域网格化的时空负荷预测方法。
背景技术
随着我国工业化、城镇化进程的逐步加快，受城市土地资源和环境容量因素限制，城市电网发展与城市发展之间的协调问题越来越突出，时空负荷预测对配电网规划的影响至关重要。时空负荷预测是配电网规划的前提和基础，揭示了电力用户和负荷分布的地理位置、数量及产生时间。常规的负荷预测思路是对于城市的变电站和点负荷统一预测，尤其是中压负荷统一采用与城市经济相适应的增长率，但实际中由于城市中各片区发展不均衡，人口增速差异大等诸多因素的制约，其负荷的发展速度不一，因此负荷预测的精准度受到影响。
国内外的时空负荷预测方法，主要包括传统的负荷密度指标法、双层贝叶斯模型法、考虑元胞发展时序的不均衡分类分区法、负荷密度钟型网线、负荷元胞、元胞用地决策法等，目前正尝试应用非均匀区域法、基于GIS的神经网络推断法等。上述方法并未充分利用历史负荷数据所蕴含的信息，所得的预测结果的精准度也存在一定的提升空间。
发明内容
为了克服现有技术的不足，本发明的发明目的在于提供一种基于图神经网络和区域网格化的时空负荷预测方法，充分利用历史负荷数据和电网结构信息，提高预测准确度，为电力调度、网架规划等提供准确的负荷信息。
为实现上述发明目的，本发明一种基于图神经网络和区域网格化的时空负荷预测方法，其特征在于：包括以下步骤，
步骤1：特征工程，选取数据特征；
步骤2：构建网络拓扑，并结合步骤1的特征信息；
步骤3：基于步骤2的拓扑图，对各个供电单元的特征信息进行传递；
步骤4：基于步骤2获得的网络拓扑图与步骤3中的供电单元特征信息，通过神经网络进行供电单元负荷预测；
步骤5：基于前四个步骤，划分网格，进行单元负荷的供电网格负荷预测。
进一步的，所述步骤1包括以下子步骤，
步骤1-1：选取与负荷相关的特征量，如天气、时间、供电面积、用地信息、历史负荷信息，作为供电单元的特征属性；
步骤1-2：统计供电单元的特征属性进行向量化，用向量表示供电单元的属性；此处选用五个特征，表示为
(T，W，L，S，E)∈R5。
进一步的，所述步骤2包括以下子步骤，
步骤2-1：将供电单元作为图中的节点，各供电单元之间的线路作为图中的边，建立图模型；用
Figure BDA0002641404220000021
表示加权无向图，其中，v表示供电单元的集合，ε表示图中的边的集合，
Figure BDA0002641404220000022
表示加权邻接矩阵；
步骤2-2：对图中节点添加特征信息，对于供电单元，添加其特征属性
(T，W，L，S，E)∈R5
其中T表示时间，W表示天气信息，L表示历史负荷，S表示供电面积，E表示用地类型；
步骤2-3：构建邻接矩阵；图
Figure BDA0002641404220000031
的拉普拉斯矩阵为Δu＝D-W，其中D为图的度矩阵，即其对角线项为Dii＝∑jWij的矩阵，W为图的邻接矩阵；
步骤2-4：对步骤2-3中得到的拉普拉斯矩阵进行归一化，进行以下操作：
Δ＝D-1/2ΔuD-1/2＝I-D-1/2WD-1/2
其中I是单位矩阵，定义如下：
Figure BDA0002641404220000032
进一步的，所述步骤3包括以下子步骤，
步骤3-1：定义图神经网络模型，对步骤2中得到的拉普拉斯矩阵进行谱分解：
Figure BDA0002641404220000033
其中Φ＝(φ1，…，φn)是Δ的正交向量，Λ＝diag(λ1，…，λn)是一个排好序的非负特征值的对角矩阵((0＝λ1≤λ2，…，λn)；
步骤3-2：进行消息传递；对于图中的一个信号
Figure BDA0002641404220000034
f(i)与图上的顶点一一对应，利用矩阵乘法将图上的傅里叶变换推广到矩阵形式：
Figure BDA0002641404220000035
即f在图上的傅里叶变换的矩阵形式为：
Figure BDA0002641404220000041
其逆变换形式为：
Figure BDA0002641404220000042
步骤3-3：利用卷积定理公式，如下：
Figure BDA0002641404220000043
定义两个信号g和f的频谱卷积为：
Figure BDA0002641404220000044
步骤3-4：利用切比雪夫多项式递归计算卷积和，如下所示：
Figure BDA0002641404220000045
其中
Figure BDA0002641404220000046
进一步的，所述步骤4包括以下子步骤，
步骤4-1：计算图卷积层的第j个特征图：
Figure BDA0002641404220000047
其中
Figure BDA0002641404220000048
为输入的第i个特征图，
Figure BDA0002641404220000049
是可以训练的参数，Nin为上一层滤波器的数量，Nout为当前层输出，参数总数为NinNoutK；
步骤4-2：全连接神经网络进行预测；最后一个图卷积层的输出被平铺成一个向量并传递给全连接层，通过全连接层进行输出；
步骤4-3：基于处理过的特征信息，通过训练神经网络进行回归预测，预测出各个供电单元负荷的具体数值。
进一步的，所述步骤5包括以下子步骤，
步骤5-1：使用矩阵及其已知操作实现网格表示，网格单元的长度取决于要解决的问题和可用的数据；
步骤5-2：进行空间负荷预测，空间负荷由一个矩阵表示，矩阵的每个元素包含该区域内的供电单元；
步骤5-3：累加单元负荷；供电单元内同时率是单元曲线叠加最大负荷与单元各用地负荷直接相加之和的比值；供电单元间同时率通过供电网格曲线叠加最大负荷与各个单元最大负荷之和来进行计算；假设某供电网格A内包含n个供电单元A1，A2，…An，则n个供电单元间的同时率为
Figure BDA0002641404220000051
式中：PA为不考虑供电单元层级同时率情况下，网格A的负荷；
Figure BDA0002641404220000052
为在不考虑单元内同时率情况下，供电单元An的负荷；
Figure BDA0002641404220000053
为供电单元An在考虑单元内同时率后的负荷；tA为不考虑供电单元层情况下，网格A的同时率；
Figure BDA0002641404220000054
则为供电单元An的同时率。
与现有技术相比，本发明一种基于图神经网络和区域网格化的时空负荷预测方法，首先将待预测区域划分为若干网格，针对每个供电单元的负荷结构采用神经网络负荷预测模型，得到每个网格负荷，进而得到整个城市负荷预测结果，指导电网规划。本发明通过网格化技术、图神经网络、回归预测等相关方法，建立负荷预测模型，并融合电网拓扑结构信息，为电力系统配电网规划提供更精准的预测。
附图说明
图1是本发明的数据样例图。
图2是本发明的电网建模过程示意图。
图3是本发明的算法结构图，从左至右依次为输入层、图神经网络层、全连接层。
图4是本发明的区域网格化方法示意图。
图5是本发明的整体流程示意图。
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。
如图1、图2、图3、图4、图5所示，本发明一种基于图神经网络和区域网格化的时空负荷预测方法，包括以下步骤，
步骤1：特征工程，选取数据特征；
步骤2：构建网络拓扑，并结合步骤1的特征信息；
步骤3：基于步骤2的拓扑图，对各个供电单元的特征信息进行传递；
步骤4：基于步骤2获得的网络拓扑图与步骤3中的供电单元特征信息，通过神经网络进行供电单元负荷预测；
步骤5：基于前四个步骤，划分网格，进行单元负荷的供电网格负荷预测。
优选的，所述步骤1包括以下子步骤，
步骤1-1：选取与负荷相关的特征量，如天气、时间、供电面积、用地信息、历史负荷信息等，作为供电单元的特征属性，如图1所示；
步骤1-2：统计供电单元的特征属性进行向量化，即用向量表示供电单元的属性；此处选用五个特征，可表示为
(T，W，L，S，E)∈R5。
优选的，所述步骤2包括以下子步骤，
步骤2-1：将供电单元作为图中的节点，各供电单元之间的线路作为图中的边，建立图模型；用
Figure BDA0002641404220000071
表示加权无向图，其中，v表示供电单元的集合，代表图中的节点，ε表示图中的边的集合，代表连接供电单元的线路，
Figure BDA0002641404220000072
表示加权邻接矩阵，代表图的结构信息，如图2所示；
步骤2-2：对图中节点添加特征信息，对于供电单元，可以添加其特征属性
(T，W，L，S，E)∈R5
其中T表示时间，W表示天气信息，L表示历史负荷，S表示供电面积，E表示用地类型；
步骤2-3：构建邻接矩阵；图
Figure BDA0002641404220000073
的拉普拉斯矩阵为Δu＝D-W，其中D为图的度矩阵，即其对角线项为Dii＝∑jWij的矩阵，W为图的邻接矩阵；
步骤2-4：对步骤2-3中得到的拉普拉斯矩阵进行归一化，即进行以下操作：
Δ＝D-1/2ΔuD-1/2＝I-D-1/2WD-1/2
其中I是单位矩阵，定义如下：
Figure BDA0002641404220000081
优选的，所述步骤3包括以下子步骤，
步骤3-1：定义图神经网络模型，对步骤2中得到的拉普拉斯矩阵进行谱分解：
Figure BDA0002641404220000082
其中Φ＝(φ1，…，φn)是Δ的正交向量，Λ＝diag(λ1，…，λn)是一个排好序的非负特征值的对角矩阵((0＝λ1≤λ2，…，λn)；
步骤3-2：进行消息传递；对于图中的一个信号
Figure BDA0002641404220000083
f(i)与图上的顶点一一对应，利用矩阵乘法将图上的傅里叶变换推广到矩阵形式：
Figure BDA0002641404220000084
即f在图上的傅里叶变换的矩阵形式为：
Figure BDA0002641404220000085
其逆变换形式为：
Figure BDA0002641404220000086
步骤3-3：利用卷积定理公式，如下：
Figure BDA0002641404220000087
定义两个信号g和f的频谱卷积为：
Figure BDA0002641404220000091
步骤3-4：利用切比雪夫多项式递归计算卷积和，如下所示：
Figure BDA0002641404220000092
其中
Figure BDA0002641404220000093
优选的，所述步骤4包括以下子步骤，
步骤4-1：计算图卷积层的第j个特征图：
Figure BDA0002641404220000094
其中
Figure BDA0002641404220000095
为输入的第i个特征图，
Figure BDA0002641404220000096
是可以训练的参数，Nin为上一层滤波器的数量，Nout为当前层输出，参数总数为NinNoutK；对于本发明的场景，第一层的通道数量为Fin＝5；
步骤4-2：全连接神经网络进行预测；最后一个图卷积层的输出被平铺成一个向量并传递给全连接层，通过全连接层进行输出；
步骤4-3：基于处理过的特征信息，通过训练神经网络进行回归预测，预测出各个供电单元负荷的具体数值。
优选的，所述步骤5包括以下子步骤，
步骤5-1：使用矩阵及其已知操作实现网格表示，网格单元的长度取决于要解决的问题和可用的数据；本发明采取一种混合表示法，其中矩阵与网格元素相关联，使其更容易处理；
步骤5-2：为了进行空间负荷预测，必须正确的表示空间负荷，空间负荷由一个矩阵表示，矩阵的每个元素包含该区域内的供电单元；如图4所示，其中圆圈代表负荷为10的供电单元，单元格必须可以容纳负载并且表示负载分布；
步骤5-3：累加单元负荷；供电网格的负荷可通过网格内各个供电单元的负荷进行累加，并考虑供电单元间同时率获得，其中供电单元间同时率为问题关键；供电单元内同时率是单元曲线叠加最大负荷与单元各用地负荷直接相加之和的比值；类似地，供电单元间同时率可通过供电网格曲线叠加最大负荷与各个单元最大负荷之和来进行计算；假设某供电网格A内包含n个供电单元A1，A2，…An，则n个供电单元间的同时率为
Figure BDA0002641404220000101
式中：PA为不考虑供电单元层级同时率情况下，网格A的负荷(即区域内各个用地性质用地的负荷预测结果之和)；
Figure BDA0002641404220000102
为在不考虑单元内同时率情况下，供电单元An的负荷；
Figure BDA0002641404220000103
为供电单元An在考虑单元内同时率后的负荷；tA为不考虑供电单元层情况下，网格A的同时率(可用日负荷特性曲线进行叠加)；
Figure BDA0002641404220000104
则为供电单元An的同时率。在现有技术的网格化规划负荷预测过程中，单元间同时率并没有一个明确的选取方法，只有一个大概的选取范围，即0.95～1。本发明给出了具体的单元间同时率选取方法，可以在今后的网格化规划负荷预测过程中指导供电单元间同时率的取值。
由于供电网格为面积较大的综合型区域，之间同时率接近于1，因此供电区域的负荷计算方法为供电网格负荷直接累加，不再考虑供电网格间同时率。

Claims (6)

1.一种基于图神经网络和区域网格化的时空负荷预测方法，其特征在于：包括以下步骤，
步骤1：特征工程，选取数据特征；
步骤2：构建网络拓扑，并结合步骤1的特征信息；
步骤3：基于步骤2的拓扑图，对各个供电单元的特征信息进行传递；
步骤4：基于步骤2获得的网络拓扑图与步骤3中的供电单元特征信息，通过神经网络进行供电单元负荷预测；
步骤5：基于前四个步骤，划分网格，进行单元负荷的供电网格负荷预测。
2.根据权利要求1所述的基于图神经网络和区域网格化的时空负荷预测方法，其特征在于：所述步骤1包括以下子步骤，
步骤1-1：选取与负荷相关的特征量，如天气、时间、供电面积、用地信息、历史负荷信息，作为供电单元的特征属性；
步骤1-2：统计供电单元的特征属性进行向量化，用向量表示供电单元的属性；此处选用五个特征，表示为(T，W，L，S，E)∈R5。
3.根据权利要求1所述的基于图神经网络和区域网格化的时空负荷预测方法，其特征在于：所述步骤2包括以下子步骤，
步骤2-1：将供电单元作为图中的节点，各供电单元之间的线路作为图中的边，建立图模型；用
Figure FDA0002641404210000011
表示加权无向图，其中，v表示供电单元的集合，ε表示图中的边的集合，
Figure FDA0002641404210000013
表示加权邻接矩阵；
步骤2-2：对图中节点添加特征信息，对于供电单元，添加其特征属性
(T，W，L，S，E)∈R5
其中T表示时间，W表示天气信息，L表示历史负荷，S表示供电面积，E表示用地类型；
步骤2-3：构建邻接矩阵；图
Figure FDA0002641404210000021
的拉普拉斯矩阵为Δu＝D-W，其中D为图的度矩阵，即其对角线项为Dii＝∑jWij的矩阵，W为图的邻接矩阵；
步骤2-4：对步骤2-3中得到的拉普拉斯矩阵进行归一化，进行以下操作：
Δ＝D-1/2ΔuD-1/2＝I-D-1/2WD-1/2
其中I是单位矩阵，定义如下：
Figure FDA0002641404210000022
4.根据权利要求1所述的基于图神经网络和区域网格化的时空负荷预测方法，其特征在于：所述步骤3包括以下子步骤，
步骤3-1：定义图神经网络模型，对步骤2中得到的拉普拉斯矩阵进行谱分解：
Figure FDA0002641404210000023
其中Φ＝(φ1，...，φn)是Δ的正交向量，Λ＝diag(λ1，...，λn)是一个排好序的非负特征值的对角矩阵((0＝λ1≤λ2，...，λn)；
步骤3-2：进行消息传递；对于图中的一个信号
Figure FDA0002641404210000024
f(i)与图上的顶点一一对应，利用矩阵乘法将图上的傅里叶变换推广到矩阵形式：
Figure FDA0002641404210000031
即f在图上的傅里叶变换的矩阵形式为：
Figure FDA0002641404210000032
其逆变换形式为：
Figure FDA0002641404210000033
步骤3-3：利用卷积定理公式，如下：
Figure FDA0002641404210000034
定义两个信号g和f的频谱卷积为：
Figure FDA0002641404210000035
步骤3-4：利用切比雪夫多项式递归计算卷积和，如下所示：
Figure FDA0002641404210000036
其中
Figure FDA0002641404210000037
5.根据权利要求1所述的基于图神经网络和区域网格化的时空负荷预测方法，其特征在于：所述步骤4包括以下子步骤，
步骤4-1：计算图卷积层的第j个特征图：
Figure FDA0002641404210000041
其中
Figure FDA0002641404210000042
为输入的第i个特征图，
Figure FDA0002641404210000043
是可以训练的参数，Nin为上一层滤波器的数量，Nout为当前层输出，参数总数为NinNoutK；
步骤4-2：全连接神经网络进行预测；最后一个图卷积层的输出被平铺成一个向量并传递给全连接层，通过全连接层进行输出；
步骤4-3：基于处理过的特征信息，通过训练神经网络进行回归预测，预测出各个供电单元负荷的具体数值。
6.根据权利要求1所述的基于图神经网络和区域网格化的时空负荷预测方法，其特征在于：所述步骤5包括以下子步骤，
步骤5-1：使用矩阵及其已知操作实现网格表示，网格单元的长度取决于要解决的问题和可用的数据；
步骤5-2：进行空间负荷预测，空间负荷由一个矩阵表示，矩阵的每个元素包含该区域内的供电单元；
步骤5-3：累加单元负荷；供电单元内同时率是单元曲线叠加最大负荷与单元各用地负荷直接相加之和的比值；供电单元间同时率通过供电网格曲线叠加最大负荷与各个单元最大负荷之和来进行计算；假设某供电网格A内包含n个供电单元A1，A2，…An，则n个供电单元间的同时率为
Figure FDA0002641404210000044
式中：PA为不考虑供电单元层级同时率情况下，网格A的负荷；
Figure FDA0002641404210000045
为在不考虑单元内同时率情况下，供电单元An的负荷；
Figure FDA0002641404210000046
为供电单元An在考虑单元内同时率后的负荷；tA为不考虑供电单元层情况下，网格A的同时率；
Figure FDA0002641404210000051
则为供电单元An的同时率。
CN202010841035.3A 2020-08-20 2020-08-20 一种基于图神经网络和区域网格化的时空负荷预测方法 Pending CN112329973A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010841035.3A CN112329973A (zh) 2020-08-20 2020-08-20 一种基于图神经网络和区域网格化的时空负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010841035.3A CN112329973A (zh) 2020-08-20 2020-08-20 一种基于图神经网络和区域网格化的时空负荷预测方法

Publications (1)

Publication Number Publication Date
CN112329973A true CN112329973A (zh) 2021-02-05

Family

ID=74303668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010841035.3A Pending CN112329973A (zh) 2020-08-20 2020-08-20 一种基于图神经网络和区域网格化的时空负荷预测方法

Country Status (1)

Country Link
CN (1) CN112329973A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884230A (zh) * 2021-02-26 2021-06-01 润联软件系统(深圳)有限公司 基于多元时间序列的电力负荷预测方法、装置及相关组件
CN113505948A (zh) * 2021-09-13 2021-10-15 四川师范大学 基于贝叶斯网络的未来生态安全格局预测和优化方法
CN117271959A (zh) * 2023-11-21 2023-12-22 中南大学 一种pm2.5浓度预测结果的不确定性评估方法及设备
CN117335416A (zh) * 2023-11-24 2024-01-02 国网浙江省电力有限公司 一种用电负荷优化的方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408529A (zh) * 2014-11-21 2015-03-11 广东工业大学 电网短期负荷预测方法
CN106600050A (zh) * 2016-12-10 2017-04-26 国网辽宁省电力有限公司锦州供电公司 一种基于bp神经网络的超短期负荷预测方法
CN108182484A (zh) * 2017-12-04 2018-06-19 国网吉林省电力有限公司长春供电公司 基于网格化技术和bp神经网络的空间负荷预测方法
CN108491969A (zh) * 2018-03-16 2018-09-04 国家电网公司 基于大数据的空间负荷预测模型构建方法
CN110929918A (zh) * 2019-10-29 2020-03-27 国网重庆市电力公司南岸供电分公司 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN111210058A (zh) * 2019-12-26 2020-05-29 深圳供电局有限公司 一种基于网格化的配电网自上而下负荷预测信息方法
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系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408529A (zh) * 2014-11-21 2015-03-11 广东工业大学 电网短期负荷预测方法
CN106600050A (zh) * 2016-12-10 2017-04-26 国网辽宁省电力有限公司锦州供电公司 一种基于bp神经网络的超短期负荷预测方法
CN108182484A (zh) * 2017-12-04 2018-06-19 国网吉林省电力有限公司长春供电公司 基于网格化技术和bp神经网络的空间负荷预测方法
CN108491969A (zh) * 2018-03-16 2018-09-04 国家电网公司 基于大数据的空间负荷预测模型构建方法
CN110929918A (zh) * 2019-10-29 2020-03-27 国网重庆市电力公司南岸供电分公司 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN111210058A (zh) * 2019-12-26 2020-05-29 深圳供电局有限公司 一种基于网格化的配电网自上而下负荷预测信息方法
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系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PEIXIANG ZHONG ETC: "EEG-Based Emotion Recognition Using Regularized Graph Neural Networks", 《IEEE》 *
蒋建东等: "配电网网格化规划中空间负荷预测方法研究", 《郑州大学学报》 *
赵腾: "智能配电网大数据环境下的电力负荷及光伏电源时空分布预测方法研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884230A (zh) * 2021-02-26 2021-06-01 润联软件系统(深圳)有限公司 基于多元时间序列的电力负荷预测方法、装置及相关组件
CN112884230B (zh) * 2021-02-26 2022-05-24 润联软件系统(深圳)有限公司 基于多元时间序列的电力负荷预测方法、装置及相关组件
CN113505948A (zh) * 2021-09-13 2021-10-15 四川师范大学 基于贝叶斯网络的未来生态安全格局预测和优化方法
CN113505948B (zh) * 2021-09-13 2021-11-19 四川师范大学 基于贝叶斯网络的未来生态安全格局预测和优化方法
CN117271959A (zh) * 2023-11-21 2023-12-22 中南大学 一种pm2.5浓度预测结果的不确定性评估方法及设备
CN117271959B (zh) * 2023-11-21 2024-02-20 中南大学 一种pm2.5浓度预测结果的不确定性评估方法及设备
CN117335416A (zh) * 2023-11-24 2024-01-02 国网浙江省电力有限公司 一种用电负荷优化的方法、装置、设备及存储介质
CN117335416B (zh) * 2023-11-24 2024-03-01 国网浙江省电力有限公司 一种用电负荷优化的方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112329973A (zh) 一种基于图神经网络和区域网格化的时空负荷预测方法
US20220373984A1 (en) Hybrid photovoltaic power prediction method and system based on multi-source data fusion
CN108879708B (zh) 一种主动配电网的无功电压分区方法及系统
CN101232180A (zh) 一种配电系统负荷模糊建模装置及方法
CN111525587B (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
US20240014651A1 (en) Probability estimation method for photovoltaic power based on optimized copula function and photovoltaic power system
CN114418174A (zh) 电动汽车充电负荷预测方法
Zhang et al. Short-term load forecasting method based on EWT and IDBSCAN
Lai et al. Sub-region division based short-term regional distributed PV power forecasting method considering spatio-temporal correlations
CN113344283B (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
Zhang et al. Hybrid model for renewable energy and load forecasting based on data mining and EWT
CN116937563A (zh) 一种考虑时空相关性的空间负荷预测方法和系统
CN112103950A (zh) 一种基于改进gn分裂算法的电网分区方法
CN116758740A (zh) 一种基于数字孪生和信息树的智慧交通高效模拟方法
Gao et al. Short-term traffic flow prediction based on time-Space characteristics
CN116520074A (zh) 一种基于云边协同的有源配电网故障定位方法与系统
CN115293649A (zh) 一种区配电网智能精细化降损方法
CN114915030A (zh) 一种基于配电网运行拓扑的分布式状态估计方法及系统
CN113191740A (zh) 一种计量资产管理系统
Keyan et al. Anomaly detection method of distribution network line loss based on hybrid clustering and LSTM
CN111815022A (zh) 一种基于延时坐标嵌入法的电力负荷预测方法
Blagajac et al. A computational tool to support spatial electric load forecasting
CN113592565B (zh) 一种电力系统节点重要度预测方法
Tang et al. A Novel Ultra Short-Term Load Forecasting Method for Regional Electric Vehicle Charging Load Using Charging Pile Usage Degree
Meng et al. A Comparative Study of AutoML Approaches for Short-Term Electric Load Forecasting

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210205

WD01 Invention patent application deemed withdrawn after publication