CN115936255A - 一种配电网碳排放流预测方法 - Google Patents

一种配电网碳排放流预测方法 Download PDF

Info

Publication number
CN115936255A
CN115936255A CN202211739071.4A CN202211739071A CN115936255A CN 115936255 A CN115936255 A CN 115936255A CN 202211739071 A CN202211739071 A CN 202211739071A CN 115936255 A CN115936255 A CN 115936255A
Authority
CN
China
Prior art keywords
power
node
network
carbon emission
flow
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
CN202211739071.4A
Other languages
English (en)
Inventor
李桐
孙赫阳
杨超
张英丽
杨佳轩
龚钢军
宋进良
雷振江
刘扬
任帅
陈剑
张彬
阎宇航
邱兵兵
李菁菁
傅思敏
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
North China Electric Power University
State Grid Liaoning Electric Power Co Ltd
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
State Grid Liaoning Electric Power Co Ltd
Electric Power Research Institute of State Grid Liaoning 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, North China Electric Power University, State Grid Liaoning Electric Power Co Ltd, Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211739071.4A priority Critical patent/CN115936255A/zh
Publication of CN115936255A publication Critical patent/CN115936255A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于配电网技术领域，尤其涉及一种配电网碳排放流预测方法，更具体的是一种基于图卷积网络的配电网碳排放流预测方法。相较于原有的碳排放流计算方法，本发明通过图卷积神经网络对配电网的拓扑结构进行建模，根据配电网潮流计算完成的结果作为图卷积模型的输入，根据图拓扑模型实现相邻节点的信息共享，完成对某节点的排放流的预测，大大提升了计算的速度；其次，对于接入分布式微网的配电网结构，本发明提出了一种考虑分布式微网的碳排放流计算方法，通过潮流交替迭代计算，得出连接节点的电压幅值和相角，建立微网的潮流分布矩阵，实现发电机组碳流向各节点的分摊，得出微网中每个节点的碳排放强度。

Description

一种配电网碳排放流预测方法
技术领域
本发明属于配电网技术领域，尤其涉及一种配电网碳排放流预测方法，更具体的是一种基于图卷积网络的配电网碳排放流预测方法。
背景技术
在电力行业，传统的碳排放量计算采用宏观统计法，通过能源消耗量的统计数据进行统计计算。虽然方法具有简单实用性，但是碳排放的流向无法获得，从而电力系统碳排放的特点也无法被深度挖掘，进而不能够为电力行业节能减排提供更多数据支撑。
随着专家学者对电力系统中的碳排放特点的研究越来越深入，碳流分析法应运而生。碳流分析法其通常与潮流分析相融合，并结合节点碳势、碳流率、排放强度等相关参数对碳排放具体流向进行确跟踪和定位，深度挖掘电力系统碳排放的特点，从而在精准获取系统的总体碳排放的情况下，可进一步将发电厂的排放公平分摊到各节点负荷，实现了电力系统碳流分析理论的巨大发展和进步。
文献《电力系统碳排放流分析理论初探》结合网络分析技术，提出一种依附于潮流而存在的虚拟网络流的思想，给出了有关碳排放计算的关键指标和概念以及碳流分析理论的基本体系和框架。
文献《电力系统碳排放流的基本计算方法初探》、《碳排放流在电力网络中分布的特性与机理分析》于文献《电力系统碳排放流分析理论初探》碳排放流的概念，进一步挖掘有功潮流分布及节点碳势的联系，提出无损状态下电力系统碳排放流的基本计算方法，揭示碳排放流在电力网络中的分布特性和传输消费机理。
以上文献挖掘了电力系统碳排放的特点，但是从电网拓扑结构的局部对碳排放流进行计算，计算步骤较为繁琐复杂；并且实际拓扑与计算碳排放流的仿真拓扑往往不一致，存在许多可再生能源接入的情况；由于可再生能源发电机组出力的随机性，使得不同时刻的电网潮流不一致，大大增加了计算的工作量。
随着微网的数量逐渐增加，电网拓扑结构的日益复杂化，如何根据潮流计算结果，快速准确地对节点以及支路的碳排放强度、碳势进行预测，量化网络中各节点的清洁能源占比，以实时掌握网络中碳流情况，是一个需要解决的问题。
分布式微网越来越多接入到配电网当中，由于配电网与微网之间存在相互影响，传统潮流计算方法无法对分布式微网的碳排放流进行计算。因此，如何实现对配电网中分布式微网碳排放流的计算是一个需要解决的问题。
发明内容
针对上述现有技术中存在的不足之处，本发明提供了一种配电网碳排放流预测方法。其目的是为了通过发电机组碳流向各节点的分摊，得出微网中每个节点的碳排放强度，快速完成对某节点的排放流的预测，实现大大提升计算速度的发明目的。
本发明为实现上述目的所采用的技术方案是：
一种配电网碳排放流预测方法，包括：
对网络进行碳排放流计算；获得所有节点的碳排放强度、碳势，所有节点的电压、电流值作为预测模型的输入数据，节点之间支路的碳排放强度作为图卷积网络模型的边；图卷积网络碳排放流预测模型；将节点的电压电流值、支路的碳排放强度、节点的碳排放强度以及碳势作为数据输入，对图卷积网络的输入，对模型进行训练，得到训练完成的模型之后，将实际的各节点的电压和电流数据，输入到预测模型当中，实现网络中某一节点、支路的碳排放强度和碳势的实时预测。
更进一步的，所述对网络进行碳排放流计算，包括：无微网和含分布式微网两种情况。
更进一步的，所述无微网情况包括：
步骤1.输入网络的网络拓扑结构，初始化网络中的节点状态；
步骤2.构建功率平衡方程式，得到机组的有功、无功功率输出,PGi、QGi为接入节点i发电机有功和无功功率，PLi、QLi为网络输入节点的有功和无功负荷；
Figure BDA0004032748150000021
Figure BDA0004032748150000022
上式中，Uj为节点i的电压幅值，Gij为分别为支路i-j电导幅值，Bij为支路i-j电纳的幅值，δijo为节点i和节点j的电压相角；
步骤3.对方程进行求解，得出网络中节点的电压Ui和相角δi；
步骤4.根据支路的上游输入功率Pij和接入节点i发电机有功功率PGi，构建潮流分布矩阵Au，PG为各机组有功功率向量，P为流过功率向量；
AuP＝PG (3)
步骤5.根据机组的运行状态和功率输出，对机组进行建模，得出机组的碳排放强度；
步骤6.根据机组的碳排放强度和潮流分布矩阵Au，计算出各节点的碳排放强度以及碳势；
火力机组碳排放强度为：
Figure BDA0004032748150000031
式中：
Figure BDA0004032748150000032
为二氧化碳的摩尔质量；Mc为碳的摩尔质量；μi为机组i的燃煤含碳率；
Figure BDA0004032748150000033
为机组i燃煤的碳氧化率；σi为碳捕集率，wi为机组i的度电煤耗；
k个机组碳排放强度向量EG：：
EG＝[EG1,EG2,...,EGK]T (5)
式中，T为转置；
节点碳势向量E的计算公式为：
Figure BDA0004032748150000034
上式中，PG为各机组有功功率向量，P为流过功率向量，
Figure BDA0004032748150000035
为各支路通过的有功功率向量的转置，
Figure BDA0004032748150000036
为各机组有功功率向量的转置；
节点碳势eα为描述节点碳排放强度的物理量，即在节点消耗单位电量所造成的发电侧等效碳排放值；设具有N个节点，即α＝1，2，...，N；同时N+为节点α相连的所有支路集合，Pb为支路有功潮流；
Figure BDA0004032748150000037
Rc为支路碳排放流率，即为单位时间内某条支路上通过的碳流量，计算公式如下：
Figure BDA0004032748150000041
式中：Fc为碳流量。
更进一步的，所述含分布式微网情况包括：
步骤21.输入网络包含主网络和微网的网络拓扑结构，初始化网络中的节点状态；将微网与主网络的连接节点和微网的出力机组节点视为平衡节点；
步骤22.构建功率平衡方程式(1)、(2)，设定连接节点接入发电机的有功、无功功率输出，分别为PGi、QGi，PLi、QLi为网络输入节点的有功、无功负荷；
Figure BDA0004032748150000042
Figure BDA0004032748150000043
步骤23.对方程进行求解，得出配电网连接节点的电压Ui和相角δi；
步骤24.根据步骤23的结果，根据微网的潮流平衡方程，求解连接节点的功率；同时，不断迭代主网络中的功率值，使其达到收敛，得到最终的连接节点的功率值；
步骤25.根据微网上节点j的连接节点的输入功率Pij和支路连接机组输入功率PGi，构建潮流分布矩阵Au，PG为机组有功功率向量，P为流过功率向量；公式(12)中Au是公式(11)的矩阵表示；
Figure BDA0004032748150000044
AuP＝PG (12)
式中，Pj为节点j的通过功率,Pi为节点i的通过功率,PGj为节点j接入发电机的有功功率，PG为所有发电机组的有功功率；
步骤26.根据机组的碳排放强度和潮流分布矩阵，计算出微网中各节点的碳排放强度以及碳势，公式为：
Figure BDA0004032748150000045
更进一步的，所述卷积有两种方式：
一是在时域或空域上通过与卷积核进行内积运算；
二是通过傅里叶变换，将时域或空域信号变成频域信号在频域上进行相乘；
所述图卷积网络由图卷积层和全连接层组成，将输入数据送到卷积层，进行卷积操作，将卷积层输出的数据，经过一个全连接层，得到最后的输出结果；卷积核的消息传递在于通过卷积运算，使得任一节点相邻节点的信息传递到该节点上；将空域信号转变成为频域信号，再进行相乘操作；
假设电网母线节点上的能够采集电压、电流的三相数据，对于电网中一个给定的母线i，其电压、电流数据为
Figure BDA0004032748150000051
没有测量到的相位数据为0；设各母线上的负荷为Z；图卷积网络输入数据样本为
Figure BDA0004032748150000052
n0表示为电网网络拓扑上的母线个数；将节点的碳排放流计算任务建模为一个节点预测任务，对于一个给定的数据矩阵X,Z，输入到预测模型f当中，由f(X)得到目标母线的预测结果yi；如果预测的节点碳排放流结果yi与母线仿真的碳排放流结果相同，则表明碳排放流预测模型输出结果是正确的。
更进一步的，所述碳排放流预测流程包括：
步骤(1)根据网络中的能源路由器、发电机组、母线节点、负荷以及新能源接入机组，建立电网网络拓扑结构；
步骤(2)根据网络拓扑结构建立图卷积模型，定义模型的边、点以及卷积核；
步骤(3)将各节点的电压电流数据和负荷数据；
Figure BDA0004032748150000053
作为模型的输入，将碳排放强度作为模型的输出数据；
步骤(4)对图卷积网络进行训练。
更进一步的，所述图卷积网络包括以下步骤：
计算网络的度矩阵和邻接矩阵，得到拉普拉斯矩阵L，L由图的度矩阵、邻接矩阵和拉普拉斯矩阵；拉普拉斯矩阵描述了由空间域到频域的变换过程，计算拉普拉斯矩阵的特征值和特征向量，为实现图的傅里叶变换；则L进行谱分解，即对角化，L的对角化形式如下所示：
Figure BDA0004032748150000061
定义对图上的傅里叶变换F(λl)，将图的N维向量f与L的第l个特征向量ul做内积运算，其中f(i)表示图上的第i个节点的值，
Figure BDA0004032748150000062
为ul的第i个分量，
Figure BDA0004032748150000063
是在特征值λl下的频谱值；将所有的特征值的
Figure BDA0004032748150000064
组合在一起，变成图傅里叶变换的矩阵形式，由式(10)所示；将卷积核与频谱值相乘，得到经过消息传递后的结果；
Figure BDA0004032748150000065
Figure BDA0004032748150000066
定义卷积核gθ(Λ)，如式(11)所示，该卷积核的作用在于使其在频域实现了消息传递(Massage Passing)，其效果等同于在图的空间拓扑当中，实现了其周围节点信息汇聚作用；
Figure BDA0004032748150000067
将卷积核gθ(Λ)与输入信号f进行频域卷积；
输出数据进入全连接层当中，全连接层的各层参数对输入数据进行计算。
一种配电网碳排放流预测装置，其中，无微网情况，包括：
输入模块，用于输入网络的网络拓扑结构，初始化网络中的节点状态；
构建模块，用于构建功率平衡方程式，得到机组的有功、无功功率输出；
求解模块，用于对方程进行求解，得出网络中节点的电压和相角；
构建模块，用于根据支路的上游输入功率和支路连接机组输入功率，构建潮流分布矩阵；
建模模块，用于根据机组的运行状态和功率输出，对机组进行建模，得出机组的碳排放强度；
计算模块，用于根据机组的碳排放强度和潮流分布矩阵，计算出各节点的碳排放强度以及碳势；
其中，含分布式微网情况，包括：
输入模块，用于输入网络包含主网络和微网的网络拓扑结构，初始化网络中的节点状态；将微网与主网络的连接节点和微网的出力机组节点视为平衡节点；
构建模块，用于构建功率平衡方程式，设定连接节点的有功、无功功率输出；
求解模块，用于对方程进行求解，得出配电网连接节点的电压和相角；
求解模块，用于根据步骤23的结果，根据微网的潮流平衡方程，求解连接节点的功率；同时，不断迭代主网络中的功率值，使其达到收敛，得到最终的连接节点的功率值；
构建模块，用于根据微网上节点的连接节点的输入功率和支路连接机组输入功率，构建潮流分布矩阵；
计算模块，用于根据机组的碳排放强度和潮流分布矩阵，计算出微网中各节点的碳排放强度以及碳势。
一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任一所述的一种配电网碳排放流预测方法的步骤。
一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现任一所述的一种配电网碳排放流预测方法的步骤。
本发明具有以下有益效果及优点：
相较于原有的碳排放流计算方法，本发明通过图卷积神经网络对配电网的拓扑结构进行建模，根据配电网潮流计算完成的结果作为图卷积模型的输入，根据图拓扑模型实现相邻节点的信息共享，完成对某节点的排放流的预测，大大提升了计算的速度。
其次，对于接入分布式微网的配电网结构，本发明提出了一种考虑分布式微网的碳排放流计算方法，通过潮流交替迭代计算，得出连接节点的电压幅值和相角，建立微网的潮流分布矩阵，实现发电机组碳流向各节点的分摊，得出微网中每个节点的碳排放强度。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明基于图卷积网络的碳排放流预测方法流程图；
图2是本发明不包含微网的网络节点碳排放流计算方法流程图；
图3是本发明包含分布式微网的碳排放流计算方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1-图3描述本发明一些实施例的技术方案。
实施例1
本发明提供了一个实施例，是一种配电网碳排放流预测方法，具体是一种基于图神经卷积网络的配电网含分布式微网碳排放流预测模型。
如图1所示，图1是本发明基于图卷积网络的碳排放流预测方法流程图。本发明公开了一种该基于图卷积网络的配电网(含分布式微网)碳排放流预测方法，整体结构图如图1，具体包括：
第一.对网络进行碳排放流计算；
获得所有节点的碳排放强度、碳势，所有节点的电压、电流值作为预测模型的输入数据，节点之间支路的碳排放强度作为图卷积网络模型的边。下面针对无微网和含分布式微网两种情况分别进行分析如下。
(1)无微网情况。
步骤1.输入网络的网络拓扑结构，初始化网络中的节点状态；
步骤2.构建功率平衡方程式(1)、(2)，得到机组的有功、无功功率输出，分别为PGi、QGi为接入节点i发电机有功和无功功率，PLi、QLi为网络输入节点的有功和无功负荷；
Figure BDA0004032748150000091
Figure BDA0004032748150000092
上式中，Uj为节点i的电压幅值，Gij为分别为支路i-j电导幅值，Bij为支路i-j电纳的幅值，δijo为节点i和节点j的电压相角。
步骤3.对方程进行求解，得出网络中节点的电压Ui和相角δi；
步骤4.根据支路的上游输入功率Pij和支路接入发电机有功功率PGi，构建潮流分布矩阵Au，PG为各机组有功功率向量，P为流过功率向量；
AuP＝PG (19)
步骤5.根据机组的运行状态和功率输出，对机组进行建模，得出机组的碳排放强度；
步骤6.根据机组的碳排放强度和潮流分布矩阵Au，计算出各节点的碳排放强度以及碳势。
火力机组碳排放强度为：
Figure BDA0004032748150000093
式中：
Figure BDA0004032748150000094
为二氧化碳的摩尔质量；Mc为碳的摩尔质量；μi为机组i的燃煤含碳率；
Figure BDA0004032748150000095
为机组i燃煤的碳氧化率；σi为碳捕集率,wi为机组i的度电煤耗。
k个机组碳排放强度向量EG：：
EG＝[EG1,EG2,...,EGK]T (21)
式中，T为转置。
节点碳势向量E的计算公式为：
Figure BDA0004032748150000101
上式中，PG为各机组有功功率向量，P为流过功率向量，
Figure BDA0004032748150000102
为各支路经过的有功功率向量的转置，
Figure BDA0004032748150000103
为各机组有功功率向量的转置。
节点碳势eα为描述节点碳排放强度的物理量，即在节点消耗单位电量所造成的发电侧等效碳排放值。设具有N个节点，即α＝1，2，...，N。同时N+为节点α相连的所有支路集合，Pb为支路有功潮流。
Figure BDA0004032748150000104
Rc为支路碳排放流率(简称碳流率)，即为单位时间内某条支路上通过的碳流量，计算公式如下：
Figure BDA0004032748150000105
式中：Fc为碳流量。
(2)含分布式微网情况。
由于配电网(主网络)与微网之间存在相互耦合的情况，两网之间的能量流相互传递。对于微网场景，方法(1)无微网情况不能对其进行求解。
针对分布式微网的碳排放流计算方法，通过对主网络和微网构建网络拓扑模型，进行网络的潮流计算迭代，计算连接节点的有功、无功功率，得到微网的潮流分布矩阵，再通过潮流分布矩阵计算微网当中各节点的碳排放强度、碳势。含微网的碳排放流计算步骤如下：
步骤21.输入网络包含主网络和微网的网络拓扑结构，初始化网络中的节点状态；将微网与主网络的连接节点和微网的出力机组节点视为平衡节点。
步骤22.构建功率平衡方程式(1)、(2)，设定连接节点接入发电机的有功、无功功率输出，分别为PGi、QGi，PLi、QLi为网络输入节点的有功、无功负荷；
Figure BDA0004032748150000106
Figure BDA0004032748150000111
步骤23.对方程进行求解，得出配电网连接节点的电压Ui和相角δi；
步骤24.根据步骤23的结果，根据微网的潮流平衡方程，求解连接节点的功率。同时，不断迭代主网络中的功率值，使其达到收敛，得到最终的连接节点的功率值。
步骤25.根据微网上节点j的连接节点的输入功率Pij和支路连接机组输入功率PGi，构建潮流分布矩阵Au，PG为机组有功功率向量，P为流过功率向量。公式(12)中Au是公式(11)的矩阵表示。
Figure BDA0004032748150000112
AuP＝PG (28)
式中，Pj为节点j的经过功率,Pi为节点i的经过功率,PGj为节点j接入发电机的有功功率，PG为所有发电机组的有功功率。
步骤26.根据机组的碳排放强度和潮流分布矩阵，计算出微网中各节点的碳排放强度以及碳势。具体公式与无微网情况(1)中步骤6一致。
节点碳势向量E的计算公式为：
Figure BDA0004032748150000113
第二.图卷积网络碳排放流预测模型。
将节点的电压电流值、支路的碳排放强度、节点的碳排放强度以及碳势作为数据输入，对图卷积网络的输入，对模型进行训练。得到训练完成的模型之后，将实际的各节点的电压和电流数据，输入到预测模型当中，实现网络中某一节点、支路的碳排放强度和碳势的实时预测。
图拓扑信息相较于一维时序信息和二维图像信息具有天然的非欧几里得特性。卷积有两种方式：
一是在时域或空域上通过与卷积核进行内积运算；
二是通过傅里叶变换，将时域或空域信号变成频域信号在频域上进行相乘。
图卷积网络基本由图卷积层和全连接层组成。首先将输入数据送到卷积层，进行卷积操作，之后将卷积层输出的数据，经过一个全连接层，得到最后的输出结果。卷积核的消息传递在于通过卷积运算，使得图上任一节点相邻节点的信息传递到该节点上。由于在图拓扑结构上面不能实现空域的平移操作。因此，只能将空域信号转变成为频域信号，再进行相乘操作。
假设电网母线节点上的能够采集电压、电流的三相数据。对于电网中一个给定的母线i，其电压、电流数据为
Figure BDA0004032748150000121
没有测量到的相位数据为0。设各母线上的负荷为Z。图卷积网络输入数据样本为
Figure BDA0004032748150000122
n0表示为电网网络拓扑上的母线个数。本方法提出的模型将节点的碳排放流计算任务建模为一个节点预测任务，对于一个给定的数据矩阵X,Z，输入到预测模型f当中，由f(X)得到目标母线的预测结果yi。如果预测的节点碳排放流结果yi与母线仿真的碳排放流结果相同，则表明碳排放流预测模型输出结果是正确的。
碳排放流预测具体流程如下：
步骤(1)根据网络中的能源路由器、发电机组、母线节点、负荷以及新能源接入机组，建立电网网络拓扑结构；
步骤(2)根据网络拓扑结构建立图卷积模型，定义模型的边、点以及卷积核；
定义图卷积网络的步骤为：计算网络的度矩阵和邻接矩阵，得到拉普拉斯矩阵L，L由图的度矩阵、邻接矩阵和拉普拉斯矩阵。拉普拉斯矩阵描述了由空间域到频域的变换过程，计算拉普拉斯矩阵的特征值和特征向量，为实现图的傅里叶变换。由于L是一个实对称矩阵，其一定具有n个线性无关的特征向量。则L可以进行谱分解，即对角化。L的对角化形式如下所示。
Figure BDA0004032748150000123
定义对图上的傅里叶变换F(λl)。将图的N维向量f与L的第l个特征向量ul做内积运算，如下公式所示，其中f(i)表示图上的第i个节点的值，
Figure BDA0004032748150000124
为ul的第i个分量，
Figure BDA0004032748150000125
是在特征值λl下的频谱值；将所有的特征值的
Figure BDA0004032748150000126
组合在一起，变成图傅里叶变换的矩阵形式，由式(10)所示；将卷积核与频谱值相乘，得到经过消息传递后的结果。
Figure BDA0004032748150000131
Figure BDA0004032748150000132
定义卷积核gθ(Λ)，如式(11)所示。该卷积核的作用在于使其在频域实现了消息传递(Massage Passing)，其效果等同于在图的空间拓扑当中，实现了其周围节点信息汇聚作用。
Figure BDA0004032748150000133
将卷积核gθ(Λ)与输入信号f进行频域卷积。
输出数据进入全连接层当中；全连接层的各层参数对输入数据进行计算。
步骤(3)将各节点的电压电流数据和负荷数据；
Figure BDA0004032748150000134
作为模型的输入，将碳排放强度作为模型的输出数据；
步骤(4)对图卷积网络进行训练。
实施例2
本发明又提供了一个实施例，是一种配电网碳排放流预测方法装置，其中无微网情况，包括：
输入模块，用于输入网络的网络拓扑结构，初始化网络中的节点状态；
构建模块，用于构建功率平衡方程式，得到机组的有功、无功功率输出；
求解模块，用于对方程进行求解，得出网络中节点的电压和相角；
构建模块，用于根据支路的上游输入功率和支路连接机组输入功率，构建潮流分布矩阵；
建模模块，用于根据机组的运行状态和功率输出，对机组进行建模，得出机组的碳排放强度；
计算模块，用于根据机组的碳排放强度和潮流分布矩阵，计算出各节点的碳排放强度以及碳势。
其中，含分布式微网情况，包括：
输入模块，用于输入网络包含主网络和微网的网络拓扑结构，初始化网络中的节点状态；将微网与主网络的连接节点和微网的出力机组节点视为平衡节点；
构建模块，用于构建功率平衡方程式，设定连接节点的有功、无功功率输出；
步骤3包括：求解模块，用于对方程进行求解，得出配电网连接节点的电压和相角；
求解模块，用于根据步骤23的结果，根据微网的潮流平衡方程，求解连接节点的功率；同时，不断迭代主网络中的功率值，使其达到收敛，得到最终的连接节点的功率值；
构建模块，用于根据微网上节点的连接节点的输入功率和支路连接机组输入功率，构建潮流分布矩阵；
计算模块，用于根据机组的碳排放强度和潮流分布矩阵，计算出微网中各节点的碳排放强度以及碳势。
实施例3
基于同一发明构思，本发明实施例还提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现实施例1-2所述的任意一种配电网碳排放流预测方法的步骤。
实施例4
基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现实施例1-2所述的任意一种配电网碳排放流预测方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种配电网碳排放流预测方法，其特征是：包括：
对网络进行碳排放流计算；获得所有节点的碳排放强度、碳势，所有节点的电压、电流值作为预测模型的输入数据，节点之间支路的碳排放强度作为图卷积网络模型的边；
图卷积网络碳排放流预测模型；将节点的电压电流值、支路的碳排放强度、节点的碳排放强度以及碳势作为数据输入，对图卷积网络的输入，对模型进行训练，得到训练完成的模型之后，将实际的各节点的电压和电流数据，输入到预测模型当中，实现网络中某一节点、支路的碳排放强度和碳势的实时预测。
2.根据权利要求1所述的一种配电网碳排放流预测方法，其特征是：所述对网络进行碳排放流计算，包括：无微网和含分布式微网两种情况。
3.根据权利要求2所述的一种配电网碳排放流预测方法，其特征是：所述无微网情况包括：
步骤1.输入网络的网络拓扑结构，初始化网络中的节点状态；
步骤2.构建功率平衡方程式，得到机组的有功、无功功率输出,PGi、QGi为接入节点i发电机有功和无功功率，PLi、QLi为网络输入节点的有功和无功负荷；
Figure FDA0004032748140000011
Figure FDA0004032748140000012
上式中，Uj为节点i的电压幅值，Gij为分别为支路i-j电导幅值，Bij为支路i-j电纳的幅值，δijo为节点i和节点j的电压相角；
步骤3.对方程进行求解，得出网络中节点的电压Ui和相角δi；
步骤4.根据支路的上游输入功率Pij和接入节点i发电机有功功率PGi，构建潮流分布矩阵Au，PG为各机组有功功率向量，P为流过功率向量；
AuP＝PG (3)
步骤5.根据机组的运行状态和功率输出，对机组进行建模，得出机组的碳排放强度；
步骤6.根据机组的碳排放强度和潮流分布矩阵Au，计算出各节点的碳排放强度以及碳势；
火力机组碳排放强度为：
Figure FDA0004032748140000021
式中：Mco2为二氧化碳的摩尔质量；Mc为碳的摩尔质量；μi为机组i的燃煤含碳率；
Figure FDA0004032748140000022
为机组i燃煤的碳氧化率；σi为碳捕集率，wi为机组i的度电煤耗；k个机组碳排放强度向量EG：：
EG＝[EG1,EG2,...,EGK]T (5)
式中，T为转置；
节点碳势向量E的计算公式为：
Figure FDA0004032748140000023
上式中，PG为各机组有功功率向量，P为流过功率向量，
Figure FDA0004032748140000024
为各支路通过的有功功率向量的转置，
Figure FDA0004032748140000025
为各机组有功功率向量的转置；
节点碳势eα为描述节点碳排放强度的物理量，即在节点消耗单位电量所造成的发电侧等效碳排放值；设具有N个节点，即α＝1,2,...,N；同时N+为节点α相连的所有支路集合，Pb为支路有功潮流；
Figure FDA0004032748140000026
Rc为支路碳排放流率，即为单位时间内某条支路上通过的碳流量，计算公式如下：
Figure FDA0004032748140000027
式中：Fc为碳流量。
4.根据权利要求2所述的一种配电网碳排放流预测方法，其特征是：所述含分布式微网情况包括：
步骤21.输入网络包含主网络和微网的网络拓扑结构，初始化网络中的节点状态；将微网与主网络的连接节点和微网的出力机组节点视为平衡节点；
步骤22.构建功率平衡方程式(1)、(2)，设定连接节点接入发电机的有功、无功功率输出，分别为PGi、QGi，PLi、QLi为网络输入节点的有功、无功负荷；
Figure FDA0004032748140000031
Figure FDA0004032748140000032
步骤23.对方程进行求解，得出配电网连接节点的电压Ui和相角δi；
步骤24.根据步骤23的结果，根据微网的潮流平衡方程，求解连接节点的功率；同时，不断迭代主网络中的功率值，使其达到收敛，得到最终的连接节点的功率值；
步骤25.根据微网上节点j的连接节点的输入功率Pij和支路连接机组输入功率PGi，构建潮流分布矩阵Au，PG为机组有功功率向量，P为流过功率向量；公式(12)中Au是公式(11)的矩阵表示；
Figure FDA0004032748140000033
AuP＝PG (12)
式中，Pj为节点j的通过功率,Pi为节点i的通过功率,PGj为节点j接入发电机的有功功率，PG为所有发电机组的有功功率；
步骤26.根据机组的碳排放强度和潮流分布矩阵，计算出微网中各节点的碳排放强度以及碳势，公式为：
Figure FDA0004032748140000034
5.根据权利要求1所述的一种配电网碳排放流预测方法，其特征是：所述卷积有两种方式：
一是在时域或空域上通过与卷积核进行内积运算；
二是通过傅里叶变换，将时域或空域信号变成频域信号在频域上进行相乘；
所述图卷积网络由图卷积层和全连接层组成，将输入数据送到卷积层，进行卷积操作，将卷积层输出的数据，经过一个全连接层，得到最后的输出结果；卷积核的消息传递在于通过卷积运算，使得任一节点相邻节点的信息传递到该节点上；将空域信号转变成为频域信号，再进行相乘操作；
假设电网母线节点上的能够采集电压、电流的三相数据，对于电网中一个给定的母线i，其电压、电流数据为
Figure FDA0004032748140000041
没有测量到的相位数据为0；设各母线上的负荷为Z；图卷积网络输入数据样本为
Figure FDA0004032748140000042
n0表示为电网网络拓扑上的母线个数；将节点的碳排放流计算任务建模为一个节点预测任务，对于一个给定的数据矩阵X,Z，输入到预测模型f当中，由f(X)得到目标母线的预测结果yi；如果预测的节点碳排放流结果yi与母线仿真的碳排放流结果相同，则表明碳排放流预测模型输出结果是正确的。
6.根据权利要求5所述的一种配电网碳排放流预测方法，其特征是：所述碳排放流预测流程包括：
步骤(1)根据网络中的能源路由器、发电机组、母线节点、负荷以及新能源接入机组，建立电网网络拓扑结构；
步骤(2)根据网络拓扑结构建立图卷积模型，定义模型的边、点以及卷积核；
步骤(3)将各节点的电压电流数据和负荷数据；
Figure FDA0004032748140000043
作为模型的输入，将碳排放强度作为模型的输出数据；
步骤(4)对图卷积网络进行训练。
7.根据权利要求6所述的一种配电网碳排放流预测方法，其特征是：所述图卷积网络包括以下步骤：
计算网络的度矩阵和邻接矩阵，得到拉普拉斯矩阵L，L由图的度矩阵、邻接矩阵和拉普拉斯矩阵；拉普拉斯矩阵描述了由空间域到频域的变换过程，计算拉普拉斯矩阵的特征值和特征向量，为实现图的傅里叶变换；则L进行谱分解，即对角化，L的对角化形式如下所示：
Figure FDA0004032748140000051
定义对图上的傅里叶变换F(λl)，将图的N维向量f与L的第l个特征向量ul做内积运算，其中f(i)表示图上的第i个节点的值，
Figure FDA0004032748140000052
为ul的第i个分量，
Figure FDA0004032748140000053
是在特征值λl下的频谱值；将所有的特征值的
Figure FDA0004032748140000054
组合在一起，变成图傅里叶变换的矩阵形式，由式(10)所示；将卷积核与频谱值相乘，得到经过消息传递后的结果；
Figure FDA0004032748140000055
Figure FDA0004032748140000056
定义卷积核gθ(Λ)，如式(11)所示，该卷积核的作用在于使其在频域实现了消息传递(Massage Passing)，其效果等同于在图的空间拓扑当中，实现了其周围节点信息汇聚作用；
Figure FDA0004032748140000057
将卷积核gθ(Λ)与输入信号f进行频域卷积；
输出数据进入全连接层当中，全连接层的各层参数对输入数据进行计算。
8.一种配电网碳排放流预测装置，其特征是：其中，无微网情况，包括：
输入模块，用于输入网络的网络拓扑结构，初始化网络中的节点状态；
构建模块，用于构建功率平衡方程式，得到机组的有功、无功功率输出；
求解模块，用于对方程进行求解，得出网络中节点的电压和相角；
构建模块，用于根据支路的上游输入功率和支路连接机组输入功率，构建潮流分布矩阵；
建模模块，用于根据机组的运行状态和功率输出，对机组进行建模，得出机组的碳排放强度；
计算模块，用于根据机组的碳排放强度和潮流分布矩阵，计算出各节点的碳排放强度以及碳势；
其中，含分布式微网情况，包括：
输入模块，用于输入网络包含主网络和微网的网络拓扑结构，初始化网络中的节点状态；将微网与主网络的连接节点和微网的出力机组节点视为平衡节点；
构建模块，用于构建功率平衡方程式，设定连接节点的有功、无功功率输出；
求解模块，用于对方程进行求解，得出配电网连接节点的电压和相角；
求解模块，用于根据步骤23的结果，根据微网的潮流平衡方程，求解连接节点的功率；同时，不断迭代主网络中的功率值，使其达到收敛，得到最终的连接节点的功率值；
构建模块，用于根据微网上节点的连接节点的输入功率和支路连接机组输入功率，构建潮流分布矩阵；
计算模块，用于根据机组的碳排放强度和潮流分布矩阵，计算出微网中各节点的碳排放强度以及碳势。
9.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一权利要求所述的一种配电网碳排放流预测方法的步骤。
10.一种计算机存储介质，其特征是：所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一权利要求所述的一种配电网碳排放流预测方法的步骤。
CN202211739071.4A 2022-12-30 2022-12-30 一种配电网碳排放流预测方法 Pending CN115936255A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211739071.4A CN115936255A (zh) 2022-12-30 2022-12-30 一种配电网碳排放流预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211739071.4A CN115936255A (zh) 2022-12-30 2022-12-30 一种配电网碳排放流预测方法

Publications (1)

Publication Number Publication Date
CN115936255A true CN115936255A (zh) 2023-04-07

Family

ID=86654397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211739071.4A Pending CN115936255A (zh) 2022-12-30 2022-12-30 一种配电网碳排放流预测方法

Country Status (1)

Country Link
CN (1) CN115936255A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910569A (zh) * 2023-09-13 2023-10-20 中电车联信安科技有限公司 一种车辆碳排放大数据监测方法、系统、装置及存储介质
CN117670586A (zh) * 2023-11-28 2024-03-08 东北大学佛山研究生创新学院 一种基于图神经网络的电网节点碳因子预测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910569A (zh) * 2023-09-13 2023-10-20 中电车联信安科技有限公司 一种车辆碳排放大数据监测方法、系统、装置及存储介质
CN116910569B (zh) * 2023-09-13 2023-12-19 中电车联信安科技有限公司 一种车辆碳排放大数据监测方法、系统、装置及存储介质
CN117670586A (zh) * 2023-11-28 2024-03-08 东北大学佛山研究生创新学院 一种基于图神经网络的电网节点碳因子预测方法及系统

Similar Documents

Publication Publication Date Title
Zhang et al. Wind power prediction based on variational mode decomposition multi-frequency combinations
Xiao et al. A hybrid model based on selective ensemble for energy consumption forecasting in China
Huang et al. Deepopf-v: Solving ac-opf problems efficiently
CN115936255A (zh) 一种配电网碳排放流预测方法
Wang et al. An innovative hybrid approach for multi-step ahead wind speed prediction
CN103440370A (zh) 一种输变电工程造价评估方法及装置
Huang et al. Spatio-temporal wind speed prediction based on Clayton Copula function with deep learning fusion
CN104113061B (zh) 一种含分布式电源的配电网三相潮流计算方法
CN113193556A (zh) 基于概率预测模型的短期风电功率预测方法
Dong et al. Short-term wind speed time series forecasting based on a hybrid method with multiple objective optimization for non-convex target
Kaplan et al. A novel method based on Weibull distribution for short-term wind speed prediction
CN107220758A (zh) 一种电网规划辅助系统
Wu et al. Graph attention enabled convolutional network for distribution system probabilistic power flow
CN109886560A (zh) 配电网改造措施与电压合格率指标关联性挖掘方法及装置
Ye et al. Combined Gaussian mixture model and cumulants for probabilistic power flow calculation of integrated wind power network
Jiang et al. Enhanced dynamic equivalent identification method of large-scale power systems using multiple events
Zhao et al. Super short term combined power prediction for wind power hydrogen production
Zhu et al. Wind Speed Short-Term Prediction Based on Empirical Wavelet Transform, Recurrent Neural Network and Error Correction
de Jongh et al. Physics-informed geometric deep learning for inference tasks in power systems
CN106650060B (zh) 一种光伏电池内阻衰减系数预测方法
CN116522785A (zh) 一种基于量子计算的电磁暂态仿真方程组求解方法和装置
Wang et al. Short term load forecasting based on vmd-dnn
CN113159405B (zh) 一种基于改进缎蓝园丁鸟算法优化lssvr的风电功率预测方法
Fang et al. A stochastic power flow method based on polynomial normal transformation and quasi Monte Carlo simulation
Xing et al. Hydrological time series forecast by ARIMA+ PSO-RBF combined model based on wavelet transform

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