CN117610737A - 一种基于astgcn的碳排放因子预测方法和系统 - Google Patents
一种基于astgcn的碳排放因子预测方法和系统 Download PDFInfo
- Publication number
- CN117610737A CN117610737A CN202311673514.9A CN202311673514A CN117610737A CN 117610737 A CN117610737 A CN 117610737A CN 202311673514 A CN202311673514 A CN 202311673514A CN 117610737 A CN117610737 A CN 117610737A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- data
- power supply
- emission factor
- supply station
- 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
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 147
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 31
- 238000010586 diagram Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于ASTGCN的碳排放因子预测方法和系统,包括:基于不同供电站点的连接关系构建电网拓扑图;采集各供电站点各时刻输入的电量,并根据所述电网拓扑图计算不同供电站点的碳排放因子数据;将所述碳排放因子数据进行预处理,得到数据样本集;向构建的碳排放因子预测模型中输入所述数据样本集,输出预测的各供电站点的碳排放因子数据;得到的各供电站点的碳排放因子数据进行反归一化,得到最终的各供电站点的碳排放因子数据,提高了各供电站点碳排放因子数据的预测准确率,进一步为电力系统低碳优化管控提供数据支撑。
Description
技术领域
本发明涉及电力系统碳计量领域,尤其涉及一种基于ASTGCN的碳排放因子预测方法和系统。
背景技术
目前,已有很多相关研究致力于电力系统的低碳运行,挖掘低碳运行的潜力,包括低碳电力系统经济调度,考虑碳排放的综合能源调度,但是已有研究关注的碳排放曲线是关于历史数据统计的平均碳排放曲线,没能够实时地捕捉到某个供电站点的碳排放信息,及实现供电站点间的协同预测碳排放因子。
现有技术中,并未构造供电站点间的实时碳排放结算系统,无法获取实时的碳排放因子信息,导致电力系统根据历史统计的平均碳排放因子采取的低碳运行策略,存在较大的计算误差,同时对于节点间在碳排放因子信息上的关联没有利用起来,使得获取的供电站点的碳排放因子预测数据不能满足电力系统碳排放结算应用场景的需求。
发明内容
本发明的目的在于克服现有技术中所存在的上述不足,提供一种基于ASTGCN的碳排放因子预测方法和系统,旨在预测未来碳排放因子以指导用户调整用电行为,实现节能减排。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于ASTGCN的碳排放因子预测方法,包括以下步骤:
S1.基于不同供电站点的连接关系构建电网拓扑图;
S2.采集各供电站点各时刻输入的电量,并根据所述电网拓扑图计算不同供电站点的碳排放因子数据;
S3.将所述碳排放因子数据进行预处理,得到数据样本集;
S4.向构建的碳排放因子预测模型中输入所述数据样本集,输出预测的各供电站点的碳排放因子数据;
所述碳排放因子预测模型采用注意力时空图卷积网络,通过步骤S1、步骤S2以及步骤S3得到的所述数据样本集进行模型训练;
S5.将步骤S4得到的各供电站点的碳排放因子数据进行反归一化,得到最终的各供电站点的碳排放因子数据。
优选地,在步骤S1中,拓扑图中的边为供电站点之间的连接关系,并以稀疏矩阵的形式进行储存。
优选地,在步骤S2中,采集供电站点各时刻输入的电量,并根据电网拓扑图计算不同供电站点的碳排放因子数据,包括以下步骤:
S21.选定供电站点碳排放因子计算时间段,确定该时间段各供电站点流入的电量;
S22.根据电网拓扑图的连接边、确定的各供电站点输入的电量及连接在该供电站点的发电机组信息(发电量及机组的发电碳排放因子),计算在选定的供电站点碳排放因子在计算时间段内各供电站点的碳排放因子,计算公式如下:
式中,ei表示节点i的动态碳排放因子,I+表示与该节点有电量输入的节点的集合,pj表示节点j对节点i的正向电量输入量,p G当前节点下发电机组的电量输入,eG表示发电机组的动态碳排放因子。
优选地,在步骤S3中,对计算得到的不同的供电站点的碳排放因子数据进行预处理的处理方式包括数据归一化、数据分割以及数据缺省核查,数据归一化的计算公式如下:
式中,ei为供电站点i的碳排放因子数据,xi为归一化后供电站点i的碳排放因子数据,max(ei)和min(ei)分别为供电站点i的碳排放因子的最大值和最小值,
所述数据分割是在时间维度上按照网络输入窗口大小将数据分割成输入样本,按照网络输出窗口大小将数据分割成输出样本,
所述数据缺省核查是判断归一化后的数据是否存在空白数据,若存在空白数据则重新获取数据并将其归一化后填入缺省位置,若存在空白数据但不能重新获取数据填入缺省位置,则舍弃该数据。
优选地,在步骤S3中,得到的数据样本集分为训练集、验证集和测试集,训练集和验证集的比例为6:4。
优选地,在步骤S4中,所述注意力时空图卷积网络包括全连接层和h个注意力时空图卷积层,所述注意力时空图卷积包括2个时间卷积块和1个设置在2个所述时间卷积块之间的注意力图卷积块,h为大于等于2的整数。
优选地,时间卷积块包括一维卷积层和线性门控单元;注意力图卷积块包括图卷积块和图注意力块,在图注意力块中使用线性变换方法、激活函数以及注意力机制得到的输出与图卷积块进行数据融合,获得注意力图卷积块的输出。
优选地,在步骤S4中,使用训练集中的数据对构建的碳排放因子预测模型进行训练,并设定收敛条件和最大训练次数,并在每次训练后使用验证集中的数据对训练的模型进行验证,并计算预测精度;在预测精度不再提高或者训练次数达到最大训练次数时停止进行模型训练。
优选地,在步骤S5中,根据以下公式对步骤S4得到的各供电站点的碳排放因子数据进行反归一化:
式中,为反归一化后供电站点i的碳排放因子数据,yi为碳排放因子预测网络模型输出的供电站点i的碳排放因子的预测数据。
还公开了一种基于ASTGCN的碳排放因子预测系统,包括电量采集器、节点服务器和顶层服务器;
所述电量采集器与所述节点服务器通信连接,节点服务器与顶层服务器通信连接;
每个供电站点装载有一组电量采集器和节点服务器,一组表示电量采集器和节点服务器分别为1个;
电量采集器用于实时采集各供电站点的电量输入量;
节点服务器用于根据电量采集器采集的节点间传输的电量,计算选定的时间段内供电站点的碳排放因子数据并进行储存;
顶层服务器用于储存电网拓扑图,并根据电网拓扑图以及储存在节点服务器的各供电站点的碳排因子数据进行碳排放因子预测模型的构建以及对各供电站点的碳排放因子数据进行预测。
与现有技术相比,本发明的有益效果:
1.通过注意力时空图卷积网络(ASTGCN)进行碳排放因子预测模型的构建,将碳排放因子在时间和空间上进行了关联,提高了各供电站点碳排放因子数据的预测准确率,进一步为电力系统低碳优化管控提供数据支撑;
2.通过构建碳排放因子预测系统,使用电量采集器实时采集的供电站点的电力输入量用于碳排放因子的计算,使得计算得到的碳排放因子数据具有时效性,为预测模型提供实时的碳排放因子数据,进一步提高了预测准确度。
附图说明
图1为方法流程图;
图2为供电站点的拓扑图示意图;
图3为ASTGCN网络结构图;
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
电网节点、输电网节点、配电网节点等与专利所述的供电站点有相似的处理过程,因此对电网节点、输电网节点、配电网节点等的处理过程,也在应当属于本发明的范围。
实施例1
如图1所示,一种基于ASTGCN的碳排放因子预测方法,包括以下步骤:
S1.基于不同供电站点的连接关系构建电网拓扑图;
S2.采集各供电站点各时刻输入的电量,并根据所述电网拓扑图计算不同供电站点的碳排放因子数据;
S3.将所述碳排放因子数据进行预处理,得到数据样本集;
S4.向构建的碳排放因子预测模型中输入所述数据样本集,输出预测的各供电站点的碳排放因子数据;
所述碳排放因子预测模型采用注意力时空图卷积网络,通过步骤S1、步骤S2以及步骤S3得到的所述数据样本集进行模型训练;
S5.将步骤S4得到的各供电站点的碳排放因子数据进行反归一化,得到最终的各供电站点的碳排放因子数据。
在步骤S1中,每个供电站点作为电网拓扑图中的点,供电站点与供电站点之间的连接关系作为拓扑图的边,把电网拓扑图建模成一个无向图。先给选定的供电站点编号,各个节点按阿拉伯数字整数升序编号,以节点到节点的编号对作为边的索引,这里是利用序列对表征节点的连接,(i,j)表示节点i和节点j存在输电线路上的连接,以供电站点间的真实物理连接建立拓扑图的连接边,连接边信息包括供电站点之间的连接关系和供电站点的特征信息,并存储在顶层服务器上,供电站点的特征包含了服务器记录的历史碳排放因子信息,如图2所示;顶层服务器根据供电站点的物理连接构造连接对,存储在服务器,连接对包括连接始端和末端,一个电网拓扑图G(A,V),可以表示成一个供电站点连接边的集合A和供电站点的集合V,A表示连接边的集合,如果节点i和节点j存在连接信息,则(i,j)连接对将会存储在顶层服务器中,连接边信息以一个稀疏矩阵存储在顶层服务器中,连接边(两个节点的连接)以序列对的形式存储,考虑到大型网络下二维矩阵会有大量的0元素,造成存储空间的浪费。
在步骤S2中,在各供电站点装载潮流感知单元,用以感知潮流信息,潮流信息在这里为多少电量进入该节点(包括节点内的发电机组和临近节点通过输电线流入的电量),并发送给节点服务器,节点服务器记录每个时刻的电量度数,潮流感知单元为智能电表;计算不同供电站点的碳排放因子数据的具体内容为:节点服务器可以根据潮流信息和与其他供电站点协同下获取实时碳排放因子数据并且计算当前时间区间的碳排放因子。供电站点服务器记录每个时刻的电量度数,将后一个时刻的度数减去前一个时刻的度数,得到当前时间区间流入的电量。
各个节点的服务器可以通过通讯网络请求接入节点的碳排放因子的值,将每个时间区间流入该节点的电量与请求接入端的碳排放因子数据进行加权平均,得到该节点当前时间段的碳排放因子,公式为
式中,ei表示第节点i的碳排放因子,I+表示与该节点有电量输入的节点的集合,pj表示节点j对节点i的正向电量输入量,pG表示连接在该节点的发电机组的电量输入,eG表示连接在该节点的机组发电碳排放因子。通常通过有关部门核算入网。而上一供电站点若没有当前时间段的碳排放因子数据,会等待上一供电站点的碳排放因子,如此类推,请求的碳排放因子会迭代到碳排放的源头,从碳捕捉器中获取源头的碳排放因子,如此迭代计算会得到所有供电站点的碳排放因子数据,将计算得到的碳排放因子数据记录在供电站点的服务器中,上一供电站点是根据是否有电量直接输送到与其具备物理连接关系的供电站点,若有,则判定该节点为与其具备物理连接关系供电站点的上一供电站点。
步骤S3的预处理方式包括数据归一化数据分割以及数据缺省核查,具体内容为:
1)将每个供电站点的历史碳排放因子时序数据分别归一化,归一化公式为:
2)
3)式中,ei为供电站点i的碳排放因子数据,xi为归一化后供电站点i的碳排放因子数据,max(ei)和min(ei)分别为供电站点i的碳排放因子的最大值和最小值;
4)将数据在时间维度上按输入窗口大小分割成一个输入样本,同样跟随着输入末端按预测周期大小的窗口分割出输出样本,输入样本和输出样本组成网络所能接受的特定格式的样本,将分割好的样本集分割成训练组,验证组和测试组,其中测试组选取最临近当前时间的输入样本,训练组和验证组的样本比例选取为6:4。将分组中的样本设置成随机抽取的迭代器,每次从特定的迭代器抽取的样本为打乱秩序的样本。构造的网络输入样本维度为:
其中N为供电站点的总数,Lin为输入窗口长度,F为供电站点在单一时刻下的特征,表征为该供电站点在某特定时刻的F个历史信息,在构造该特征时,可以选取日前,周前等该时刻的历史值,如果不考虑相似日的情况,则F=1,如果考虑相似日,则F>1,即将该时刻的特征用该时刻和往时相似日的相同时刻数据堆叠。如果用前三天的数据预测后一天的数据,则前三天相同时刻的数据,堆叠在一起,该时刻的特征长度为3;构造的网络输出样本维度为:
Lout为预测窗口长度,网络输出的信息包括每个供电站点在预测周期下碳排放因子数据;
5)检查缺省情况,如果缺省,则重新请求该节点的历史碳排放因子数据,重新归一化填入缺省位置,如果缺省值无法请求得到,则舍弃该样本。
在步骤S3中得到的数据集以二维矩阵的形式表示并储存在顶层服务器中,具体内容为:顶层服务器从节点服务器请求供电站点上的碳排放因子数据,将时间作为数据表的索引,根据时间上的匹配,填充到该供电站点的数据列,每个供电站点的历史碳排放因子数据填入,组成一个二维矩阵,每一行代表同一时刻的各供电站点的碳排放因子信息,每一列代表一个供电站点的历史碳排放因子信息。
步骤S4的具体内容如下:
1)注意力时空图卷积网络的内容
注意力时空图卷积网络(ASTGCN)的结构如下图3所示,主要由2层注意力时空图卷积层堆叠组成,最后通过全连接层构造特定格式的数据输出。所述注意力时空图卷积网络包括全连接层和h个注意力时空图卷积层,所述注意力时空图卷积包括2个时间卷积块和1个设置在2个所述时间卷积块之间的注意力图卷积块,h为大于等于2的整数。时间卷积块用以捕捉时间相关性,将数据映射到高维。注意力图卷积块用于捕获数据的空间关联性;
假设一个电网拓扑图上有N个节点,节点即为供电站点在拓扑图中表示。输入数据为碳排放因子序列x为:
其中Lin为时间维度的长度,F为时间维度上的特征长度。
时间卷积块从序列x中捕捉时间相关性,并把数据映射到高维。时间卷积块具体内容如下:
时间卷积块包含核宽为kt的一维卷积和线性门控单元。对于节点i,一维卷积可以挖掘节点上相邻时序数据的信息,一维卷积核,cin由传进来的数据维度决定。为保证时间维度长度不变,对采取时序数据零填充,节点上的时序数据经过一维卷积后,再将卷积后的数据分成两块形状完全相同的数据,即/>,P,Q作为线性门控单元两个输入数据,因此,时间门控单元可以描述为
⊙表示矩阵等宽的Hadamard乘积,为xi经过线性变化得到与P同维度的数据,这里的线性变化矩阵,对于每一个供电站点的数据单独维护,在网络训练过程更新矩阵,为Sigmoid激活函数,线性门控单元实现的非线性门控有助于挖掘节点上的时间关联信息;
图注意力卷积块的具体内容为:在图注意力卷积块中,将传统的图卷积神经网络与图注意力块进行数据融合;
对于碳排放因子序列
图卷积神经网络聚合临近节点的特征。对于节点i,N(i)为节点i的临近节点集合,生成节点i特征表示为:,f(·)为节点特征聚合函数,为Sigmoid激活函数。
图注意力块计算节点特征的注意力动态权重,
根据注意力动态权重,图注意力块得到的输出S为:
。
最后将图卷积神经网络生成的特征表示和图注意力块得到的输出经过线性变换后得到的数据,进行数据融合。这里的数据融合采取的方式为取对应数据位置的相乘,再经过激活函数σ,得到输出,具体为:
使用的注意力机制的空间卷积块能捕捉相同时刻下的空间关联性;
全连接层的具体内容如下:
设计一个全连接层将堆叠注意力时空图卷积层输出的结果映射到输出样本的数据维度,公式为,T为堆叠注意力时空图卷积层后的输出,/>为参数矩阵,,每个节点维护相应的矩阵,B为偏差,/>。
2)模型的训练与预测内容
21)训练内容
每次训练前,使网络进入训练模式,在该模式下网络参数可以通过误差反向传递进行学习更新。设定收敛条件,在达到最大训练次数停止训练,这里选取最大训练次数为1000次。在迭代器中抽取输入样本输入设定的网络,网络输出的预测结果会与预测样本的真实值比较,计算误差。在误差反向传递的时候,网络参数自动更新,所设定的网络参数(线性变换矩阵)通过学习修正。信号经过预测网络的传输后得到的预测值与真实值作比较,其得到的误差会逆着信号传输的过程传递,反过来修正网络参数,该误差反向传播的过程为网络学习的过程。在每个训练次数后,网络进入验证模式,该模式下不存储网络信号传递过程中的梯度信息,抽取验证集的样本进行验证,观察验证集样本的预测效果,当预测效果不再改善时,提前退出网络训练,防止过拟合;
22)网络预测
用训练好的网络,将测试集的样本输入,经过网络的传递得到每个节点的网络输出。
步骤S5的具体内容为:利用顶层服务器记录每个节点的最值,将在步骤S4中的到的网络输出进行反归一化得到每个节点在预测周期下的碳排放因子数据,反归一化的计算公式为:
式中,为反归一化后供电站点i的碳排放因子数据,yi为碳排放因子预测网络模型输出的供电站点i的碳排放因子的预测数据。
实施例2
一种基于ASTGCN的碳排放因子预测系统包括电量采集器、节点服务器和顶层服务器,电量采集器与节点服务器通信连接,节点服务器与顶层服务器通信连接,一个供电站点对应着一组电量采集器和节点服务器,电量采集器用于实时采集各供电站点流入的电量,包括临近节点和发电机组输入电量,节点服务器根据电量采集器采集的电量,计算选定的时间段内供电站点的碳排放因子数据并进行储存,顶层服务器用于储存拓扑图,并根据拓扑图以及储存在节点服务器的各供电站点的碳排放因子数据进行碳排放因子预测模型的构建以及对各供电站点的碳排放因子数据进行预测。
以上所述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ASTGCN的碳排放因子预测方法,其特征在于,包括以下步骤:
S1.基于不同供电站点的连接关系构建电网拓扑图;
S2.采集各供电站点各时刻输入的电量,并根据所述电网拓扑图计算不同供电站点的碳排放因子数据;
S3.将所述碳排放因子数据进行预处理,得到数据样本集;
S4.向构建的碳排放因子预测模型中输入所述数据样本集,输出预测的各供电站点的碳排放因子数据;
所述碳排放因子预测模型采用注意力时空图卷积网络,通过步骤S1、步骤S2以及步骤S3得到的所述数据样本集进行模型训练;
S5.将步骤S4得到的各供电站点的碳排放因子数据进行反归一化,得到最终的各供电站点的碳排放因子数据。
2.根据权利要求1所述的一种基于ASTGCN的碳排放因子预测方法,其特征在于,在步骤S1中,拓扑图中的边为不同供电站点之间的连接关系,并以稀疏矩阵的形式进行储存。
3.根据权利要求2所述的一种基于ASTGCN的碳排放因子预测方法,其特征在于,在步骤S2中,采集各供电站点各时刻的电量并根据拓扑图计算不同供电站点的碳排放因子数据,包括以下步骤:
S21.选定供电站点碳排放因子计算时间段,确定该时间段输入各供电站点的电量;
S22.根据拓扑图的边以及确定的输入各供电站点的电量,计算在选定的供电站点碳排放因子计算时间段内各供电站点的碳排放因子,计算公式如下:
式中,表示节点/>的碳排放因子,/>表示与该节点有电量输入的节点的集合,/>表示节点/>对节点/>的正向电量输入量,/>当前节点下发电机组的电量输入,/>表示发电机组的碳排放因子。
4.根据权利要求1所述的一种基于ASTGCN的碳排放因子预测方法,其特征在于,在步骤S3中,对计算得到的不同的供电站点的历史碳排放因子数据进行预处理的处理方式包括数据归一化、数据分割以及数据缺省核查,数据归一化的计算公式如下:
式中,为供电站点/>的碳排放因子数据,/>为归一化后供电站点/>的碳排放因子数据,和/>分别为供电站点/>的碳排放因子的最大值和最小值,
所述数据分割是在时间维度上按照网络输入窗口大小将数据分割成输入样本,按照网络输出窗口大小将数据分割成输出样本;
所述数据缺省核查是判断归一化后的数据是否存在空白数据,若存在空白数据则重新获取数据并将其归一化后填入缺省位置,若存在空白数据但不能重新获取数据填入缺省位置,则舍弃该数据。
5.根据权利要求4所述的一种基于ASTGCN的碳排放因子预测方法,其特征在于,在步骤S3中,得到的数据样本集分为训练集、验证集和测试集,训练集和验证集的比例为6:4。
6.根据权利要求5所述的一种基于ASTGCN的碳排放因子预测方法,其特征在于,在步骤S4中,所述注意力时空图卷积网络包括全连接层h个注意力时空图卷积层,所述注意力时空图卷积包括2个时间卷积块和1个设置在2个所述时间卷积块之间的注意力图卷积块,为大于等于2的整数。
7.根据权利要求6所述的一种基于ASTGCN的碳排放因子预测方法,其特征在于,所述时间卷积块包括一维卷积层和线性门控单元;
所述注意力图卷积块包括图卷积块和图注意力块,在所述图注意力块中使用线性变换方法、激活函数以及注意力机制得到的输出与图卷积块进行数据融合,获得注意力图卷积块的输出。
8.根据权利要求5所述的一种基于ASTGCN的碳排放因子预测方法,其特征在于,在步骤S4中,使用所述训练集中的数据对构建的碳排放因子预测模型进行训练,并设定收敛条件和最大训练次数,并在每次训练后使用验证集中的数据对训练的模型进行验证,并计算预测精度;在预测精度不再提高或者训练次数达到最大训练次数时停止进行模型训练。
9.根据权利要求1所述的一种基于ASTGCN的碳排放因子预测方法,其特征在于,在步骤S5中,根据以下公式对步骤S4得到的各供电站点的碳排放因子数据进行反归一化:
)
式中,为反归一化后供电站点/>的碳排放因子数据,/>为碳排放因子预测网络模型输出的供电站点/>的碳排放因子的预测数据,/>为供电站点/>的碳排放因子数据。
10.实施权利要求1至9任意一项所述方法的一种基于ASTGCN的碳排放因子预测系统,其特征在于,包括电量采集器、节点服务器和顶层服务器;
所述电量采集器与所述节点服务器通信连接,所述节点服务器与所述顶层服务器通信连接;
每个供电站点包括一组电量采集器和节点服务器;
电量采集器用于实时采集输入该供电站点的电量;
节点服务器根据电量采集器采集的电量,计算选定的时间段内供电站点的碳排放因子数据并进行储存;
顶层服务器用于储存拓扑图,并根据拓扑图以及储存在节点服务器的各供电站点的历史碳排因子数据进行排放因子预测模型的构建以及对各供电站点的碳排放因子数据进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311673514.9A CN117610737A (zh) | 2023-12-07 | 2023-12-07 | 一种基于astgcn的碳排放因子预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311673514.9A CN117610737A (zh) | 2023-12-07 | 2023-12-07 | 一种基于astgcn的碳排放因子预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117610737A true CN117610737A (zh) | 2024-02-27 |
Family
ID=89957831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311673514.9A Pending CN117610737A (zh) | 2023-12-07 | 2023-12-07 | 一种基于astgcn的碳排放因子预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117610737A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117910657A (zh) * | 2024-03-14 | 2024-04-19 | 杭州阿里云飞天信息技术有限公司 | 碳排因子的预测方法、模型训练方法、计算设备、存储介质及程序产品 |
CN117934247A (zh) * | 2024-03-22 | 2024-04-26 | 广东电网有限责任公司 | 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质 |
-
2023
- 2023-12-07 CN CN202311673514.9A patent/CN117610737A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117910657A (zh) * | 2024-03-14 | 2024-04-19 | 杭州阿里云飞天信息技术有限公司 | 碳排因子的预测方法、模型训练方法、计算设备、存储介质及程序产品 |
CN117934247A (zh) * | 2024-03-22 | 2024-04-26 | 广东电网有限责任公司 | 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117610737A (zh) | 一种基于astgcn的碳排放因子预测方法和系统 | |
CN109902863B (zh) | 一种基于多因素时空相关性的风速预测方法及装置 | |
CN113283175B (zh) | 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法 | |
CN110311420A (zh) | 一种风光联合出力时序场景的生成方法 | |
Unterluggauer et al. | Short‐term load forecasting at electric vehicle charging sites using a multivariate multi‐step long short‐term memory: A case study from Finland | |
Lu et al. | Robust economic/emission dispatch considering wind power uncertainties and flexible operation of carbon capture and storage | |
KR20210013565A (ko) | 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘 | |
CN112329997A (zh) | 电力需求负荷预测方法及系统、电子设备和存储介质 | |
CN116629417A (zh) | 一种结合卷积注意力模块的轨道交通牵引负荷预测方法 | |
CN114066315A (zh) | 一种适应多元源荷接入的配电网规划系统 | |
CN113902183A (zh) | 基于bert的非侵入式台区充电桩状态监测与电价调整方法 | |
CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
Ouyang et al. | Lightweight trilinear pooling based tensor completion for network traffic monitoring | |
CN112446175B (zh) | 基于配电网概率潮流计算的分布式电源选址优化方法 | |
CN116914719A (zh) | 一种基于时空图网络的光伏发电站功率预测方法 | |
CN116774089A (zh) | 基于特征融合的卷积神经网络电池健康状态估计方法及系统 | |
CN108614173B (zh) | 一种低压侧综合能耗分析方法和低压侧综合能耗分析系统 | |
CN116467580A (zh) | 一种基于TTSNet的锂离子电池SOH估算与RUL预测方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN109738808A (zh) | 基于模拟退火算法优化后的bp神经网络来估算soc的方法 | |
CN114861993A (zh) | 基于联邦学习与深度神经网络的区域光伏发电预测方法 | |
Nan et al. | An Efficient Data-driven Traffic Prediction Framework for Network Digital Twin | |
CN112085381A (zh) | 一种多目标优化的电动汽车充电站规划方法 | |
CN111798034A (zh) | 基于风流场时空图像学习的风电功率预测系统及预测方法 | |
Cundai et al. | Research on load modeling and forecasting algorithm of automobile charging station based on GA |
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 |