基于图神经网络的分布式能源发电负荷预测系统及方法与流程

1.本发明涉及图神经网络、机器学习和数字能源技术领域，具体地说是一种基于图神经网络的分布式能源发电负荷预测系统及方法。


背景技术：

2.随着机器学习和深度学习技术的发展以及互联网和云计算时代海量数据和高效计算能力的支撑，通过训练构建得到类似人脑结构的大规模神经网络，在计算机视觉、语音识别、自然语言理解等领域取得了突破性进展，正在给整个社会带来颠覆性的变化。
3.图神经网络(graph neural network,gnn)是一种能对图数据进行深度学习的方法，包括各类神经网络在图上应用的模型。图是一种由若干个结点(node) 及连接两个结点的边(edge)所构成的图形，用于刻画不同结点之间的关系。图数据作为一种非欧空间数据，因其普遍存在性逐渐受到关注。图卷积神经网络 (graph convolutional network,gcn)是一类采用图卷积的神经网络，作为图神经网络中的一种重要的分支，在数据分析领域已经体现出了优势。
4.新能源担负起了能源结构改善和节能减排的重任，能源系统正从集中式逐渐走向分布式。分布式能源是能源革命的重要载体和推进手段，也是未来能源体系重要组成部分，分布式光伏、分散式风电、生物发电、天然气分布式能源、能源互联网、微电网、多能互补项目成批涌现，能源行业迎来新的发展机遇的同时，也给电网安全运营带来新的挑战，如何有效利用聚类、图神经网络等机器学习和深度学习技术并结合电力系统发输配用业务，准确预测电网源网荷储电力生产和消耗量成为亟需解决的问题。


技术实现要素：

5.本发明的技术任务是提供基于图神经网络的分布式能源发电负荷预测系统及方法，来解决如何有效利用聚类、图神经网络等机器学习和深度学习技术并结合电力系统发输配用业务，准确预测电网源网荷储电力生产和消耗量的问题。
6.本发明的技术任务是按以下方式实现的，一种基于图神经网络的分布式能源发电负荷预测系统，该系统包括，
7.电力系统参与单元特征提取编码器(encoder)，用于基于自注意力网络结构，根据参与电力系统单元的发电量和用电量序列进行特征提取，并结合时间 t该参与电力系统单元的地理位置、备用电量、出力比例、储能容量及并网容量特征形成时间t参与电力系统单元的特征向量；
8.电力区域划分聚类器(cluster)，用于根据位置区域，并结合源网荷储的特征，基于各个参与电力系统单元的特征向量进行聚类，形成聚类区域类别；
9.区域向量生成器(gen-vg)，用于计算聚类后划分的聚类区域内所有参与电力系统单元在所有时间段内的发电量、电力消耗量、备用电量、出力比例、储能容量以及并网容量，形成区域向量组；
10.选择最佳区域划分选取器(seldist)，用于遍历所有的区域划分方式，计算每一种划分方式的综合评价分，基于区域向量组计算评价区域向量组的优劣，选出最佳区域聚类结果；
11.未来发电负荷预测器(pred)，用于将区域向量组形成图结构，利用图卷积操作预测输出下一时间区域数据。
12.作为优选，所述未来发电负荷预测器(pred)包括，
13.生成基础图结构器(bg-gen)，用于基于最佳区域聚类结果来生成区域间关系图结构；
14.更新图结构器(updg)，用于基于区域向量组时间t的数据来更新区域间关系图；
15.图卷积操作器(gcn)，用于采用切比雪夫卷积算法对区域向量组形成的图结构数据进行图卷积操作；
16.预测下一时间区域数据模型器(wadd)，用于基于lstm序列建模结构，通过输入图卷积操作(gcn)模块的结果以及当前时间t的区域向量组，结合历史时间输入区域向量组数据，预测下一时间段的电量及电力消耗的数据。
17.更优地，所述未来发电负荷预测器(pred)的工作过程具体如下：
18.(1)、对于最佳区域聚类结果的划分方式，利用生成基础图结构器(bg-gen) 生成区域间关系图结构；
19.(2)、采用最佳区域聚类结果划分方式，将此划分方式的所有的历史数据，经过区域向量生成器(gen-vg)计算形成从时间1到时间t的向量组序列，持续输入到未来发电负荷预测模型器(pred)；
20.(3)、基于生成基础图结构器(bg-gen)生成区域间关系图结构，利用更新图结构器(updg)更新区域间关系图结构数据，再经过图卷积操作器(gcn) 以及预测下一时间区域数据模型器(wadd)计算中间结果，最终输出时间t+1 的区域向量组预测结果；
21.(4)、持续将未来时间预测结果输入到未来发电负荷预测模型器(pred)，输出下一时间的区域向量组预测结果。
22.作为优选，参与电力系统单元的特征向量分为发电量和用电量两个通道，t 时间段一天为单位，特征向量的分量按照15分钟或30分钟记录发电量和用电量。
23.更优地，区域向量组获取过程具体如下：
24.(1)、基于所有参与电力系统单元的历史数据，以设定的时间段为单位，从时间1到当前时间t，对于每一个参与电力系统单元m，每一个时间点t，组装特征向量vm，形成发电量和用电量双通道向量序列(vm1、vm2...vmt)；
25.(2)、利用电力系统参与单元特征提取编码器(encoder)对向量序列(vm1、 vm2...vmt)进行处理，形成编码特征向量vsmt；
26.(3)、利用电力系统参与单元特征提取编码器(encoder)提取参与电力系统单元m在时间点t的地理位置、备用电量、出力比例、储能容量及并网容量的其他特征向量vsmt’，将其他特征向量vsmt’与编码特征向量vsmt合并形成 vptm；
27.(4)、从时间1到当前时间t，对于每个时间点t，使用电力区域划分聚类器(cluster)对vpt1、vpt2...vptm进行聚类，形成区域划分簇；
28.(5)、将t种区域划分方式中相同的聚类结果方式进行合并，对于每一种区域划分
vm2...vmt)进行处理，形成编码特征向量vsmt；
46.s103、利用电力系统参与单元特征提取编码器(encoder)提取参与电力系统单元m在时间点t的地理位置、备用电量、出力比例、储能容量及并网容量的其他特征向量vsmt’，将其他特征向量vsmt’与编码特征向量vsmt合并形成 vptm；
47.s104、从时间1到当前时间t，对于每个时间点t，使用电力区域划分聚类器(cluster)对vpt1、vpt2...vptm进行聚类，形成区域划分簇；
48.s105、将t种区域划分方式中相同的聚类结果方式进行合并，对于每一种区域划分方式，根据划分区域1到n，计算时间t所有参与电力系统单元的发电量、电力消耗量、备用电量、出力比例、储能容量以及并网容量，得到n个向量，构成向量组；进而从时间1到时间t中，最终形成t个向量组。
49.更优地，步骤s3中的预测未来发电负荷具体如下：
50.s301、对于最佳区域聚类结果的划分方式，利用生成基础图结构器(bg-gen) 生成区域间关系图结构；
51.s302、采用最佳区域聚类结果划分方式，将此划分方式的所有的历史数据，经过区域向量生成器(gen-vg)计算形成从时间1到时间t的向量组序列，持续输入到未来发电负荷预测模型器(pred)；
52.s303、基于生成基础图结构器(bg-gen)生成区域间关系图结构，利用更新图结构器(updg)更新区域间关系图结构数据，再经过图卷积操作器(gcn) 以及预测下一时间区域数据模型器(wadd)计算中间结果，最终输出时间t+1 的区域向量组预测结果；
53.s304、持续将未来时间预测结果输入到未来发电负荷预测模型器(pred)，输出下一时间的区域向量组预测结果。
54.本发明的基于图神经网络的分布式能源发电负荷预测系统及方法具有以下优点：
55.(一)本发明结合参与电力系统的源网荷储的分布情况及业务情况，利用聚类将其进行初步聚合，充分考虑聚合后单元之间的联系，并通过图神经网络模型进行分析，预测电网的电力生产和消耗量，进而发现产消不平衡带来的安全隐患，为制定有效的电力调度策略做支撑，保证电力系统的运行安全；同时提升分布式清洁能源的消纳，实现整体经济效益的最大化；
56.(二)本发明结合参与电力系统的源网荷储的分布情况及业务情况，设计分布式能源发电和电力消耗单元的特征，通过对分布式电源、负荷、储能等参与电力系统单元的特征选择和提取，并进行合理的聚类，找出最佳的电力区域划分单元，简化电力系统参与单元结构复杂性，提高处理效率；
57.(三)本发明结合分布式能源特点，以天为单位，采用不同的时间段单位，能够更好的反应数据周期性关系及变化，适应和满足真实的业务场景；
58.(四)本发明根据电源发电及电力消耗预测量，通过调整电力区域单元，形成更加有效的划分，减少电力调度计划复杂度，提升调度效率。
附图说明
59.下面结合附图对本发明进一步说明。
60.附图1为参与电力系统单元特征提取及聚类的流程示意图；
61.附图2为获取最佳区域划分的流程示意图；
62.附图3为预测未来发电负荷的流程示意图。
具体实施方式
63.参照说明书附图和具体实施例对本发明的基于图神经网络的分布式能源发电负荷预测系统及方法作以下详细地说明。
64.实施例1：
65.本发明的基于图神经网络的分布式能源发电负荷预测系统，该系统包括，
66.电力系统参与单元特征提取编码器(encoder)，用于基于自注意力网络结构，根据参与电力系统单元的发电量和用电量序列进行特征提取，并结合时间 t该参与电力系统单元的地理位置、备用电量、出力比例、储能容量及并网容量特征形成时间t参与电力系统单元的特征向量；
67.电力区域划分聚类器(cluster)，用于根据位置区域，并结合源网荷储的特征，基于各个参与电力系统单元的特征向量进行聚类，形成聚类区域类别；
68.区域向量生成器(gen-vg)，用于计算聚类后划分的聚类区域内所有参与电力系统单元在所有时间段内的发电量、电力消耗量、备用电量、出力比例、储能容量以及并网容量，形成区域向量组；
69.选择最佳区域划分选取器(seldist)，用于遍历所有的区域划分方式，计算每一种划分方式的综合评价分，基于区域向量组计算评价区域向量组的优劣，选出最佳区域聚类结果；
70.未来发电负荷预测器(pred)，用于将区域向量组形成图结构，利用图卷积操作预测输出下一时间区域数据。
71.本实施例中的未来发电负荷预测器(pred)包括，
72.生成基础图结构器(bg-gen)，用于基于最佳区域聚类结果来生成区域间关系图结构；
73.更新图结构器(updg)，用于基于区域向量组时间t的数据来更新区域间关系图；
74.图卷积操作器(gcn)，用于采用切比雪夫卷积算法对区域向量组形成的图结构数据进行图卷积操作；
75.预测下一时间区域数据模型器(wadd)，用于基于lstm序列建模结构，通过输入图卷积操作(gcn)模块的结果以及当前时间t的区域向量组，结合历史时间输入区域向量组数据，预测下一时间段的电量及电力消耗的数据。
76.本实施例中的未来发电负荷预测器(pred)的工作过程具体如下：
77.(1)、对于最佳区域聚类结果的划分方式，利用生成基础图结构器(bg-gen) 生成区域间关系图结构；
78.(2)、采用最佳区域聚类结果划分方式，将此划分方式的所有的历史数据，经过区域向量生成器(gen-vg)计算形成从时间1到时间t的向量组序列，持续输入到未来发电负荷预测模型器(pred)；
79.(3)、基于生成基础图结构器(bg-gen)生成区域间关系图结构，利用更新图结构器(updg)更新区域间关系图结构数据，再经过图卷积操作器(gcn) 以及预测下一时间区域数
据模型器(wadd)计算中间结果，最终输出时间t+1 的区域向量组预测结果；
80.(4)、持续将未来时间预测结果输入到未来发电负荷预测模型器(pred)，输出下一时间的区域向量组预测结果。
81.本实施例中的参与电力系统单元的特征向量分为发电量和用电量两个通道， t时间段一天为单位，特征向量的分量按照15分钟或30分钟记录发电量和用电量。
82.本实施例中的区域向量组获取过程具体如下：
83.(1)、基于所有参与电力系统单元的历史数据，以设定的时间段为单位，从时间1到当前时间t，对于每一个参与电力系统单元m，每一个时间点t，组装特征向量vm，形成发电量和用电量双通道向量序列(vm1、vm2...vmt)；
84.(2)、利用电力系统参与单元特征提取编码器(encoder)对向量序列(vm1、 vm2...vmt)进行处理，形成编码特征向量vsmt；
85.(3)、利用电力系统参与单元特征提取编码器(encoder)提取参与电力系统单元m在时间点t的地理位置、备用电量、出力比例、储能容量及并网容量的其他特征向量vsmt’，将其他特征向量vsmt’与编码特征向量vsmt合并形成 vptm；
86.(4)、从时间1到当前时间t，对于每个时间点t，使用电力区域划分聚类器(cluster)对vpt1、vpt2...vptm进行聚类，形成区域划分簇；
87.(5)、将t种区域划分方式中相同的聚类结果方式进行合并，对于每一种区域划分方式，根据划分区域1到n，计算时间t所有参与电力系统单元的发电量、电力消耗量、备用电量、出力比例、储能容量以及并网容量，得到n个向量，构成向量组；进而从时间1到时间t中，最终形成t个向量组。
88.本实施例中的参与电力系统单元包括发电电源、输电配电网、用电负荷以及储能；
89.其中，发电电源用于产生电力，发电单元包括风力发电、光伏发电及水利发电的分布式电源、传统的火力发电的化石燃料发电以及核电；
90.输电配电网用于保证电力的传输；发电电源、用电负荷和储能接入主电网或者独立形成电力微网系统；
91.用电负荷指电力的消耗，包括工业负荷、居民负荷及商业负荷；
92.储能用于实现电力能源的存储和输出，作为负荷和电源来参与电力系统。
93.实施例2：
94.本发明的基于图神经网络的分布式能源发电负荷预测方法，该方法是结合参与电力系统单元的源网荷储的分布情况及业务情况，利用聚类技术进行初步聚合，并根据聚合后参与电力系统单元之间的联系，通过图神经网络进行分析，预测电网的电力生产和消耗量；具体如下：
95.s1、参与电力系统单元特征提取及聚类：根据分布式能源发电和消耗单元的特征，基于地理分布、电网铺设以及业务情况，通过用电力系统参与单元特征提取编码器(encoder)对分布式电源、负荷及储能的参与电力系统单元的特征选择和提取，并利用电力区域划分聚类器(cluster)进行合理的聚类；
96.s2、获取最佳区域划分：利用选择最佳区域划分选取器(seldist)遍历所有的区域划分方式，计算每一种划分方式的综合评价分，找出最佳的电力区域划分单元，选出最佳区域聚类结果，如附图2所示；
97.s3、预测未来发电负荷：将各电力区域划分单元形成图结构，采用图神经网络结合历史数据以及电力计划数据，通过未来发电负荷预测模型器(pred) 预测其未来时刻电力区域单元的电源发电和电力消耗量。
98.本实施例中的未来发电负荷预测器(pred)包括，
99.生成基础图结构器(bg-gen)，用于基于最佳区域聚类结果来生成区域间关系图结构；
100.更新图结构器(updg)，用于基于区域向量组时间t的数据来更新区域间关系图；
101.图卷积操作器(gcn)，用于采用切比雪夫卷积算法对区域向量组形成的图结构数据进行图卷积操作；
102.预测下一时间区域数据模型器(wadd)，用于基于lstm序列建模结构，通过输入图卷积操作(gcn)模块的结果以及当前时间t的区域向量组，结合历史时间输入区域向量组数据，预测下一时间段的电量及电力消耗的数据。
103.如附图1所示，本实施例步骤s1中的参与电力系统单元特征提取及聚类具体如下：
104.s101、基于所有参与电力系统单元的历史数据，以设定的时间段为单位，从时间1到当前时间t，对于每一个参与电力系统单元m，每一个时间点t，组装特征向量vm，形成发电量和用电量双通道向量序列(vm1、vm2...vmt)；
105.s102、利用电力系统参与单元特征提取编码器(encoder)对向量序列(vm1、 vm2...vmt)进行处理，形成编码特征向量vsmt；
106.s103、利用电力系统参与单元特征提取编码器(encoder)提取参与电力系统单元m在时间点t的地理位置、备用电量、出力比例、储能容量及并网容量的其他特征向量vsmt’，将其他特征向量vsmt’与编码特征向量vsmt合并形成 vptm；
107.s104、从时间1到当前时间t，对于每个时间点t，使用电力区域划分聚类器(cluster)对vpt1、vpt2...vptm进行聚类，形成区域划分簇；
108.s105、将t种区域划分方式中相同的聚类结果方式进行合并，对于每一种区域划分方式，根据划分区域1到n，计算时间t所有参与电力系统单元的发电量、电力消耗量、备用电量、出力比例、储能容量以及并网容量，得到n个向量，构成向量组；进而从时间1到时间t中，最终形成t个向量组。
109.如附图3所示，本实施例步骤s3中的预测未来发电负荷具体如下：
110.s301、对于最佳区域聚类结果的划分方式，利用生成基础图结构器(bg-gen) 生成区域间关系图结构；
111.s302、采用最佳区域聚类结果划分方式，将此划分方式的所有的历史数据，经过区域向量生成器(gen-vg)计算形成从时间1到时间t的向量组序列，持续输入到未来发电负荷预测模型器(pred)；
112.s303、基于生成基础图结构器(bg-gen)生成区域间关系图结构，利用更新图结构器(updg)更新区域间关系图结构数据，再经过图卷积操作器(gcn) 以及预测下一时间区域数据模型器(wadd)计算中间结果，最终输出时间t+1 的区域向量组预测结果；
113.s304、持续将未来时间预测结果输入到未来发电负荷预测模型器(pred)，输出下一时间的区域向量组预测结果。
114.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽
管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。