一种基于动态随机图神经网络的区域发电预测方法及系统

本发明涉及新能源发电和数据挖掘领域，具体涉及一种基于动态随机图神经网络的区域发电预测方法及系统。

背景技术：

1、在当前的全球能源资源紧缺和环境问题日益突出的情况下，新能源技术的研发和推广变得越来越重要。新能源技术包括太阳能、风能、水能、地热能等清洁、可再生能源，相对于传统的化石燃料，新能源技术更为环保，也更为可持续。随着新能源技术的发展，新能源在全网总装机中的占比也持续提高。在中国，新能源已经成为了国家能源战略的重要组成部分。截至2021年底，中国新能源装机容量已经超过了9亿千瓦，占比超过30％。在新能源中，风电、光伏和水电等技术的应用越来越成熟，发电效率也在逐步提高，可以有效地满足人们对电能的需求。同时，新能源技术的不断进步也为技术创新和产业发展带来了新的机遇。各国纷纷加大对新能源技术的研发投入，推动技术的创新和升级，进一步促进新能源产业的发展。在中国，政府也加大了对新能源技术的支持力度，鼓励企业加强技术研发和市场拓展，提升新能源产业的核心竞争力。

2、因此，新能源技术的研发和推广具有重要的意义。通过发展新能源技术，可以提高能源利用效率，减少环境污染，保护生态环境，推动可持续发展。在未来，新能源技术的发展将成为全球能源转型和可持续发展的重要趋势，也将为各国的经济社会发展带来新的机遇和挑战。

3、但是，如今的区域新能源发电预测依旧面临诸多问题。在我国的南部区域，大部分风电场都建设在地形和气候条件复杂的山地上，对于海拔相差较大的这些机位，他们的电力输出通常差异较大，这导致了其区域的电力输出具有强不稳定性，相较于其他能源预测更加困难重重。对于光伏电站而言，其电力输出具有季节波动特性并且严重依赖于天气状况，对于多云季节，光伏电站会不可避免的出现强波动性。而这种波动性同样会给电网系统调度、电力平衡、配电等带来了挑战性问题。

技术实现思路

1、为了解决上述技术问题，本发明提供一种基于动态随机图神经网络的区域发电预测方法及系统。

2、本发明技术解决方案为：一种基于动态随机图神经网络的区域发电预测方法，包括：

3、步骤s1：收集区域内各个发电站点的历史实测气象以及对应时刻的发电功率，进行预处理，构建历史实测数据x'；

4、步骤s2：对区域内各个发电站点进行动态随机建模，构建发电站点的动态表征，根据所述动态表征构建发电站点间的动态随机图a；

5、步骤s3：将x'和a输入动态随机图神经网络，首先经过动态图卷积层，得到表征发电站点间空间关联性的隐状态h；h经过时间卷积层，得到表征时间关联性的隐状态z；将z经过两层全连接层，生成各个发电站点未来的功率预测值

6、步骤s4：构建损失函数以训练所述动态随机图神经网络。

7、本发明与现有技术相比，具有以下优点：

8、本发明公开了一种基于动态随机图神经网络的区域发电预测方法，提出全新的动态随机图神经网络用于区域新能源发电预测，能够有效地学习发电站点之间的时空关联性，以及对观测数据中存在的随机性进行建模，并且根据学习出来的发电站点之间的关联性来实现各发电站点数据的自适应融合，提高发电功率预测的精度。

技术特征：

1.一种基于动态随机图神经网络的区域发电预测方法，其特征在于，包括：

2.根据权利要求1所述的基于动态随机图神经网络的区域发电预测方法，其特征在于，所述步骤s1：收集区域内各个发电站点的历史实测气象以及对应时刻的发电功率，进行预处理，构建历史实测数据x′，具体包括：

3.根据权利要求2所述的基于动态随机图神经网络的区域发电预测方法，其特征在于，所述步骤s2：对区域内各个发电站点进行动态随机建模，构建发电站点的动态表征，根据所述动态表征构建发电站点间的动态随机图a，具体包括：

4.根据权利要求3所述的基于动态随机图神经网络的区域发电预测方法，其特征在于，所述步骤s3：将x′和a输入动态随机图神经网络，首先经过动态图卷积层，得到表征发电站点间空间关联性的隐状态h；h经过时间卷积层，得到表征时间关联性的隐状态z；将z经过两层全连接层，生成各个发电站点未来的功率预测值具体包括：

5.根据权利要求4所述的基于动态随机图神经网络的区域发电预测方法，其特征在于，所述步骤s4：构建损失函数以训练所述动态随机图神经网络，具体包括：

6.一种基于动态随机图神经网络的区域发电预测系统，其特征在于，包括下述模块：

技术总结
本发明涉及一种基于动态随机图神经网络的区域发电预测方法及系统，其方法包括：S1：收集区域内各个发电站点的历史实测气象以及对应时刻的发电功率，构建历史实测数据X'；S2：对区域内各个发电站点进行动态随机建模，构建发电站点的动态表征，根据动态表征构建动态随机图A；S3：将X'和A输入动态随机图神经网络，首先经过动态图卷积层，得到表征发电站点间空间关联性的隐状态H；H经过时间卷积层，得到表征时间关联性的隐状态Z；将Z经过两层全连接层，生成各个发电站点未来功率预测值S4：构建损失函数以训练动态随机图神经网络。本发明提供的方法能够有效地学习发电站点之间的时空关联性，提高发电功率预测的精度。

技术研发人员：凌强,吴汤杰
受保护的技术使用者：中国科学技术大学
技术研发日：
技术公布日：2024/1/12