基于图时空神经网络的多充电站负荷协同预测方法

针对传统充电站负荷预测方法只能实现对单一站点预测的问题,提出一种基于图时空神经网络(Graph Spatiotemporal Neural Network,GSTNN)模型的多充电站负荷协同预测方法。定义时空信息图,描述充电站负荷之间的时空关系;构建时空特征提取网络,分别利用图卷积神经网络和门控序列卷积网络提取信息图的空间和时间维度信息,并使用长短期记忆网络(Long Short Term Memory Networks,LSTM)挖掘影响负荷预测的外部特征信息;融合提取的所有特征,进行负荷预测。算例结果表明,基于GSTNN模型的方法能充分考虑时空特征和外部特征的影响,协同多个充电站的负荷数据进行预测,并同时输出各充电站的预测结果,有效提高预测准确度,有助于电网稳定运行。

基于时空循环图神经网络的电网风险诊断框架

风险诊断有益于明确风险隔离框架以及指定系统恢复措施,可为电网检修方式安排提供决策参考。在分布式能源集成化程度日益提高的情况下,基于逆变器的发电机异常电流较小,传统的继电保护失效,对电网系统的风险感知提出了新的要求。提出一种基于时空循环图神经网络(Spatial-Temporal Recurrent Graph Neural Network,STRGNN)的电网风险诊断框架,提升了检修方式的风险识别能力。STRGNN可以从关键母线上的电压测量单元数据中提取时空特征,根据特征进行风险事件检测、风险类型/相位分类、风险定位等操作。与现有研究成果相比,STRGNN对风险诊断具有更好的泛化能力。此外,STRGNN提取电压信号而不是电流信号,不需要在电网系统的所有线路上安装继电器,不受电流测量单元数量的约束。在波茨坦微电网系统和IEEE-123节点馈线系统上进行大量实验,结果表明STRGNN相比其他基准方法具有更好的性能。相较于最先进的图卷积方法在IEEE-123节点馈线系统上,风险定位准确率提升了1.8%。

基于OpenPose和ST⁃GCN的步态识别研究

根据行人步态具有唯一性,且不受客观因素影响的特点,利用OpenPose提取行人的骨架信息,结合时空图卷积神经网络模型,构建步态识别模型,在步态识别网络中融入注意力机制,可以有效地避免系统陷入局部最优解,使分类模型可以结合骨架的局部信息和全局信息,构建丰富的网络模型,提高识别系统的泛化能力,实验结果显示,达到了较为理想的步态识别效果。