基于图卷积神经网络与K-means聚类的居民用户集群短期负荷预测

随着智能电表等高级量测装置在用户侧的广泛部署与使用,海量多源异构的居民用户数据得以采集与存储,为用户级负荷预测提供良好的数据基础。精准的居民用户集群负荷预测是促进智能配电网需求侧管理、辅助电网公司实现削峰填谷的重要基础。然而,现有的用户级负荷预测方法大多利用历史负荷序列的时间相关性构建数据驱动模型,却忽视相邻用户用电行为之间存在的潜在空间相关性。因此,提出一种基于K-means聚类和自适应时空同步图卷积神经网络的居民用户集群负荷预测方法。首先,采用K-means聚类将居民用户集群按照用电行为相似性划分成不同组;然后,基于居民用户集群的分组数量、各组居民用户的历史负荷数据以及各组居民用户负荷序列之间的相关性,构建面向居民用户集群负荷预测的时空图数据;最后,使用自适应时空同步图卷积神经网络实现居民用户集群短期负荷预测。文章通过真实的爱尔兰居民用户负荷公开数据集测试并验证所提方法的准确性和有效性,实验结果表明,相较于各个基准预测方法,所提方法能够充分挖掘并利用不同居民用户用电负荷之间的时空相关性,进而提高居民用户集群负荷预测精度。

基于时空卷积动态知识图谱的新能源消纳评估方法

为构建新能源消纳知识图谱,首先,将电网积累的海量调度运行数据以动态四元组的形式,显式地表达调度运行数据的时空关联关系。通过滑动时间窗口快速搜索、提取局部时空图,构建子图数据集。然后,时空同步图卷积网络对局部时空图进行高维特征提取,充分挖掘历史数据的时空关联关系,利用新能源消纳知识图谱中存储的机理知识对模型进行引导,并通过多子图并行训练提升模型的学习效率。最后,基于中国西北某省级电网算例进行仿真和实验验证。结果表明,所提方法可以有效避免复杂的数学建模以及模型求解,相比于传统方法具有更高的评估精度与速度。