一种基于图神经网络的碳排放流追踪方法

1.本发明涉及电气工程技术领域，尤其是涉及一种基于比例均分原则的碳排放及绿电追踪方法与装置。


背景技术：

2.建立碳排放权交易这种碳排放相关的电力市场机制。在当前可再生能源发电量不能完全满足负荷需求的前提下，迫切需要一种电力系统碳排放和绿色电力流向跟踪方法，以确定碳排放。为了实现包括储能设备的全流程碳流追踪，一个更高效率、更小信息需求量的碳流追踪方法还待提出。
3.随着图计算的兴起以及数据量的大增，数据驱动的方法渐渐成为可能，而其计算时间和计算流程都大大缩小，因此运用深度学习进行碳流追踪有独特的技术优势，但是目前极少有将数据驱动方法应用于碳流追踪的方法；类似的应用中，也缺少可迁移于不同规模电网之间的深度学习模型，无法满足电力系统拓扑频繁变动的现状。


技术实现要素：

4.针对现有技术中存在的问题，本发明基于比例均分原则，提出了碳排放及绿电追踪方法，以达成，用能权责分明。
5.为实现上述目的，本发明采用如下技术方案：本发明实施例的第一方面提供了一种基于图神经网络的碳排放流追踪方法，包括以下步骤：
6.(1)收集目标输配电网的拓扑信息，用户负荷范围、位置，发电设备的位置及碳电效率；
7.(2)基于步骤(1)收集的输配电网络的拓扑数据，构建与之对应的图神经网络；
8.(3)仿真生成电网运行的潮流，或收集历史数据，得到各发电机发电量、各用户负荷情况下的潮流状况；
9.(4)利用比例均分原则得到碳流追踪结果，即得发电量、用户负荷与碳流追踪结果的对应关系；将该对应关系作为图神经网络的样本；
10.(5)将样本划分为训练集、验证集和测试集，将训练集样本输入图神经网络进行训练；在每轮训练后，通过验证集检验当前模型的准确性；在其准确性达到预设的要求后，再用测试集对当前模型的准确性进行校验；
11.(6)将目标输配电网的发电设备和负荷的功率数据输入步骤(5)训练好的图神经网络得到各线路和各节点的碳排率；
12.若将步骤(5)训练好的图神经网络适用于新的目标输配电网，先对训练好的图神经网络进行微调，更改图神经网络的参数，得到新的目标输配电网的碳排率。
13.优选的，所述步骤(2)具体为将输配电网络中的发电机、变压器、母线、配电箱等视为节点，输配电线路以及变压器支路看作节点之间相连的边，构建对应的图神经网络。
14.优选的，所述步骤(2)中图神经网络的模型构建具体过程如下：
15.图神经网络的模型由多头注意力机制层和母线-线路注意力机制层以及全连接层共同构成，其中，母线-线路注意力机制层的输入数据为每条边两边的节点特征，输入数据为该条边的特征；根据目标输配电网的拓扑信息中的邻接矩阵转化为两个变换矩阵来确定该母线-线路注意力机制层的参数。
16.优选的，目标输配电网的拓扑信息中的邻接矩阵转化为两个变换矩阵的过程具体为：
17.(a)取邻接矩阵(m*m)的上三角矩阵，记其中的非零元素数量为n，生成两个矩阵： m1和m2；m1和m2都有n行，m列，每行分别只有一个非零元素；其中每一行对应邻接矩阵上三角矩阵的一个非零元素(m1,m2)，m1在该行的非零值在第m1列，m2在该行的非零值在m2列；
18.(b)通过将反映所有节点特征的特征矩阵分别左乘m1和m2，得到能对各边分别反映两端节点特征的两个特征矩阵，通过将这两个矩阵输入到图神经网络层就可得到对应边的特征。
19.优选的，利用比例均分原则得到碳流追踪结果的具体过程如下：
20.(a)在知道潮流的基础上，得到每个电源的辐射范围：
21.(a)选择一个电源，生成一个单元素母线集，该母线直接连接到电源，并将其命名为第一集合a。生成一个名为第二集合b的空集，一个名为第三集合c的集合，所述第三集合c 包括除第一集合a中的母线外的所有母线。
22.(b)从第一集合a和第二集合b的并集中找出一条母线，即第一母线，从第三集合c 中找出另一条母线，即第二母线。如果其中两条母线在一条线路的两侧则执行如下步骤：如果第一母线在第一集合a集合中，线路的电源是第一母线到第二母线，则将第二母线加入第一集合a，否则，将第二母线加入第二集合b，并且从第三集合c中删除第二母线。
23.(c)重复第二步，直到第三集合c变成空集，第一集合中的元素就是包含来自所选电源的功率的母线。将第一集合a重命名为第四集合d。
24.(d)根据第四集合d中的母线，找出包含来自各电源能源的线路，形成线路集第五集合e；找到负载直接连接到第四集合d中的母线形成第六集合f，并与第四集合d和第五集合f构建一实体集第七集合g。
25.(e)重复上述步骤，为每个电源构造第七集合g。
26.(f)生成一个空的字典，即第九字典i；
27.(g)选择一个电源，生成一个空集，即第八集合h；再生成两个空字典，分别是第十集合j和第十一集合k；
28.(h)计算从连接到源的总线输出的功率总和，记为p
out_sum
。如果连接到电源的总线没有向线路输出功率，则电源到线路的输出为0，从电源到负载的有功功率与电源产生的功率相同。否则，从电源到线路和负载的输出功率计算如下：
[0029][0030][0031]
其中，p
line_i
和p
load_j
分别是从总线注入到连接到总线的第i条线路和第j个负载的
总有功功率；p
gen
是电源的输出有功功率；p
fs_i
和p
fs_j
分别是从源到线路i和负荷j的有功功率。计算每条线路和连接到总线的每个负载，将这些线路添加到第八集合h；
[0032]
(i)找出线路的其他母线，并生成一个包含它们的集合，根据比例均分原则计算从电源到线路另一侧的功率，记为p
tb_i
。并对添加到字典中，公式如下：
[0033]
j[i]＝p
fs_i-p
tb_i
[0034]
k[j]＝p
fs_j
[0035]
其中，i代指具体线路，j代指具体负荷，第十集合j、第十一集合k为前述空集；
[0036]
(j)在第十二集合l中的每个母线设置一个虚拟电源，当其与上一批第十二集合l中的某点工位线路i的两头时，得到其有功功率为p
tb_i
；
[0037]
(k)对每条总线重复步骤(b)～(e)，更新第八集合h、第十集合j、第十一集合k 和第十二集合l，直到第五集合e中的所有元素都可以在第八集合h中找到；
[0038]
(l)对所有源重复上述步骤。并更新第九字典i，得到各电源的辐射范围：
[0039]
i[k]＝[j,k]
[0040]
其中，k指代电源。
[0041]
(b)计算每个线路和负荷消耗的碳排放量
[0042]
碳排放的计算公式如下：
[0043][0044][0045]
其中，ρ
cg_i
是第i个负荷上的碳排放量，ρ
cl_j
是第j条线路上的碳排放量，c[k]是电源 k的碳排放效率；fpp为电网中火电电源的集合。
[0046]
优选的，若图神经网络在测试集的准确性不足，则通过增加仿真扩大训练样本，直到图神经网络能满足准确性要求。
[0047]
优选的，若将步骤(5)训练好的图神经网络适用于新的目标输配电网，使得图神经网络在不同规模网络间的迁移，具体过程如下：
[0048]
图神经网络可通过改变m1和m2来在不同规模的电网网间进行迁移，在新电网中生成较少量的发电量、用户负荷与碳流追踪结果的对应关系作为样本，通过将已经完成训练的深度神经网络的参数进行微调，更改图神经网络的参数，就可将该图神经网络用于新的电网，得到新的目标输配电网的碳排率。
[0049]
本发明实施例的第二方面提供了一种电子设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的基于图神经网络的碳排放流追踪方法。
[0050]
本发明实施例的第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的基于图神经网络的碳排放流追踪方法。
[0051]
与现有技术相比，本发明的有益效果如下：本发明方法将深度学习用于碳流追踪，具有高效性和准确性。本发明方法考虑到不同深度学习模型在不同规模电网中的可迁移性，通过对训练好的图神经网络进行微调，更改图神经网络的参数，适用于新的目标输配电网。
附图说明
[0052]
图1为本方法流程图；
[0053]
图2为图神经网络结构示意图；
[0054]
图3为本发明装置的示意图。
具体实施方式
[0055]
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的方法的例子。
[0056]
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
[0057]
下面结合附图及具体实施例对本发明作进一步详细说明。在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
[0058]
本发明提出了一种基于图神经网络的碳流追踪方法，如图1所示，具体包括以下步骤：
[0059]
(1)收集目标输配电网的拓扑信息，用户负荷范围、位置，发电设备的位置及碳电效率；
[0060]
(2)基于步骤(1)收集的输配电网络的拓扑数据，构建与之对应的图神经网络；
[0061]
其中，发电机、变压器、母线、配电箱等视为节点，输配电线路以及变压器支路看作节点之间相连的边。将代表电气设备和线路的节点于边组成代表电网的图。
[0062]
图神经网络的模型由多头注意力机制层和母线-线路注意力机制层以及全连接层(fc层) 共同构成，其中母线-线路注意力机制层的输入输出数据分别为每条边两边的节点特征和该条边的特征，因此需要根据拓扑来确定该层的参数，本发明将电网拓扑图的邻接矩阵转化为两个变换矩阵，其具体过程为。
[0063]
(a)取邻接矩阵(m*m)的上三角矩阵，记其中的非零元素数量为n，生成两个矩阵： m1和m2，他们都有n行，m列，每行分别只有一个非零元素；其中每一行对应邻接矩阵上三角矩阵的一个非零元素(m1,m2)，m1在该行的非零值在第m1列，m2在该行的非零值在m2 列。
[0064]
(b)通过将反映所有节点特征的特征矩阵分别左乘m1和m2，得到能对各边分别反映两端节点特征的两个特征矩阵(两个矩阵的同一行对应同一条边)，通过将这两个矩阵输入到图神经网络层就可得到对应边的特征。
[0065]
(3)利用仿真软件(如opendss)生成电网运行的潮流仿真数据或真实历史数据，得到各发电机发电量、各用户负荷情况下的潮流状况；
[0066]
(4)利用比例均分原则得到碳流追踪结果，即得发电量、用户负荷与碳流追踪结果的对应关系；将该对应关系作为图神经网络的样本；
[0067]
其中利用比例均分原则由潮流得到碳流追踪结果的过程如下所述：
[0068]
(a)选择一个电源，生成一个单元素母线集，该母线直接连接到电源，并将其命名
为第一集合a。生成一个名为第二集合b的空集，一个名为第三集合c的集合，所述第三集合c 包括除第一集合a中的母线外的所有母线。
[0069]
(b)从第一集合a和第二集合b的并集中找出一条母线，即第一母线，从第三集合c 中找出另一条母线，即第二母线。如果其中两条母线在一条线路的两侧则执行如下步骤：如果第一母线在第一集合a集合中，线路的电源是第一母线到第二母线，则将第二母线加入第一集合a，否则，将第二母线加入第二集合b。无论如何从第三集合c中删除第二母线。
[0070]
(c)重复第二步，直到第三集合c变成空集，第一集合a中的元素就是包含来自所选电源的功率的母线。将第一集合a重命名为第四集合d。
[0071]
(d)根据第四集合d中的母线，找出包含来自各电源能源的线路，形成线路集第五集合e；找到负载直接连接到第四集合d中的母线形成第六集合f，并与第四集合d和第五集合e一起构建一个实体集第七集合g。
[0072]
(e)重复以上步骤，为每个电源构造实体集第七集合g。
[0073]
(f)根据步骤(e)得到的潮流计算各电源的辐射范围(即每个电源能量能传到的线路和负荷，即每单位负荷与线损的来源)，具体包括以下步骤：
[0074]
f.1生成一个空的字典，即第九字典i。
[0075]
f.2选择一个电源，生成一个空集，即第八集合h；再生成两个空字典，分别是第十集合 j和第十一集合k。
[0076]
f.3计算从连接到源的总线输出的功率总和，记为p
out_sum
。如果连接到电源的总线没有向线路输出功率，则电源到线路的输出为0，从电源到负载的有功功率与电源产生的功率相同。否则，从电源到线路和负载的输出功率计算如下：
[0077][0078][0079]
其中p
line_i
和p
load_j
分别是从总线注入到连接到总线的第i条线路(即线路i)和第j个负载(即负荷j)的总有功功率；p
gen
是电源的输出有功功率；p
fs_i
和p
fs_j
分别是从源到线路i 和负荷j的有功功率。计算每条线路和连接到总线的每个负载，将这些线路添加到第八集合h。
[0080]
f.4找出线路的其他母线，并生成一个包含它们的集合，根据比例均分原则计算从电源到线路另一侧的功率，并将其命名为p
tb_i
。以如下形式,将“键-值”对添加到字典中：
[0081]
j[i]＝p
fs_i-p
tb_i
[0082]
k[j]＝p
fs_j
[0083]
其中i代指具体线路，j代指具体负荷，第十集合j、第十一集合k为前述空集。
[0084]
f.5在第十二集合l中的每个母线设置一个虚拟电源，当其与上一批第十二集合l中的某点工位线路i的两头时，其有功功率为p
tb_i
。
[0085]
f.6对每条总线重复第二步到第五步，更新第八集合h、第十集合j、第十一集合k和第十二集合l，直到第五集合e中的所有元素都可以在第八集合h中找到。
[0086]
f.7对所有源重复上述步骤。以如下形式更新第九字典i，得到各电源的辐射范围：
[0087]
i[k]＝[j,k]
[0088]
其中k指代电源。
[0089]
(g)面向每单位能量消耗对其来源的碳排放求和，完成碳排放追踪。公式如下：
[0090][0091][0092]
其中，ρ
cg_i
是第i个负荷上的碳排放量，ρ
cl_j
是第j条线路上的碳排放量，c[k]是电源 k的碳排放效率；fpp为电网中火电电源的集合。
[0093]
(5)本实施例中，将步骤(1)中所得的样本按3：2：5的比例分为训练集、验证集和测试集，用训练集样本对图神经网络进行训练。在每轮训练(即每个样本进行了一次训练) 后，用验证集检验当前模型的准确性；在其准确性达到要求后，再用测试集对当前模型的准确性进行校验。如图神经网络在测试集的准确性不足，则通过增加仿真扩大训练样本，直到神经网络能满足准确性要求。具体的准确性要求为均方误差小于10-4
，计算公式为：
[0094][0095]
其中n为一次计算得出参数的个数，yi为深度学习方法计算出的第i个数据，为该数据的实际值。
[0096]
(6)将训练完成的图神经网络用于实际使用，将目标输配电网的发电设备和负荷的功率数据输入步骤(5)训练好的图神经网络，得到各线路和各节点的碳排率。
[0097]
若将步骤(5)训练好的图神经网络适用于新的目标输配电网，先对训练好的图神经网络进行微调(fine-tune)，更改图神经网络的参数，使得图神经网络在不同规模网络间的迁移，得到新的目标输配电网的碳排率。具体过程如下：
[0098]
(a)利用新电网生成的拓扑，对图神经网络的m1、m2进行修改，其余参数不变.
[0099]
(b)通过仿真或历史资料收集新电网的潮流和各发电设备的碳排放效率，并利用比例均分原则获得碳流追踪结果，作为新的输入输出数据；再将样本分组划分为训练集、验证集和测试集，对改过参数的图神经网络进行少量参数的训练，达到微调的效果，在验证集验证、测试集校验后投入使用。
[0100]
在ieee37节点样本的训练中，所述方法可以在100个epoch内达到准确性要求。
[0101]
与前述基于图神经网络的碳排放流追踪方法的实施例相对应，本发明还提供了基于图神经网络的碳排放流追踪装置的实施例。
[0102]
参见图3，本发明实施例提供的一种基于图神经网络的碳排放流追踪装置，包括一个或多个处理器，用于实现上述实施例中的基于图神经网络的碳排放流追踪方法。
[0103]
本发明基于图神经网络的碳排放流追踪装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图3所示，为本发明基于图神经网络的碳排放流追踪装置所在任意具备数据处理能力的设
备的一种硬件结构图，除了图3所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
[0104]
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
[0105]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0106]
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于图神经网络的碳排放流追踪方法。
[0107]
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备，例如所述设备上配备的插接式硬盘、智能存储卡(smart media card，smc)、sd 卡、闪存卡(flash card)等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
[0108]
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。