[发明专利]一种基于动态图神经网络的空调负荷功率实时辨识方法

说明书

本发明公开了一种基于动态图神经网络的空调负荷功率实时辨识方法，该方法基于由原始数据信息构成的图网络拓扑进行信息聚合与计算，根据可视图规则构建图网络拓扑；以双层注意力机制网络聚合邻域节点信息，在历史数据集上对模型进行预训练；使用预训练完的模型接收新数据，并拓展图网络拓扑，计算获取该节点的空调负荷功率辨识结果；每隔一段时间更新图卷积神经网络参数。本发明为纯数据驱动，不需要物理建模，可迁移性强，且构建动态变化的图拓扑处理数据流，实现电器数据的实时辨识，保证了数据信息的时效性，同时采用带有注意力机制和记忆功能的图网络，能够长期有效保留历史数据中的特征信息，实现对低粒度数据的高精度辨识。

技术领域

本发明涉及电气工程技术领域，尤其涉及一种基于动态图神经网络的空调负荷功率实时辨识方法。

背景技术

负荷辨识指从用户总负荷曲线中辨识得到不同电器的具体负荷数据，其中对于空调负荷的辨识对需求侧管理研究具有重大应用价值，其辨识精度很大程度上决定了后续工作的有效性和经济性程度。

神经网络技术在该领域得到了广泛的应用，但大多数方法需要同时获取多种电器的负荷功率数据才能将目标电器的负荷功率从总负荷功率中分离，且通常需要采集高频稳态、暂态的电流、电压数据，经济性与可行性低。图神经网络在神经网络的基础上根据一定物理规律考虑节点之间的连接关系，丰富了节点特征信息，计算精度得到提升。但传统图神经网络的卷积滤波器是基于整个网络训练得到，每个节点都有相应的卷积核参数，在进行卷积计算时，需要保持整张图的结构不变，否则其相应的特征向量和特征值都将发生变化。这一局限性使得传统图卷积神经网络无法处理动态图结构的问题，一旦节点之间的连接关系发生变化，模型就需要在新图上重新训练。在本发明所应对的时序图结构及现实生活中常见的社交网络、推荐系统等应用领域中，图中的节点数量和连接关系都在不断发生变化，当模型处理大规模图结构时，一次性读取整张图及计算量的堆积导致计算过程极其漫长，难以实现对数据特征变化的动态跟踪。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于动态图神经网络的空调负荷功率实时辨识方法。本发明能够保证较高的实时辨识精度。

本发明的目的是通过以下技术方案来实现的：一种基于动态图神经网络的空调负荷功率实时辨识方法，包括以下步骤：

(1)将原始时序负荷数据转换为图网络拓扑，图网络拓扑由节点与节点之间的连接关系构成，以各个时间点的用户总负荷功率作为节点特征值，根据可视图规则构建各节点之间的连接关系，以构建图网络拓扑，并根据邻域规则确定图网络拓扑中每个节点的邻域；

(2)以用户历史时刻总负荷功率及相应时刻的环境温度数据作为节点输入特征，以相应时刻的空调真实负荷功率作为标签，在历史数据集上对图神经网络模型进行预训练；其中，每个节点的节点嵌入向量表征该节点的特征，该特征随时间变化，所述节点嵌入向量通过双层注意力机制网络计算获取；各个节点的信息由节点输入特征向量及节点记忆信息拼接组成，所述节点记忆信息随着其参与图网络拓扑的变化而不断更新；

(3)预训练完的图神经网络模型每接收到一组新的总负荷功率，根据步骤(1)中的可视图规则拓展图网络拓扑，将新节点的记忆信息初始化为0，将新节点及其邻域节点的特征输入进图神经网络模型中计算节点嵌入向量，同时根据节点记忆信息更新机制更新所有新连接关系涉及到的节点记忆信息；将新节点对应的节点嵌入向量通过全连神经网络输出层以获取该节点对应时刻下的空调负荷功率辨识结果；重复当前步骤直至此段时间的空调真实负荷功率传达至图神经网络模型；

(4)图神经网络模型接收到过去一段时间的空调真实负荷功率后，将图网络拓扑中的所有节点的记忆恢复至上一次图神经网络模型更新结束的状态，将此段时间内新加入的节点记忆初始化为0，将图神经网络模型更新期间的节点作为训练样本，将该段时间的空调真实负荷功率作为训练样本的标签，更新图卷积神经网络的参数，以获取最终的图卷积神经网络；