陳宗源，余 濤，丁茂生，潘振寧，陳俊斌，劉希喆

（1.華南理工大學(xué)電力學(xué)院，廣東省廣州市510610；2.國網(wǎng)寧夏電力有限公司，寧夏回族自治區(qū)銀川市750001）

0 引言

隨著新型電力系統(tǒng)的加快建設(shè)，中國新能源并網(wǎng)裝機(jī)容量與消納總量逐年攀升［1］。然而，由于風(fēng)、光等新能源出力具有極強(qiáng)的間歇性、隨機(jī)性以及波動(dòng)性，大規(guī)模消納新能源一直是世界性難題［2］。中國西北地區(qū)風(fēng)光資源豐富，西北電網(wǎng)高占比新能源送端電網(wǎng)的特征日益突出。2021 年，西北地區(qū)全年新能源棄電率5.4%，累計(jì)棄電量13 280 GW·h。因此，準(zhǔn)確地對(duì)新能源消納能力進(jìn)行評(píng)估，有利于對(duì)電力系統(tǒng)調(diào)度計(jì)劃做出調(diào)整以及對(duì)電力系統(tǒng)進(jìn)行中長期規(guī)劃，提升新型電力系統(tǒng)的新能源消納水平。

目前，國內(nèi)外學(xué)者主要基于典型日分析法、隨機(jī)生產(chǎn)模擬法以及時(shí)序生產(chǎn)模擬法等方法對(duì)新能源消納能力進(jìn)行評(píng)估分析［3-6］。其中，典型日分析法［7］僅考慮典型或極端場景下的新能源消納情況，其計(jì)算時(shí)間快，但計(jì)算結(jié)果過于保守，無法準(zhǔn)確描述系統(tǒng)源荷兩側(cè)的時(shí)序波動(dòng)特性。隨機(jī)生產(chǎn)模擬法［8］引入概率分布描述負(fù)荷、一次能源以及新能源出力的隨機(jī)性與波動(dòng)性，優(yōu)化機(jī)組運(yùn)行方式，但忽略了與時(shí)序相關(guān)的機(jī)理約束，無法全面遵從系統(tǒng)的實(shí)際運(yùn)行情況。時(shí)序生產(chǎn)模擬法［9-10］基于電網(wǎng)機(jī)理建模，綜合考慮機(jī)組及網(wǎng)架的約束條件逐時(shí)段模擬電網(wǎng)調(diào)度運(yùn)行情況，所建立的物理模型可解釋性強(qiáng)，且對(duì)數(shù)據(jù)質(zhì)量要求不高。文獻(xiàn)［11］考慮系統(tǒng)的正常運(yùn)行狀態(tài)以及N-1 預(yù)想故障狀態(tài)對(duì)地區(qū)電網(wǎng)的新能源消納能力進(jìn)行評(píng)估。文獻(xiàn)［12］提出提高跨區(qū)電網(wǎng)風(fēng)電消納能力的一系列措施。然而，模型驅(qū)動(dòng)的方法存在物理模型的簡化處理以及關(guān)鍵參數(shù)的人為設(shè)置，難以準(zhǔn)確得到系統(tǒng)的真實(shí)運(yùn)行情況，結(jié)果難免存在一定誤差。隨著電網(wǎng)拓?fù)浣Y(jié)構(gòu)日益復(fù)雜，長時(shí)間時(shí)序生產(chǎn)模擬存在建模復(fù)雜、計(jì)算量大以及優(yōu)化求解耗時(shí)長等問題，不適用于規(guī)模日益龐大、耦合愈發(fā)復(fù)雜的新型電力系統(tǒng)。

與上述模型驅(qū)動(dòng)的傳統(tǒng)新能源消納能力評(píng)估方法相比，無模型的數(shù)據(jù)驅(qū)動(dòng)方法利用海量歷史數(shù)據(jù)挖掘電力系統(tǒng)狀態(tài)變量與運(yùn)行特征的隱含關(guān)聯(lián)關(guān)系，能夠有效避免復(fù)雜的機(jī)理建模過程。文獻(xiàn)［13］基于輸入更新的長短期記憶網(wǎng)絡(luò)，構(gòu)成實(shí)時(shí)調(diào)度自適應(yīng)學(xué)習(xí)模型，有效解決不確定性因素帶來的影響。文獻(xiàn)［14］基于核主成分分析與隨機(jī)森林結(jié)合的方法有效提高風(fēng)電場功率預(yù)測的精度及穩(wěn)定性。然而，海量多源異構(gòu)的電網(wǎng)調(diào)度運(yùn)行數(shù)據(jù)存在復(fù)雜的時(shí)空耦合關(guān)系，對(duì)數(shù)據(jù)的表征、存儲(chǔ)和挖掘提出了挑戰(zhàn)。作為人工智能領(lǐng)域的一個(gè)重要分支，知識(shí)圖譜（knowledge graph，KG）具備結(jié)構(gòu)化管理和智能化挖掘大規(guī)模數(shù)據(jù)復(fù)雜關(guān)系的能力，其通過圖數(shù)據(jù)結(jié)構(gòu)的存儲(chǔ)方式對(duì)海量多源異構(gòu)數(shù)據(jù)進(jìn)行有機(jī)的串聯(lián)與呈現(xiàn)［15］。因此，將電網(wǎng)調(diào)度運(yùn)行數(shù)據(jù)構(gòu)建為時(shí)空動(dòng)態(tài)知識(shí)圖譜，既能夠?yàn)閿?shù)據(jù)驅(qū)動(dòng)模型提供圖數(shù)據(jù)結(jié)構(gòu)的學(xué)習(xí)樣本，又可以進(jìn)行知識(shí)引導(dǎo)［16］。目前，知識(shí)圖譜在電力領(lǐng)域尚處于起步階段，文獻(xiàn)［17］構(gòu)建了電力設(shè)備缺陷知識(shí)圖譜，能夠?yàn)楝F(xiàn)有缺陷的處理提供有效指導(dǎo)。然而，尚未有研究將知識(shí)圖譜應(yīng)用于系統(tǒng)規(guī)模龐大、耦合關(guān)系復(fù)雜的省級(jí)電網(wǎng)新能源消納評(píng)估任務(wù)。

針對(duì)上述現(xiàn)狀，本文提出了一種基于時(shí)空卷積動(dòng)態(tài)知識(shí)圖譜的新能源消納評(píng)估方法，主要?jiǎng)?chuàng)新點(diǎn)如下：

1）針對(duì)電網(wǎng)積累的海量調(diào)度運(yùn)行數(shù)據(jù)，利用知識(shí)圖譜顯式地表達(dá)數(shù)據(jù)間的時(shí)空關(guān)聯(lián)關(guān)系，并實(shí)現(xiàn)時(shí)間切片的數(shù)據(jù)存儲(chǔ)、挖掘及動(dòng)態(tài)更新。

2）為充分挖掘海量調(diào)度運(yùn)行數(shù)據(jù)的時(shí)空關(guān)聯(lián)關(guān)系，通過滑動(dòng)時(shí)間窗口快速搜索知識(shí)圖譜并提取局部時(shí)空?qǐng)D構(gòu)建為子圖數(shù)據(jù)集，降低模型訓(xùn)練數(shù)據(jù)維度，通過多子圖并行訓(xùn)練提升模型學(xué)習(xí)效率。

3）針對(duì)數(shù)據(jù)驅(qū)動(dòng)方法對(duì)數(shù)據(jù)要求較高的問題，在時(shí)空同步圖卷積網(wǎng)絡(luò)訓(xùn)練過程中，基于知識(shí)圖譜搜索出新能源消納相關(guān)的機(jī)理知識(shí)，并通過損失函數(shù)物理殘差項(xiàng)的形式進(jìn)行約束，引導(dǎo)模型既服從數(shù)據(jù)訓(xùn)練的結(jié)果，又遵循新能源消納物理機(jī)理的約束。

基于真實(shí)數(shù)據(jù)的算例分析與方法對(duì)比結(jié)果表明，本文所提方法避免了建模過程中模型簡化處理以及人為設(shè)置參數(shù)導(dǎo)致的計(jì)算結(jié)果不準(zhǔn)確，提高了新能源消納能力的評(píng)估精度與速度。

1 新能源消納能力評(píng)估

1.1 新能源消納能力分析

新能源消納能力受以下幾方面因素的影響：電網(wǎng)的電源結(jié)構(gòu)、網(wǎng)架拓?fù)?、?fù)荷需求、外送市場以及系統(tǒng)調(diào)峰等。文獻(xiàn)［18］建立了新能源消納影響因素貢獻(xiàn)度的評(píng)估方法，發(fā)現(xiàn)制約新能源消納的主要因素為系統(tǒng)的調(diào)峰能力。新能源消納能力示意圖見附錄A 圖A1，負(fù)荷與外送功率與常規(guī)機(jī)組最小技術(shù)出力的差值即為理論上的新能源最大消納能力。當(dāng)新能源出力小于新能源最大消納能力時(shí)，新能源發(fā)電量可全額消納；當(dāng)新能源出力大于新能源最大消納能力時(shí)，超出的電量無法被系統(tǒng)消納，由此產(chǎn)生了棄風(fēng)、棄光的問題。

由附錄A 圖A1 可以直觀分析出新能源消納能力的主要影響因素包括用電負(fù)荷、系統(tǒng)備用、常規(guī)機(jī)組最小技術(shù)出力以及新能源的出力水平等。為了挖掘新能源消納能力與其主要影響因素之間的復(fù)雜耦合關(guān)系，可采用數(shù)據(jù)驅(qū)動(dòng)與知識(shí)驅(qū)動(dòng)相結(jié)合的方式對(duì)電網(wǎng)調(diào)度運(yùn)行數(shù)據(jù)進(jìn)行學(xué)習(xí)。

1.2 新能源消納能力評(píng)估框架

本文設(shè)計(jì)了基于時(shí)空卷積動(dòng)態(tài)知識(shí)圖譜的新能源消納評(píng)估框架，如圖1 所示。

首先，從新能源消納能力機(jī)理模型抽取出新能源消納知識(shí)，并在其指導(dǎo)下將電網(wǎng)調(diào)控運(yùn)行過程中積累的海量歷史數(shù)據(jù)構(gòu)建為新能源消納知識(shí)圖譜，包括火電、光伏、風(fēng)電和負(fù)荷等電網(wǎng)調(diào)度運(yùn)行數(shù)據(jù)。其次，通過滑動(dòng)時(shí)間窗口在知識(shí)圖譜中搜索、提取局部時(shí)空?qǐng)D并構(gòu)建為子圖數(shù)據(jù)集，供以時(shí)空同步圖卷積神經(jīng)網(wǎng)絡(luò)為核心的數(shù)據(jù)驅(qū)動(dòng)模型進(jìn)行訓(xùn)練。訓(xùn)練過程中，在新能源消納知識(shí)圖譜中搜索新能源消納相關(guān)的機(jī)理知識(shí)，并通過損失函數(shù)物理殘差項(xiàng)的形式對(duì)數(shù)據(jù)驅(qū)動(dòng)模型的評(píng)估結(jié)果進(jìn)行約束。訓(xùn)練好的新能源消納能力評(píng)估模型能夠挖掘各局部時(shí)空?qǐng)D的時(shí)空相關(guān)性，實(shí)現(xiàn)考慮時(shí)空相關(guān)性的特征聚合與提取，構(gòu)建從提取到的特征信息到新能源消納能力評(píng)估結(jié)果的非線性映射。通過知識(shí)驅(qū)動(dòng)將機(jī)理知識(shí)嵌入數(shù)據(jù)驅(qū)動(dòng)模型后，新能源消納能力評(píng)估模型實(shí)際上是一個(gè)知識(shí)增強(qiáng)的數(shù)據(jù)驅(qū)動(dòng)模型，既服從新能源消納數(shù)據(jù)訓(xùn)練的結(jié)果，又遵循新能源消納物理機(jī)理的約束。采用知識(shí)驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)相結(jié)合的學(xué)習(xí)方式，既可以最大化利用已有的先驗(yàn)知識(shí)，又能夠從海量歷史數(shù)據(jù)中挖掘出數(shù)據(jù)背后的隱含知識(shí)，進(jìn)一步提高模型評(píng)估的適應(yīng)性與可解釋性。

2 新能源消納知識(shí)圖譜

2.1 新能源消納知識(shí)圖譜構(gòu)建

知識(shí)圖譜是根據(jù)客觀世界中實(shí)體與實(shí)體間關(guān)聯(lián)關(guān)系相互連接形成的一種圖數(shù)據(jù)結(jié)構(gòu)，一般采用靜態(tài)三元組的形式來表征不同實(shí)體間的復(fù)雜關(guān)系，可將圖譜中的每一條知識(shí)直觀地表示為＜頭實(shí)體，關(guān)系，尾實(shí)體＞，如附錄A 圖A2 藍(lán)色虛線框所示。傳統(tǒng)的結(jié)構(gòu)化關(guān)系數(shù)據(jù)庫字段間和記錄間的關(guān)系需要進(jìn)行復(fù)雜的計(jì)算提取，而知識(shí)圖譜的三元組表示形式能夠顯式地表達(dá)出實(shí)體間的關(guān)聯(lián)關(guān)系，有利于對(duì)圖譜中的關(guān)系進(jìn)行快速搜索與提取，從而挖掘數(shù)據(jù)間深層次的高階關(guān)系。當(dāng)前關(guān)于知識(shí)圖譜的研究主要是關(guān)注靜態(tài)三元組知識(shí)圖譜，其無法捕獲關(guān)鍵的時(shí)序信息。由于新能源消納能力評(píng)估模型需要挖掘歷史數(shù)據(jù)中蘊(yùn)含的時(shí)空關(guān)聯(lián)關(guān)系，考慮在知識(shí)圖譜靜態(tài)三元組中嵌入時(shí)間戳信息，形成＜頭實(shí)體，關(guān)系，尾實(shí)體，時(shí)間戳＞的動(dòng)態(tài)四元組形式［19］，如附錄A 圖A2 黑色虛線框所示。知識(shí)圖譜動(dòng)態(tài)四元組的表示形式能夠更直觀地對(duì)高度動(dòng)態(tài)的電網(wǎng)調(diào)度運(yùn)行數(shù)據(jù)進(jìn)行存儲(chǔ)，有利于挖掘數(shù)據(jù)的時(shí)間相關(guān)性。

本文以D5000 系統(tǒng)中獲取的寧夏省級(jí)電網(wǎng)調(diào)度運(yùn)行數(shù)據(jù)為數(shù)據(jù)源，采用自頂向下、自底向上相結(jié)合的方法構(gòu)建面向新能源消納能力評(píng)估的新能源消納知識(shí)圖譜，構(gòu)建流程見附錄A 圖A3。

首先，從新能源消納能力機(jī)理模型抽取出新能源消納知識(shí)包括基本概念、函數(shù)以及約束條件等結(jié)構(gòu)化數(shù)據(jù)，可直接用來指導(dǎo)新能源消納知識(shí)圖譜本體自頂向下的構(gòu)建，并建立圖譜的模式層。知識(shí)圖譜本體包括聚合電網(wǎng)本體、聯(lián)絡(luò)線本體、風(fēng)電場本體、光伏電站本體、火電機(jī)組本體和負(fù)荷本體等。各本體定義了各自的具體屬性，如聚合電網(wǎng)本體屬性包括分區(qū)和斷面限額等，聯(lián)絡(luò)線本體屬性包括約束電量、出力上限和出力下限等。完成本體定義后，通過本體評(píng)估對(duì)已有知識(shí)的可信度進(jìn)行量化，保留置信度較高的知識(shí)，以保障知識(shí)圖譜的構(gòu)建質(zhì)量。本體關(guān)系包括聚合電網(wǎng)本體間關(guān)系、聚合電網(wǎng)與風(fēng)電場本體間關(guān)系和風(fēng)電場本體間關(guān)系等。其次，電網(wǎng)調(diào)控運(yùn)行過程中積累的海量歷史數(shù)據(jù)以及電網(wǎng)專家、技術(shù)人員的主觀經(jīng)驗(yàn)等半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)也蘊(yùn)含了豐富的新能源消納知識(shí)。利用基于規(guī)則以及半監(jiān)督相結(jié)合的知識(shí)抽取方式對(duì)此類數(shù)據(jù)進(jìn)行實(shí)體、關(guān)系以及屬性值的抽取，得到新能源消納知識(shí)圖譜的數(shù)據(jù)層，將抽取的數(shù)據(jù)映射或補(bǔ)充到新能源消納知識(shí)圖譜的本體中，從而實(shí)現(xiàn)本體自底向上的構(gòu)建。最后，在Neo4j 圖數(shù)據(jù)庫平臺(tái)完成模式層與數(shù)據(jù)層的結(jié)合，從而構(gòu)建出新能源消納知識(shí)圖譜。

采用自頂向下、自底向上結(jié)合的知識(shí)圖譜構(gòu)建方法，既能夠充分利用現(xiàn)有新能源消納能力評(píng)估的機(jī)理知識(shí)，為數(shù)據(jù)驅(qū)動(dòng)模型的訓(xùn)練提供約束條件，又能實(shí)現(xiàn)時(shí)間切片的海量調(diào)度運(yùn)行數(shù)據(jù)的融合、存儲(chǔ)以及搜索，并挖掘海量歷史數(shù)據(jù)中隱含的新知識(shí)。

2.2 新能源消納知識(shí)圖譜提取局部時(shí)空?qǐng)D

對(duì)于時(shí)間斷面?zhèn)€數(shù)為T的時(shí)空網(wǎng)絡(luò)序列，以3為滑動(dòng)時(shí)間窗口長度可以提取出T-2 個(gè)局部時(shí)空?qǐng)D，各局部時(shí)空?qǐng)D中包含的時(shí)間斷面集合分別為{t1，t2，t3}，{t2，t3，t4}，…，{tT-2，tT-1，tT}。

滑動(dòng)時(shí)間窗口的示意圖見附錄A 圖A4。給定一個(gè)歷史時(shí)空網(wǎng)絡(luò)序列，共包含5 個(gè)時(shí)間斷面的空間圖，以3 為時(shí)間窗口長度進(jìn)行滑動(dòng)并截取數(shù)據(jù)，在示 意 圖 中 共 截 取 出{t1，t2，t3}，{t2，t3，t4}，{t3，t4，t5}3 個(gè)時(shí)間段的空間圖。

2.3 局部時(shí)空?qǐng)D與局部鄰接矩陣

局部時(shí)空?qǐng)D指將當(dāng)前時(shí)間斷面空間圖中各節(jié)點(diǎn)與前后兩個(gè)時(shí)間斷面的對(duì)應(yīng)節(jié)點(diǎn)相連接，構(gòu)建出一個(gè)包含前、中、后三個(gè)時(shí)間斷面的圖。由于省級(jí)電網(wǎng)線路和機(jī)組數(shù)量眾多、連接關(guān)系復(fù)雜，新能源消納知識(shí)圖譜中的空間圖基于電網(wǎng)主要受限斷面對(duì)省級(jí)電網(wǎng)進(jìn)行區(qū)域劃分和內(nèi)部聚合，在保留電網(wǎng)主要運(yùn)行特性的基礎(chǔ)上大幅簡化電網(wǎng)結(jié)構(gòu)，同時(shí)能夠考慮不同聚合電網(wǎng)之間的聯(lián)絡(luò)線傳輸功率約束［20］。在局部時(shí)空?qǐng)D中，時(shí)空網(wǎng)絡(luò)序列具有的時(shí)間相關(guān)性和空間相關(guān)性可以通過節(jié)點(diǎn)的一階鄰居節(jié)點(diǎn)體現(xiàn)。

如圖2 所示，通過滑動(dòng)時(shí)間窗口在新能源消納知識(shí)圖譜中搜索并提取出局部時(shí)空?qǐng)D。下層黑色實(shí)線框分別表示第ti-1、ti、ti+1個(gè)時(shí)間斷面下聚合電網(wǎng)的空間圖，聚合電網(wǎng)間通過聯(lián)絡(luò)線相關(guān)聯(lián)。上層黑色虛線框分別表示第ti-1、ti、ti+1個(gè)時(shí)間斷面下聚合電網(wǎng)關(guān)聯(lián)的電網(wǎng)調(diào)度運(yùn)行數(shù)據(jù)，主要包含從附錄A圖A1 中分析得出的新能源消納能力主要影響因素。

圖2 局部時(shí)空?qǐng)DFig.2 Local spatial-temporal graph

局部鄰接矩陣A'用以表征局部時(shí)空?qǐng)D中的空間相關(guān)性，見附錄A 圖A5。局部鄰接矩陣中，對(duì)角線上的矩陣表征各個(gè)時(shí)間斷面下空間圖的鄰接矩陣，對(duì)角線兩側(cè)的矩陣表征相鄰時(shí)間斷面連接的邊，均為單位矩陣。

局部鄰接矩陣中各元素計(jì)算方式如下：

式中：Ati-1、Ati、Ati+1分別為第ti-1、ti、ti+1個(gè)時(shí)間斷面下空間圖的鄰接矩陣；Ati-1-ti、Ati-ti-1、Ati-ti+1、Ati+1-ti分別為第ti-1個(gè)與第ti個(gè)時(shí)間斷面間、第ti個(gè)與第ti-1個(gè)時(shí)間斷面間、第ti個(gè)與第ti+1個(gè)時(shí)間斷面間、第ti+1個(gè)與第ti個(gè)時(shí)間斷面間的鄰接矩陣；A為空間圖的鄰接矩陣；I為N階單位矩陣，N為空間圖的節(jié)點(diǎn)個(gè)數(shù)。

3 基于時(shí)空同步圖卷積網(wǎng)絡(luò)的知識(shí)圖譜挖掘

對(duì)于含極高比例新能源接入的新型電力系統(tǒng)，考慮空間相關(guān)性和時(shí)間相關(guān)性進(jìn)行新能源消納能力的評(píng)估顯得尤為重要。因?yàn)樾滦碗娏ο到y(tǒng)中同一區(qū)域內(nèi)的新能源電站可能受同一天氣過程的影響而呈現(xiàn)空間相關(guān)性；此外，負(fù)荷特性與新能源出力特性在長時(shí)間尺度上也存在著一定的時(shí)序相關(guān)性。

基于時(shí)空同步圖卷積網(wǎng)絡(luò)的知識(shí)圖譜挖掘（knowledge graph mining based on spatial-temporal synchronous graph convolutional networks，KGMSTSGCN）［21］通過對(duì)局部時(shí)空?qǐng)D中的時(shí)空網(wǎng)絡(luò)序列采用圖卷積進(jìn)行特征聚合，從而捕獲復(fù)雜的時(shí)空相關(guān)性。針對(duì)子圖數(shù)據(jù)集中不同的局部時(shí)空?qǐng)D，使用相互獨(dú)立的時(shí)空同步圖卷積模塊的各局部時(shí)空?qǐng)D進(jìn)行高維特征提取，通過多子圖并行訓(xùn)練能夠有效提升模型的學(xué)習(xí)效率。同時(shí)，KGM-STSGCN 模型利用新能源消納機(jī)理知識(shí)引導(dǎo)模型評(píng)估結(jié)果滿足新能源消納機(jī)理的約束，使評(píng)估模型更具可解釋性。

3.1 KGM-STSGCN 模型結(jié)構(gòu)

本文設(shè)計(jì)了如圖3 所示的5 層網(wǎng)絡(luò)構(gòu)成新能源消納能力評(píng)估模型。KGM-STSGCN 模型具體參數(shù)見附錄A 表A1。該模型以新能源消納知識(shí)圖譜中提取的局部時(shí)空?qǐng)D作為輸入，輸出新能源消納評(píng)估結(jié)果。其中，第1 層為特征變換層，對(duì)輸入的局部時(shí)空?qǐng)D進(jìn)行特征升維變換，將原始低維特征映射為高維特征，其中，輸入特征包括負(fù)荷、系統(tǒng)旋轉(zhuǎn)備用、機(jī)組最小出力、風(fēng)電最大出力和光伏最大出力等；第2 層為時(shí)空嵌入層，得到嵌入時(shí)空關(guān)聯(lián)信息的圖信號(hào)矩陣序列，增強(qiáng)模型對(duì)時(shí)空相關(guān)性特征提取的能力；第3 層為時(shí)空同步圖卷積層，是知識(shí)圖譜時(shí)空同步圖卷積神經(jīng)網(wǎng)絡(luò)的核心，使用圖卷積運(yùn)算挖掘各局部時(shí)空?qǐng)D的時(shí)空相關(guān)性，實(shí)現(xiàn)特征聚合與提??；最后兩層為全連接層，能夠進(jìn)行特征空間變換，將高維特征空間映射至低維特征空間，構(gòu)建提取到的特征信息到新能源消納能力評(píng)估結(jié)果的非線性映射。

圖3 基于時(shí)空同步圖卷積網(wǎng)絡(luò)的知識(shí)圖譜挖掘框架Fig.3 Framework of KGM-STSGCN

3.2 KGM-STSGCN 模型時(shí)空嵌入層

KGM-STSGCN 以子圖數(shù)據(jù)集中的時(shí)空網(wǎng)絡(luò)序列X作為輸入，X∈RT×N×C，C為時(shí)序運(yùn)行數(shù)據(jù)的特征個(gè)數(shù)。其中，時(shí)序數(shù)據(jù)以圖信號(hào)矩陣Xt的形式參與圖卷積運(yùn)算，Xt∈RN×C。時(shí)空網(wǎng)絡(luò)序列X函數(shù)的表達(dá)式為：

式中：Xt為第t個(gè)時(shí)間斷面下由節(jié)點(diǎn)特征表征的圖信號(hào)矩陣。

為增強(qiáng)模型對(duì)時(shí)空相關(guān)性特征提取的能力，分別引入可學(xué)習(xí)的時(shí)間嵌入矩陣Temb和空間嵌入矩陣Semb，其中，Temb∈RT×C、Semb∈RN×C，并通過廣播機(jī)制添加到原始圖信號(hào)矩陣X中，形成新的時(shí)空嵌入圖信號(hào)矩陣X'，X'∈RT×N×C，其函數(shù)表達(dá)式為：

在模型訓(xùn)練的過程中，兩個(gè)嵌入矩陣將作為參數(shù)進(jìn)行學(xué)習(xí)，同一時(shí)間斷面空間圖的不同節(jié)點(diǎn)共享同一個(gè)時(shí)間嵌入矩陣，不同時(shí)間斷面空間圖的同一節(jié)點(diǎn)共享同一個(gè)空間嵌入矩陣。在模型訓(xùn)練結(jié)束后，這兩個(gè)嵌入矩陣將提取到局部時(shí)空?qǐng)D的時(shí)間耦合關(guān)系與空間耦合關(guān)系，有助于模型捕獲時(shí)空網(wǎng)絡(luò)序列中的時(shí)空相關(guān)性。

3.3 KGM-STSGCN 模型時(shí)空同步圖卷積層

時(shí)空同步圖卷積層的輸入為局部時(shí)空?qǐng)D的圖信號(hào)矩陣XL，XL∈R3N×C，每個(gè)中間節(jié)點(diǎn)在相鄰時(shí)間步聚合自身及其鄰居的特征。特征聚合函數(shù)是一個(gè)線性組合，其權(quán)重等于節(jié)點(diǎn)與其鄰居之間的邊的權(quán)重。圖卷積運(yùn)算函數(shù)表達(dá)式如下：

式中：Hl為第l層時(shí)空同步圖卷積層的特征矩陣，Hl∈R3N×C；W和b為圖卷積層中可學(xué)習(xí)的參數(shù)；σ(·)為激活函數(shù)。激活函數(shù)的引入增加了模型的非線性表達(dá)能力，有助于神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)從輸入到輸出之間的非線性映射。

3.4 KGM-STSGCN 模型損失函數(shù)

在新型電力系統(tǒng)的新能源消納能力評(píng)估過程中，由于風(fēng)光資源峰谷時(shí)段的新能源出力的波動(dòng)性較大，如果選取常用的均方誤差（mean square error，MSE）函數(shù)或者平均絕對(duì)誤差（mean absolute error，MAE）函數(shù)，評(píng)估模型對(duì)于風(fēng)光資源平穩(wěn)時(shí)段新能源出力變化的敏感性會(huì)大大降低。為此，KGMSTSGCN 模型選取平滑平均絕對(duì)誤差（smooth mean absolute error，SMAE）函數(shù)Ld(·)作為數(shù)據(jù)驅(qū)動(dòng)誤差的損失函數(shù)，其函數(shù)表達(dá)式為：

式 中：yt、y?t分 別 為 第t個(gè) 時(shí) 間 斷 面 下 新 能 源 消 納 能力的真實(shí)值、預(yù)測值；δ為控制平方誤差損失范圍的閾值參數(shù)。

SMAE 損失函數(shù)充分結(jié)合了MSE 和MAE 兩種損失函數(shù)各自的優(yōu)點(diǎn)，降低了對(duì)離群值或異常值的懲罰程度，增強(qiáng)了模型對(duì)風(fēng)光資源峰谷時(shí)段新能源出力的魯棒性，進(jìn)而能夠更準(zhǔn)確地評(píng)估新型電力系統(tǒng)的新能源消納能力。

除了考慮數(shù)據(jù)驅(qū)動(dòng)誤差損失函數(shù)，本文還額外考慮根據(jù)新能源消納機(jī)理計(jì)算的機(jī)理約束損失Lm(·)。考慮新能源消納能力應(yīng)小于理論最大值，利用新能源消納知識(shí)圖譜中存儲(chǔ)的機(jī)理知識(shí)，包括風(fēng)電出力上限值以及光伏出力上限值，對(duì)模型進(jìn)行引導(dǎo)。當(dāng)模型評(píng)估結(jié)果越限時(shí)，將對(duì)模型學(xué)習(xí)結(jié)果進(jìn)行懲罰，從而引導(dǎo)模型的評(píng)估結(jié)果滿足新能源消納機(jī)理，不僅可以提高評(píng)估模型的精度，還可以提高模型的可解釋性。其函數(shù)表達(dá)式為：

式中：ft、gt分別為第t個(gè)時(shí)間斷面下風(fēng)電出力上限、光伏出力上限；δp為新能源消納能力評(píng)估越限的懲罰系數(shù)。

綜上，KGM-STSGCN 模型的總損失L為：

4 算例分析

4.1 算例數(shù)據(jù)集

為驗(yàn)證所提KGM-STSGCN 新能源消納能力評(píng)估模型的可行性以及優(yōu)越性，本文基于中國寧夏省級(jí)電網(wǎng)真實(shí)數(shù)據(jù)開展案例仿真和分析，數(shù)據(jù)間隔采樣時(shí)間為5 min。采用的數(shù)據(jù)集來自寧夏電網(wǎng)2021 至2022 年的新能源消納情況。截至2022 年8 月，寧夏新能源裝機(jī)規(guī)模已達(dá)29 GW，占全區(qū)電力總裝機(jī)的46%，共計(jì)127 座風(fēng)電場以及187 座光伏電站。

將寧夏省級(jí)電網(wǎng)2021 年1 月至2022 年6 月共計(jì)157 250 個(gè)時(shí)間斷面的電網(wǎng)調(diào)度運(yùn)行數(shù)據(jù)按照6∶2∶2 的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集。采用0 均值標(biāo)準(zhǔn)化方法進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化預(yù)處理：

式中：x*為調(diào)度運(yùn)行數(shù)據(jù)x的歸一化值；μ和σ分別為調(diào)度運(yùn)行數(shù)據(jù)的平均值與標(biāo)準(zhǔn)差。0 均值標(biāo)準(zhǔn)化處理后的數(shù)據(jù)均值為0，標(biāo)準(zhǔn)差為1，符合標(biāo)準(zhǔn)正態(tài)分布。

采用自頂向下、自底向上結(jié)合的方法構(gòu)建面向新能源消納能力評(píng)估的新能源消納知識(shí)圖譜。每一個(gè)時(shí)間斷面下各聚合電網(wǎng)關(guān)聯(lián)實(shí)體有：用電負(fù)荷、機(jī)組備用、常規(guī)機(jī)組最小技術(shù)出力、風(fēng)電最大出力、光伏最大出力以及新能源消納量，聚合電網(wǎng)間通過聯(lián)絡(luò)線相關(guān)聯(lián)。部分新能源消納知識(shí)圖譜可視化展示見附錄A 圖A6，完整的知識(shí)圖譜一共包括3 931 390 個(gè)實(shí)體以及1 731 750 條實(shí)體關(guān)系。

4.2 模型性能評(píng)價(jià)指標(biāo)

為量化評(píng)價(jià)所提模型評(píng)估新能源消納能力的精度，本文分別采用平均絕對(duì)百分比誤差（mean absolute percentage error，MAPE）eMAPE、均方根誤差（root mean squared error，RMSE）eRMSE作為誤差評(píng)價(jià)指標(biāo)。上述評(píng)價(jià)指標(biāo)數(shù)值越小，表示評(píng)估精度越高。此外，采用確定系數(shù)R2評(píng)估模型的有效性，其值越大，則評(píng)估模型對(duì)數(shù)據(jù)的擬合效果越顯著。不同性能指標(biāo)的具體計(jì)算公式如下：

式中：yˉ為新能源消納能力的平均值；M為測試集中的樣本數(shù)量。

4.3 不同方法評(píng)估精度的對(duì)比

為驗(yàn)證本文所提新能源消納能力評(píng)估方法的優(yōu)越性，分別選用傳統(tǒng)的時(shí)序生產(chǎn)模擬法、典型日法、常用時(shí)間序列預(yù)測方法長短期記憶（long shortterm memory，LSTM）網(wǎng) 絡(luò)、隨 機(jī) 森 林（random forest，RF）與本文方法進(jìn)行對(duì)比。其中，時(shí)序生產(chǎn)模擬法在模型的建模過程中對(duì)各類機(jī)組、負(fù)荷進(jìn)行了精細(xì)化建模及關(guān)鍵參數(shù)設(shè)置，同時(shí)根據(jù)關(guān)鍵受限斷面劃分不同的聚合電網(wǎng)，對(duì)模型中的約束進(jìn)行簡化處理，然后調(diào)用Gurobi 求解器進(jìn)行求解［22］。

表1 詳細(xì)列出了不同新能源消納能力評(píng)估方法的精度對(duì)比結(jié)果，其中KGM-STSGCN 模型輸入的時(shí)空網(wǎng)絡(luò)序列輸入長度為24。由表1 對(duì)比分析可知，KGM-STSGCN 模型在3 個(gè)模型性能評(píng)價(jià)指標(biāo)中均取得了最優(yōu)的評(píng)估精度。相比于傳統(tǒng)的時(shí)序生產(chǎn)模擬法，本文所提方法的eMAPE下降2.2%，eRMSE相對(duì)下降60.25%，R2提高2.72%，因?yàn)闀r(shí)序生產(chǎn)模擬法依賴于復(fù)雜的數(shù)學(xué)建模以及逐時(shí)段的時(shí)序仿真，在建模過程中存在模型的簡化處理以及參數(shù)的人為設(shè)置，無法得到系統(tǒng)的真實(shí)運(yùn)行情況。相比于評(píng)估性能表現(xiàn)較好的LSTM 方法，本文所提方法的eMAPE下降1.47%，eRMSE相對(duì)下降44.65%，R2提高0.37%，因?yàn)長STM 方法主要挖掘了歷史數(shù)據(jù)的時(shí)間相關(guān)性，而未對(duì)歷史數(shù)據(jù)存在的空間相關(guān)性進(jìn)行挖掘。

表1 不同評(píng)估方法的精度Table 1 Accuracy of different assessment methods

分別以新能源消納少與新能源消納多的兩個(gè)場景為例進(jìn)行具體分析，不同方法的新能源消納能力評(píng)估結(jié)果如圖4 所示。

圖4 不同評(píng)估方法的新能源消納量Fig.4 Renewable energy accommodation of different assessment methods

圖4（a）以2022 年5 月18 日為例，該日新能源消納量峰值為9 525.42 MW，谷值為2 728.32 MW，峰谷差為6 797.1 MW。全天的新能源消納量均保持在10 000 MW 以下。

圖4（b）以2022 年6 月17 日為例，該日新能源消納量峰值達(dá)13 933.54 MW，峰谷差為5 932.76 MW。從上午10：00 至下午16：00 時(shí)，該時(shí)段內(nèi)新能源消納量均保持在12 000 MW 以上。

由圖4 可知，本文所提方法在新能源消納少與新能源消納多兩個(gè)不同場景中均具有較高的評(píng)估精度，尤其在峰時(shí)段，典型日法與RF 的表現(xiàn)較差，相比于LSTM 及時(shí)序生產(chǎn)模擬法，本文所提方法能夠?qū)崿F(xiàn)更穩(wěn)定、精確的評(píng)估，評(píng)估結(jié)果更接近系統(tǒng)運(yùn)行的真實(shí)值，因此所提評(píng)估模型在不同場景中均具有更好的適應(yīng)性。評(píng)估模型既從海量歷史數(shù)據(jù)中挖掘并學(xué)習(xí)隱含的時(shí)空關(guān)聯(lián)關(guān)系，同時(shí)又利用新能源消納機(jī)理知識(shí)引導(dǎo)模型評(píng)估結(jié)果滿足新能源消納機(jī)理的約束，實(shí)際上是一個(gè)知識(shí)增強(qiáng)的數(shù)據(jù)驅(qū)動(dòng)模型，既服從新能源消納數(shù)據(jù)訓(xùn)練的結(jié)果，通過數(shù)據(jù)驅(qū)動(dòng)挖掘數(shù)據(jù)背后隱含的新知識(shí)，又遵循新能源消納物理機(jī)理的約束，通過知識(shí)驅(qū)動(dòng)嵌入已有的機(jī)理知識(shí)，因此模型評(píng)估結(jié)果更具可解釋性。

4.4 不同方法評(píng)估時(shí)間的對(duì)比

本文所提模型在基于Intel Core i7-11700F 2.5 GHz CPU、16 GB RAM 和GTX 1660 SUPER GPU 的PC 平臺(tái)進(jìn)行驗(yàn)證，運(yùn)行環(huán)境為基于python的Torch1.8.0。

如4.1 節(jié)所述，本文算例中新能源消納能力評(píng)估模型選取94 350 個(gè)時(shí)間斷面的新能源消納歷史數(shù)據(jù)進(jìn)行訓(xùn)練，屬于長時(shí)間尺度數(shù)據(jù)，同時(shí)考慮多維度的機(jī)組運(yùn)行數(shù)據(jù)以及寧夏電網(wǎng)的拓?fù)潢P(guān)系，訓(xùn)練數(shù)據(jù)量龐大。表2 為本文所提新能源消納能力評(píng)估方法與其他方法訓(xùn)練時(shí)間以及評(píng)估時(shí)間比較。由表2可知，本文方法在知識(shí)圖譜提取局部時(shí)空?qǐng)D構(gòu)建子圖數(shù)據(jù)集，通過多子圖并行訓(xùn)練降低了模型訓(xùn)練數(shù)據(jù)維度，大幅縮短了訓(xùn)練時(shí)間以及評(píng)估時(shí)間。

表2 不同評(píng)估方法的計(jì)算時(shí)間Table 2 Calculation time of different assessment methods

在實(shí)際工程應(yīng)用中，后面3 種評(píng)估方法僅需要使用離線訓(xùn)練好的模型便能實(shí)現(xiàn)對(duì)新能源消納能力的快速評(píng)估，本文所提方法可在秒級(jí)內(nèi)快速評(píng)估新能源消納能力。在日常維護(hù)過程中，只需定期將新的電網(wǎng)調(diào)度運(yùn)行數(shù)據(jù)更新至新能源消納知識(shí)圖譜中，并對(duì)新能源消納評(píng)估模型進(jìn)行迭代更新即可。

4.5 不同時(shí)空網(wǎng)絡(luò)序列輸入長度模型性能的對(duì)比

考慮到預(yù)測精度與輸入模型的時(shí)空網(wǎng)絡(luò)序列長度緊密相關(guān)，本文選取不同的時(shí)空網(wǎng)絡(luò)序列輸入長度對(duì)新能源消納能力進(jìn)行評(píng)估。從新能源消納知識(shí)圖譜中分別搜索并提取出時(shí)空網(wǎng)絡(luò)序列的時(shí)間斷面?zhèn)€ 數(shù) 為12、24 和36（即60 min、120 min 和180 min）的樣本數(shù)據(jù)集。表3 給出了時(shí)空網(wǎng)絡(luò)序列輸入長度與評(píng)價(jià)指標(biāo)的關(guān)系。

表3 不同長度時(shí)空網(wǎng)絡(luò)序列的精度Table 3 Accuracy of spatio-temporal network sequences with different lengths

時(shí)空網(wǎng)絡(luò)序列輸入長度在影響模型特征提取能力的同時(shí)，也會(huì)對(duì)模型的收斂速度產(chǎn)生影響。由圖5 可以看出，隨著時(shí)空網(wǎng)絡(luò)序列輸入長度由12 提升到36，模型由62 次收斂減少至28 次收斂，模型收斂速度大幅度提高。

圖5 不同長度時(shí)空網(wǎng)絡(luò)序列的模型收斂速度Fig.5 Model convergence rate of spatio-temporal network sequences with different lengths

5 結(jié)語

隨著新能源滲透比例升高導(dǎo)致新能源消納矛盾日益突出，亟須準(zhǔn)確客觀地對(duì)新型電力系統(tǒng)新能源消納能力進(jìn)行評(píng)估。針對(duì)傳統(tǒng)方法存在評(píng)估結(jié)果保守、建模復(fù)雜以及優(yōu)化求解耗時(shí)長等問題，本文提出了一種基于時(shí)空卷積動(dòng)態(tài)知識(shí)圖譜的新能源消納評(píng)估方法。

通過上述真實(shí)案例仿真對(duì)比分析表明：

1）新能源消納知識(shí)圖譜中動(dòng)態(tài)四元組圖數(shù)據(jù)結(jié)構(gòu)的存儲(chǔ)方式可以顯式地表達(dá)海量調(diào)度運(yùn)行數(shù)據(jù)的時(shí)空關(guān)聯(lián)關(guān)系，蘊(yùn)藏著豐富的機(jī)理知識(shí)，有利于挖掘數(shù)據(jù)間深層次的高階關(guān)系。

2）通過滑動(dòng)時(shí)間窗口在新能源消納知識(shí)圖譜快速搜索并提取局部時(shí)空?qǐng)D構(gòu)建為子圖數(shù)據(jù)集，降低了模型訓(xùn)練數(shù)據(jù)維度，通過多子圖并行訓(xùn)練可以提升模型的學(xué)習(xí)效率。

3）時(shí)空同步圖卷積神經(jīng)網(wǎng)絡(luò)對(duì)局部時(shí)空?qǐng)D進(jìn)行高維特征提取，充分挖掘歷史數(shù)據(jù)的時(shí)空關(guān)聯(lián)關(guān)系。利用新能源消納知識(shí)圖譜中存儲(chǔ)的機(jī)理知識(shí)對(duì)模型進(jìn)行引導(dǎo)，避免了復(fù)雜的數(shù)學(xué)建模以及模型求解，求解速度快、預(yù)測精度高。

值得注意的是，由于歷史數(shù)據(jù)樣本中極端天氣以及重大節(jié)假日等場景的數(shù)據(jù)占比較少，本文方法對(duì)小樣本數(shù)據(jù)集的學(xué)習(xí)能力有限。因此，在未來的研究工作中，將進(jìn)一步提升本文方法在小樣本數(shù)據(jù)集中的新能源消納評(píng)估精度以及泛化能力。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。