为应对电力系统碳排放计算中效率和精度不足的问题,文章提出一种基于时空图神经网络(spatiotemporal graph neural network,ST-GNN)的数据驱动方法,旨在高效计算节点碳排放因子以及支路碳流和碳流损耗。文章首先分析电力系统碳排放流计...为应对电力系统碳排放计算中效率和精度不足的问题,文章提出一种基于时空图神经网络(spatiotemporal graph neural network,ST-GNN)的数据驱动方法,旨在高效计算节点碳排放因子以及支路碳流和碳流损耗。文章首先分析电力系统碳排放流计算的复杂性及传统方法的局限性,进而设计以有功-无功(active and reactive power,PQ)节点、有功-电压(active power and voltage,PV)节点和平衡节点特征为输入的ST-GNN模型,实现碳排放因子及支路碳流的直接计算,并确定支路碳流损耗。其中PQ节点的特征有功功率和无功功率,来源于电力系统运行数据,PV节点的发电功率和电压来自发电机的运行特性,平衡节点的输入包括电压和相位角,确保系统的功率平衡。通过IEEE 9节点、IEEE 57节点和IEEE118节点系统的实验,验证了所提方法的有效性。结果表明,ST-GNN模型在碳排放因子、支路碳流和碳损耗的计算精度上显著优于线性回归、决策树、长短期记忆网络和多层感知机,特别在复杂电力网络中表现突出。该研究为电力系统碳排放监测和优化提供了精准高效的技术支持。展开更多
文摘为应对电力系统碳排放计算中效率和精度不足的问题,文章提出一种基于时空图神经网络(spatiotemporal graph neural network,ST-GNN)的数据驱动方法,旨在高效计算节点碳排放因子以及支路碳流和碳流损耗。文章首先分析电力系统碳排放流计算的复杂性及传统方法的局限性,进而设计以有功-无功(active and reactive power,PQ)节点、有功-电压(active power and voltage,PV)节点和平衡节点特征为输入的ST-GNN模型,实现碳排放因子及支路碳流的直接计算,并确定支路碳流损耗。其中PQ节点的特征有功功率和无功功率,来源于电力系统运行数据,PV节点的发电功率和电压来自发电机的运行特性,平衡节点的输入包括电压和相位角,确保系统的功率平衡。通过IEEE 9节点、IEEE 57节点和IEEE118节点系统的实验,验证了所提方法的有效性。结果表明,ST-GNN模型在碳排放因子、支路碳流和碳损耗的计算精度上显著优于线性回归、决策树、长短期记忆网络和多层感知机,特别在复杂电力网络中表现突出。该研究为电力系统碳排放监测和优化提供了精准高效的技术支持。
