沈阳工业大学、沈阳工程学院等院校合作SCI研究：基于动态自适应和对抗图卷积网络的负载预测
论论资讯 ｜ 2024-04-29 ｜
91热度
Energy and Buildings
Explore content
About the journal
Publish with us
Load forecasting based on dynamic adaptive and adversarial graph convolutional networks
Liu J.; Dong S.; Zhang P.; Li T.; Peng C.; Hu Z.
Published：2024-06-01
DOI：10.1016/j.enbuild.2024.114206
研究背景
随着可再生能源源源不断地融入电力系统，以及能源消费模式的多样化和复杂化，维持电力系统的供需平衡变得更加困难。在电力系统中，电力负荷预测的结果可用于发电机调度和负载分配。因此，准确的电力负荷预测对电力系统的运行至关重要。然而，当前的负荷预测方法在应对这些挑战方面存在一定的局限性。
研究内容
本文提出了一种基于动态自适应对抗图卷积网络（DAAGCN）的负荷预测模型。该模型结合了动态自适应图生成网络（DAGG）和生成对抗网络（GAN）。首先，DAGG利用集成的时变嵌入和节点嵌入生成动态自适应图，以推断不同时间负载之间的时空依赖关系。其次，基于零和博弈的思想对底层时空预测模型进行对抗训练。模块参数使用L1损失和对抗训练损失一起作为模型的训练目标进行优化。最后，利用DAAGCN对数据集进行短期电力负载预测，并将结果与其他几种预测模型进行比较。
研究意义
这项研究的创新之处在于提出了一种结合动态自适应图生成和对抗训练的负荷预测模型，有效地解决了当前电力系统负荷预测面临的挑战。通过该模型，可以更准确地预测电力负载，有助于提高电力系统的运行效率和稳定性，为电力行业的发展提供重要的支持。
希望这篇文章能够让大家更好地了解这一研究领域的进展和意义。
学术热榜
查看全部
相关资讯
换一批