一种高效的蜣螂优化器以及多模态自适应时空图神经网络,用于提升智能电网中的电力分配效率

《Ain Shams Engineering Journal》:An efficient dung beetle optimizer and multimodal adaptive spatio-temporal graph neural network for enhanced power distribution in smart grids

【字体: 大 中 小 】 时间:2026年05月01日 来源:Ain Shams Engineering Journal 5.9

编辑推荐:

  哈里哈兰·纳拉亚纳斯瓦米(Hariharan Narayanaswamy)| P. 乌莎·拉尼(P. Usha Rani)| C. 卡拉伊瓦尼(C. Kalaivani)| 乌玛埃斯瓦里·帕尔古纳拉杰(Umaeswari Pargunaraj) 印度泰米尔纳德邦普杜武约尔(P

  哈里哈兰·纳拉亚纳斯瓦米(Hariharan Narayanaswamy)| P. 乌莎·拉尼(P. Usha Rani)| C. 卡拉伊瓦尼(C. Kalaivani)| 乌玛埃斯瓦里·帕尔古纳拉杰(Umaeswari Pargunaraj)
印度泰米尔纳德邦普杜武约尔(Puduvoyal)R.M.K. 工程与技术学院电气与电子工程系,RSM Nagar 601206

**摘要**
本研究提出了一种新颖的混合方法——蜣螂优化器与多模态自适应时空图神经网络(DBO-MASTGNN),以提升智能电网(SG)中的电力分配(PD)效率。该方法解决了可再生能源(RE)间歇性、供需波动以及需要在环境影响与运营效率之间取得平衡的问题。DBO 优化了能源生成、存储和负载分配,以维持电网稳定性,而 MASTGNN 则能够实现动态能源模式的精确实时预测。该方案通过 MATLAB 实现了循环神经网络(RNN)、长短期记忆网络(LSTM)、带有回忆增强功能的火鹰优化器(FHO-RERNN)、人工神经网络(ANN)和粒子群优化(PSO)进行评估。结果表明,DBO-MASTGNN 的性能优于现有技术,可将运营成本降低至 1275 美元/兆瓦,并将排放量减少至 4.21 千克/兆瓦。所提出的框架提高了 PD 的可持续性、可靠性和效率,为未来的智能电网应用提供了有前景的解决方案。

**1. 引言**
1.1 **背景**
智能电网中的电力分配改进主要集中在通过优化能源管理(EM)来提升效率、可靠性和可持续性 [1]。电力系统(PS)优化是优化能源流动和设计合适的配电网络(DN)的过程 [2]。现有的可再生能源(RES),如光伏(PV)和风力涡轮机(WT),有助于减少化石燃料的使用和相关环境排放 [3]。分散式电池储能系统(ESS)能够提高电网的灵活性和运行韧性 [4]。通过需求响应(DR)系统可以实现能源效率和成本节约 [5]。改进的监控能力有助于控制电网基础设施,从而提升电网性能 [6]。适当的负载平衡不仅减少了功率损失,还稳定了配电网络中的电压 [7]。通过能源需求预测,可以在不影响电网活动的情况下实现资源的更佳分配 [8]。可靠的能源信息传递促进了能源消费者与电网运营商之间的关键相互依赖关系 [9]。如果电网基础设施得到加强,将减少 PS 干扰,从而提高工作稳定性。此外,智能、可持续的技术可以引领更清洁的能源系统,带来经济增长和环境效益 [10]。

1.2 **挑战**
智能电网中的电力分配改进系统必须克服诸多挑战,以实现降低运营成本和环境污染的双重目标,同时提高效率并确保可靠的、可持续的性能。PV 和 WT 技术在 RES 中的应用导致电力波动较大,阻碍了稳定的连续电力流动。ESS 和更新的基础设施以及创新技术需要大量的初始投资,使得这些技术难以普及。为了匹配 RES 的不稳定性供应和需求变化,需要负载管理和需求预测,而这可能既复杂又耗费计算资源。将分散式能源源整合到电网系统中存在基本的协调和通信问题。电网的稳定性、降低传输损耗以及控制停电仍然是基于电网的系统所面临的紧迫问题。这些都是实现更高效、可持续和可靠的电力分配系统所需克服的挑战。

1.3 **文献综述**
已有许多关于智能电网中电力分配的研究。其中一些工作总结如下:
A. 查哈尔等人 [11] 提出了 ANN 技术,该技术通过智能电网数据集处理信息来预测电网的稳定性。激活函数分析网络各层(输入层、隐藏层和输出层)中的信息,检测复杂模式和关系。训练过程变得更加高效,使得复杂模式和大量数据能够通过动态调整模型参数的优化技术得到处理。根据输入特征,该 ANN 的主要作用是将电网状态分类为稳定或不稳定。它提供了精确的预测,以支持能源管理系统做出明智决策。
S. 阿贝迪和 S. 克won [12] 提出了 RNN 模型,用于能源系统的时间序列预测。该 RNN 可用于处理价格变化、电力需求和可再生能源发电等序列数据,通过确定时间趋势和关系来实现预测。这种神经网络结构因其设计能够利用历史数据进行适应,满足了预测时变变量的需求。滚动视野优化模型结合了 RNN 的核心功能,用于预测未来值,以优化住宅环境中的电池储能系统性能。
M. 帕帕迪米特拉基斯等人 [13] 提出了 PSO 技术,该技术使用多个粒子群分别处理一组相互连接的设计变量,以优化光伏密集型配电网络中的无功功率(RP)管理。为了高效分配变量,采用了电网电压解耦发现技术来划分不同区域。这些粒子群通过共享信息协作,实现对搜索空间的全面调查。系统通过 PSO 调整设计参数,以管理电压稳定性,同时减少间歇性光伏发电和反向功率流动的影响。
M. 阿布巴卡尔等人 [14] 提出了一种基于 LSTM 网络的优化技术,旨在提高智能电网中的太阳能发电效率。LSTM 模型利用历史时间序列中的关系来确定关键性能指标,如功率输出与辐照度的组合。这种优化方法可以最大化太阳能预测能力,使电网更容易整合和使用太阳能资源。LSTM 优化旨在提升智能电网基础设施中太阳能系统的性能和运营效率。
C. 巴拉苏布拉马尼安和 R. L. R. 辛格 [15] 提出了一种名为 FHO-RERNN 的优化技术,旨在通过基于价格的 DR 优化智能电网中的能源管理。RERNN 用于预测能源需求,并能够追踪随时间变化的消费趋势。FHO 用于自动分配不同电网元素之间的能源消耗,以最小化电力成本,同时控制峰谷比(PAR),实现电力价格的公平性和舒适性之间的平衡。该优化计划的主要目标是在智能电网系统中实现有效的能源管理,提高成本效益和优化能源使用。
L. M. 加布里埃尔等人 [16] 描述了将智能电网技术应用于电力配电网络的方法,作为提高能源可靠性和供应连续性的潜在途径。能源分配公司经常在雨季经历电力中断。这些中断与需求增长、基础设施过时、缺乏创新技术以及对大型公用事业公司的依赖等因素有关。
N. 乌丁等人 [17] 提出了一种最优的分布式点对点(P2P)能源交易系统,作为解决这些问题的新方案。在不规则条件下,该系统有效控制了生产者和消费者、电网以及可再生能源之间的能源交易。这些元素之间的互联通过模糊优化(FO)得到促进。L. G. 华等人 [18] 开发了一种高效的能源系统,该系统结合了分布式发电和储能电池,有效安排住宅、商业和工业负载的能源优化。主要优化目标包括减少排放和运营成本,以及优化峰谷比(PAR)和运营成本。多目标能源优化问题通过多目标 PSO(MOPSO)和非支配排序鲸鱼优化算法(NSWOA)得到解决。
J. 何等人 [19] 开发了一种包含动态网络设计的 P2P 能源共享(P2PES)框架。该框架的主要目标是创建一个 P2PES 模型。动态电网结构模型也便于电网运营商积极参与电网结构优化和减少功率损失。这两种模型协同工作并交换数据,以最大化 P2PES 创新、网络性能和能源效率。L. 哈比布 [20] 使用混合整数二阶锥规划(MISOCP)提出了一个名为 Resilient Prosumer-Centric Energy Optimization Framework(RPEOF)的鲁棒两阶段优化模型,用于解决智能电网中负载需求和可再生能源发电的不确定性。RPEOF 还有效支持了多种生产者资源,如电动汽车、电池和光伏系统,确保生产者和使用能源的组织获得最优的能源调度。

**2. 方法**
**优化类型** | **智能电网应用领域** | **目标** | **局限性**
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | ---同样,元启发式优化算法如PSO、FHO和IGWO在参数优化方面非常有效,但收敛速度较慢,对于实时电网运行来说预测能力不足。FHO-RERNN混合框架在学习能力上有所提升,但仍然无法捕捉到现代太阳能发电系统(SGs)的多模态和高度动态行为。所提出的DBO-MASTGNN模型结合了DBO的国际搜索能力和MASTGNN的预测能力。这种组合设计能够同时优化和预测电力生成、存储和负荷分配,并动态调整以适应可再生能源的间歇性。因此,该模型表现出更优的性能,将运营成本降低到1275美元/兆瓦(MW),排放量减少到4.21千克/兆瓦(kg/MW),显著优于现有的方法,如ANN(3462美元/兆瓦,19.76千克/兆瓦)、RNN(2791美元/兆瓦,20.95千克/兆瓦)、PSO(3500美元/兆瓦,26.34千克/兆瓦)和FHO-RERNN(2634美元/兆瓦,16.52千克/兆瓦)。因此,本研究的创新之处在于开发了一种集成的、自适应的、数据驱动的电力调度(PD)策略,该策略比以往的技术具有更高的效率、更低的排放量和更强的电网可靠性。

1.7. 文章结构
本文的其余部分组织如下:第二部分解释了带有可再生能源(RES)和电池储能系统(ESS)的太阳能发电系统(SG)的配置。第三部分描述了用于最小化SG系统运营成本的DBO-MASTGNN技术。第四部分展示了结果和讨论。第五部分总结了全文。

2. 带有RES和电池ESS的智能电网系统配置
太阳能发电系统(SG)连接了多个负荷和能源来源,以实现可靠和高效的电力调度(PD)。如图1所示,SG集成了光伏板(PV panels)和风力涡轮机(WT)等可再生能源,以及传统的能源来源如分布式发电机(DG)和公用电网(UG),并配合电池储能系统(ESS)来动态平衡供需。电池储能系统(ESS)在高需求时段以及RES系统不发电时吸收多余的能源,帮助维持电网稳定。SG系统还能高效地将电力分配到不同负荷部门,包括商业、住宅和工业负荷。虽然商业和住宅负荷的需求特征不同,但工业负荷通常需要稳定且高功率的电力供应。这是一个互联的系统,提供了平衡、灵活和自适应的电力供应,使电力管理更加高效和环保。

2.1. 柴油发电机的建模
作为可调度的分散式发电单元,分布式发电机(DGs)比光伏和风力涡轮机单元更灵活,因为操作员可以直接确定和控制输出的有功功率(AP)和无功功率(RP)。然而,由于技术限制,每个DG只能产生有限的电量[21]。方程(1)和(2)表达了与DG运行相关的限制。
(1) Sdg,tDG ≤ Edg,t - DG2, ?dg∈DG, t∈T
(2) Hdg,tDG ≤ Sdg,tDGtan?1
MdgDG, ?dg∈DG, t∈T
这些限制表示DG在时间t内的AP和RP生成量。DG的最大视在功率容量为Edg,t - DG。

2.2. 风力涡轮机的建模
风力发电的建模基于风速(WS),并且需要预测风速[22]。方程(3)根据额定速度、切入速度和截止速度来建模风力涡轮机的发电量。
(3) RUV = 0
UV < Uc_j
RGU - Uc_j
2Un ≤ Uc_j
Uc_j ≤ UV < Uc_o
其中,RG和UV表示风力涡轮机的额定功率,UC_j、Un和Uc_o表示风力涡轮机在不同运行区域的速度。

2.3. 电池储能系统的建模
电池储能系统(ESS)是微电网(microgrid)的主要能源[23]。当负荷得到充分支持时,会使用储存的能源;如果负荷超过储存容量,则会激活备用电源。
(4) PMINt ≤ Pbt ≤ PMAXt
(5) Pst + Δt = Pst + Δt×Pi - Po
(6) ZMINt ≤ Zbt ≤ ZMAXt
其中,Pi是输入电池的能源,Po表示从电池输出的能源,Δt表示时间间隔,Ps表示电池中储存的能源。

2.4. 光伏系统的建模
太阳辐射、太阳能电池特性和环境温度都会影响光伏发电系统的功率输出。因此,使用以下方程(7)来表示太阳辐射的不确定性[24]。
(7) fg = 2?d?2exp??d2
方程(8)根据已知的太阳辐射Nt计算光伏电池的输出功率。
(8) Epv = ωcMcn2
Nt < Kc
该方程结合了预测的太阳辐射Nt和特定辐射系数Kc来计算光伏电池的发电量Epv。

2.5. 目标函数
通过优化负荷和分布式能源资源的调度,旨在最小化运营成本。从而提高智能电网(smart PG)的可靠性、经济性和环保性。以下是智能电网优化问题的模型。
(9) XT = ∑m=1Mσm∑k=1K∑d=1DXDGk,m,d + ∑b=1BXBESSk,m,b + XUGk,m
其中,方程(9)分别表示了各种来源(如电网、BESS和DGs)的运营成本。XDGk,m,d代表DGs运行的启动和关闭费用。XBESSk,m,b表示BESS的运营和维护成本。XUGk,m是PG的成本。

3. 提出的DBO-MASTGNN方法用于最小化智能电网系统的运营成本
所提出的DBO-MASTGNN技术旨在通过高效优化来自RES(如光伏系统、WT和DGs)以及ESS(如BESS)的电力整合和分配来降低SG的运营成本。DBO用于最大化能源生产,优化存储和分配模式,并平衡SG中的负荷分布,最终提高分配效率和系统稳定性。同时,可以使用MASTGNN动态预测能源的需求和供应,从而及时调整电网。通过结合DBO和MASTGNN,该方法协调波动的RES和DGs与电网需求,最小化能源损失并确保能源的高效利用。

3.1. 使用DBO的优化
DBO是一种基于自然启发的元启发式算法,灵感来源于蜣螂的觅食和导航行为[25]。昆虫通过寻找、收集和滚动粪球并将其导向洞穴来优化它们的洞穴,利用天体线索作为导航工具。DBO可以应用于各种优化问题领域,因为它使用智能搜索策略在复杂的搜索空间中找到最优解。DBO用于最大化SG中的能源生产、存储使用、消费行为和负荷分配,从而提高系统效率和稳定性。
步骤1:初始化
配置输入参数,包括风速(WS)、太阳辐射、电网功率和电池充电状态(SoC)。
步骤2:随机生成
在初始化时使用随机向量生成输入参数。
步骤3:适应度函数
目标是最小化系统的运营成本。
(10) fitnessfunction = MIN(XT)
步骤4:探索阶段
成功确定新的方向后,蜣螂继续将粪球向后滚动到指定位置,定义如下:
(11) yaT+1 = yaT + tanθ
yaT - yaT-1
其中[0, π]是偏转角度θ。
因此,在整个迭代过程中,粪球的位置是动态变化的,由以下公式定义:
(12) IaT+1 = Y* + D1×IaT - lD* + D2×IaT - aD*
其中I是优化问题的维度,D1和D2是两个独立的随机向量,daT是第t次迭代时粪球的位置信息,lD*和uD*分别表示产卵区域的上下边界。
步骤5:利用阶段
找到最佳的觅食位置对于指导觅食的蜣螂并模拟它们的自然行为至关重要。因此,小蜣螂的更新位置如下:
(13) yaT+1 = yaT + B1×yaT - lD + B2×yaT - aD
其中yaT表示第t次迭代时小蜣螂的位置信息,B2是一个介于[0, 1]之间的随机向量,B1表示正态分布的随机数。
步骤6:终止
评估终止条件。如果找到了最优解,则继续进行;否则返回步骤3。DBO的流程图如图2所示。

3.2. 使用MASTGNN的预测
MASTGNN是一种先进的机器学习(ML)模型,它整合了来自多个空间和时间域的多模态输入,以解决动态互联系统中的复杂问题[26]。它利用GNN的能力捕捉系统元素之间的连接和依赖关系,同时考虑时间和空间的变化。MASTGNN用于预测能源的需求和供应动态,从而实现及时的电网调整。首先,使用融合嵌入创建几个灵活的图。在接下来的步骤中,这些自适应网络用于修改邻接矩阵。
(15) Cu,vt = Zut - ZvtEa
Zut - Zvt
其中,Ea=MaMaT,Cu,vt表示时间步t时ua和ub的相似性。
给定第t层的输入特征矩阵Stm,自适应图卷积产生输出特征矩阵Stm+1如下:
(16) Stm+1 = γC~t-1
2B~tC~t-1
Stm
Θ
可学习的参数用Θ表示,门控线性单元激活函数用γ表示,自适应邻接矩阵用B~t∈RN×N表示,相应的度矩阵用C~t表示。
生成的特征维度如下:时间卷积操作产生S?t∈RN×bout。
(17) S?t = ∑f=0nSt-b×fΘf
其中,n表示滤波器大小,b表示膨胀因子,Θf表示可训练参数,t-b×f∈t-N+1,t。
时间卷积方法使用门控机制来控制网络内的信息流,从而提高性能。它可以表示为:
(18) S?t = tansΘt1*St + a?γΘt2*St + d
其中,sigmoid和tangent双曲函数分别用γ·和tans·表示。模型参数为Θt1、Θt2、a和d。?表示元素级的Hadamard积。
最后,对输出S?t∈RN×bout和应用全局上下文向量Gt∈RN×bv进行线性变换K∈RN×bout,以提供最终预测。
(19) z? = Gt⊕S?t·K∈RN×b
这里,S是预测范围,⊕表示顶点特征的连接操作。

4. 结果与讨论
本节展示了模拟结果和所提技术的有效性。为了优化SG中的电力调度(PD)并降低运营成本和污染物排放,提出了DBO-MASTGNN技术。该技术使用MATLAB开发,并与现有方法(包括ANN、RNN、PSO、LSTM和FHO-RERNN)进行了评估。

4.1. 实验设置和实施细节
为了确保可重复性和透明度,详细介绍了实施环境、数据集配置和模型参数。所有实验都在配备Intel Core i9-13900 K CPU(3.0 GHz)、32 GB RAM和NVIDIA RTX 4080 GPU(16 GB)的工作站上使用MATLAB 2020a(DL Toolbox)进行。从SG运行记录中获取了8760个小时样本(一年)的太阳辐射、风速、温度、负荷需求(商业、住宅和工业)和电池SoC数据,以生成数据集。所有数据在训练前都标准化到[1]范围内。通过分层随机划分,数据集被分为70%用于训练,15%用于验证,15%用于测试。在验证损失20个周期没有改善后,DBO-MASTGNN模型在训练150个周期后提前停止。总训练时间为2.8小时,收敛发生在大约第120个周期。DBO-MASTGNN模型训练了150个周期,在验证损失20个周期没有改善后提前停止。训练在大约第120个周期收敛,耗时约2.8小时。主要超参数如表2所示。

4.2. 基准模型实施细节
五个基准模型(ANN、RNN、PSO、LSTM和FHO-RERNN)在相同的实验条件下实施,使用与DBO-MASTGNN相同的数据集、标准化和评估指标。基准模型的实施细节如表3所示。

表3. 基准模型的实施细节
方法 | 参考文献/来源 | 关键配置细节
---- | -------------- | -------------------
ANN | A. Chahal等人 [11] | 3个隐藏层(64–128–64),ReLU激活函数,Adam优化器,学习率=0.001
RNNS | S. Abedi和S. Kwon [12] | 2个循环层(64单元),tanh激活函数,学习率=0.001
PSO | Papadimitrakis等人 [13] | 人口=30,惯性=0.7,认知/社会系数=1.5,最大迭代次数=100
LSTM | M. Abubakar等人 [14] | 2个LSTM层(128单元),丢弃率=0.2,学习率=0.001
FHO-RERNN | C. Balasubramanian和R. L. R. Singh [15] | FHO人口=25,最大迭代次数=80,RERNN有2个循环层(100单元),学习率=0.001
所有基准模型都独立执行了五次,报告了运营成本和排放量的平均结果(表4、表5),以确保统计可靠性和公平比较。

表4. 所提方法与现有方法的运营成本比较
方法 | 运营成本(美元/兆瓦) |
---- | ------------------ |
ANN | 3462 |
RNN | 2791 |
PSO | 3500 |
LSTM | 1986 |
FHO-RERNN | 2634 |
DBO-MASTGNN(提出的方法)| 1275 |

表5. 所提方法与现有方法的排放量比较
方法 | 排放量(千克/兆瓦) |
---- | ------------------ |
ANN | 19.76 |
RNN | 20.95 |
PSO | 26.34 |
LSTM | 21.33 |
FHO-RERNN | 16.52 |
DBO-MASTGNN(提出的方法)| 14.21 |

图3显示了太阳辐射的评估结果。太阳辐射在清晨2-3点时约为0.05千瓦/平方米(kW/m2),并在大约5点时缓慢增加到0.2千瓦/平方米。数值持续增加,在中午(10-12点)达到约0.68千瓦/平方米,对应于高太阳强度。达到这个最大值后,辐射量均匀减少,在大约14点降至0.4千瓦/平方米,在大约18点降至0.1千瓦/平方米。日落20小时后,辐照度几乎降回零。这一趋势遵循一个正常的钟形曲线,反映了太阳辐射的日变化模式,其中中午时的能量产生量最高。因此,这对于在新加坡(SG)最大化基于太阳能的能源管理(EM)规划非常重要。风速(WS)的评估如图4所示。首先,凌晨1时的风速约为10米/秒,随后在大约9-10时逐渐降低到约4.5米/秒,标志着风活动最低。此后,风速在11时增加到接近7米/秒,并在16时之前在6米/秒和7米/秒之间波动。这一时期过后,风速略有下降,然后进入一个急剧上升的趋势,在21时达到10米/秒,并持续上升,在24时达到约12米/秒的峰值。这种变化强调了风能的不确定性,以及适应性风能管理技术在新加坡实现最佳能源规划(PD)中的关键作用。负荷需求的评估显示在图5中。工业负荷从20兆瓦开始,逐渐增加,在10-15时达到42兆瓦的峰值,然后在一天结束时逐渐减少到约25兆瓦。居民负荷从10兆瓦开始,逐渐上升,在大约10时达到20兆瓦的峰值,之后逐渐减少,在时间段结束时稳定在约10兆瓦。由于趋势表明在商业和工业高峰时段能源需求更高,因此需要有效的能源管理策略来平衡各个领域的供需。图6显示了地下(UG)电力的评估。在5点、10点和15点左右,电力峰值超过15兆瓦,显示出电力供应的不规则模式,这可能表明发电或需求有所增加。相反,记录的最低电力值在5兆瓦左右显示出间歇性的显著下降。这些变化表明,在观察期间,间歇性能源或动态负荷行为影响了电网。图7显示了电池储能系统(BESS)的电力分析。在最初的几个小时内,电力主要为正值,并在5点到10点之间超过2.5兆瓦,表明有活跃的能量释放。10点之后,表示充电的负值变得更加明显。最低值接近-3兆瓦,出现在15点左右。到20点时,充电和放电之间的差异不那么明显,但在随后的时间段内仍然存在。这种模式表明能量存储系统动态运行,全天平衡供需。图8显示了分布式发电(DG)的电力分析。DG的电力在大约5兆瓦和15兆瓦之间波动,表明柴油发电输出的变化。发电峰值出现在5点到20点之间,此时电力接近15兆瓦。最低值大约为5兆瓦,全天都较为零星出现。由于柴油发电量不稳定,并且会响应电网需求的变化,整体模式反映了动态的供应情况,有多个超过10兆瓦的峰值和发电量较低的时期。图9显示了可再生能源(RES)的电力分析。在几个小时内,电力输出在大约5兆瓦和20兆瓦之间波动。当发电量接近20兆瓦时,峰值出现在5点、10点和20点左右。最低值接近5兆瓦,全天都较为零星出现。不规则的波动反映了可再生能源可用性的变化,这很可能是由于风速(WS)或太阳辐照度等条件造成的。图10显示了电池荷电状态(SoC)的评估。起初,SoC约为10%,并在5点时逐渐上升到约25%。在5点到17点之间,SoC保持在大约25-27%之间,表明电池已充满或平衡。17点之后,SoC开始下降,然后在20点之后迅速下降。到24点时,SoC恢复到大约10%,表明完成了一个完整的放电周期。这种方向是标准充放电循环的特征,取决于能量摄入和消耗水平。

图3. 太阳辐照度的分析。
图4. 风速(WS)的分析。
图5. 负荷需求的评估。
图6. 地下(UG)电力的评估。
图7. 电池储能系统(BESS)的电力分析。
图8. 分布式发电(DG)的电力分析。
图9. 可再生能源(RES)的电力分析。
图10. 电池荷电状态(SoC)的评估。

需求调度的评估如图11所示。需求在0点时约为10兆瓦,然后在8小时内缓慢上升到约20兆瓦。8点到15点之间,需求变化了20兆瓦。15点之后,需求呈上升趋势,在22点时达到约33兆瓦,之后在时间段结束时略微下降到约28兆瓦。信息显示了总体需求的增长趋势,伴随着周期性的波动,因此需要采用适应性调度计划来使能源规划(PD)有效。图12显示了室外温度的评估。动态天气条件通过大约-2°C到18°C之间的显著温度变化来表示。最初温度在10°C左右波动较小,然后在第300个时间段左右下降了近2°C。之后温度上升,多次达到接近18°C的峰值,特别是在第400个时间段之后。然而,也有偶尔低于5°C的显著下降,这强调了天气的不可预测性。总体趋势表明温度变化显著,可能会影响新加坡系统预测需求和能源使用的能力。图13展示了室内温度的分析。室内温度在大约19°C到25°C之间变化,与室外条件相比相对稳定。初始温度约为22°C,但偶尔会达到24°C。在第300个时间段左右,温度略有下降,短暂低于20°C,然后再次上升。第400个时间段之后,出现了高于24°C的显著峰值,变化持续存在。尽管有波动,室内温度仍保持在受控范围内,表明供暖、通风和空调系统可能影响了热调节的效率。图14显示了风力涡轮机(WT)的输出功率分析。大部分时间内,输出功率稳定在大约2兆瓦。在180到270分钟之间,输出功率迅速波动并降至1.7兆瓦以下,这可能表明风速(WS)或控制调整发生了变化。直到大约580分钟,输出功率再次波动,介于1.5兆瓦和2兆瓦之间,然后在270分钟左右回到2兆瓦。这些波动表明风速条件可能是间歇性的,或者可能是电网调节干预影响了功率稳定性。

如图4所示,不同方法的运营成本差异显著,建议的DBO-MASTGNN技术更为高效。人工神经网络(ANN)的运营成本很高,为3462美元/兆瓦,因为它需要处理复杂的模式。循环神经网络(RNN)将成本降低到2791美元/兆瓦。粒子群优化(PSO)方法的成本为3500美元/兆瓦。长短期记忆网络(LSTM)模型的成本更低,为1986美元/兆瓦。FHO-RERNN方法的成本也为2634美元/兆瓦。建议的DBO-MASTGNN框架的运营成本最低,为1275美元/兆瓦,使其在能源规划(PD)中最为优化。表5比较了不同PD优化方法的排放量,以及建议的DBO-MASTGNN方法与现有方法的性能。ANN方法的排放量为19.76千克/兆瓦,而RNN和PSO方法的排放量分别为20.95千克/兆瓦和26.34千克/兆瓦。LSTM技术的排放量为21.33千克/兆瓦,FHO-RERNN的排放量为16.52千克/兆瓦。建议的DBO-MASTGNN过程的排放量最低,为14.21千克/兆瓦,表明它在最小化排放量和实现新加坡最佳能源规划方面最为高效。

讨论表明,建议的DBO-MASTGNN模型在各种新加坡组件中实现了运营成本和排放量的稳定减少。比较不同的能源来源和负荷曲线显示,DBO的结合使得分布式发电单元(光伏、风力涡轮机、分布式发电、电池储能系统)能够在需求和可再生能源发电量波动的情况下保持恒定的运行水平。相反,MASTGNN通过学习电网内的复杂时间和空间依赖性,做出更适应性的控制决策,从而提高了预测准确性。与其他方法相比,该策略在实现运营成本和排放量减少方面表现最佳,从而实现了可再生资源和传统资源的更平衡使用。例如,1275美元/兆瓦的运营成本和4.21千克/兆瓦的排放量远低于基于LSTM、FHO-RERNN或PSO的模型。这一改进表明,DBO-MASTGNN可以规划资源的动态分配,并保持电网的可靠性和效率。这些发现支持了这样的观点:在单一混合架构中优化耦合和预测可以产生更稳定的能源分配,减少对化石燃料发电的依赖,并提高可持续性指标,这是以前的单一模型框架无法实现的。这些结果还证实了该系统在各种运行条件(如变化的太阳辐照度、风速和需求模式)下的鲁棒性,并表明该框架适用于实时新加坡运营。因此,这些发现不仅提供了模型的定量改进,还提供了方法上的改进,以及当代新加坡能源规划问题的优化。总体而言,以下结果指出了一个新的研究方向,即结合数据驱动的预测和实时优化,从而实现下一代新加坡的智能、适应性能源管理。

负荷曲线的变化直接影响配电系统(DS)的性能;因此,运营控制策略也会影响其性能。建议的DBO-MASTGNN技术可以通过智能协调发电、储能和负荷管理来提高DS的性能,使其更加高效、可靠和稳定。DBO组件最为合适,因为它能够有效地规划发电和电池储能的使用时机,从而最小化能源浪费并稳定整个电网的电压。同时,MASTGNN预测动态的能源需求和供应,从而实现提前调度和控制,以应对异常能源资源。与当前方法相比,实现的1275美元/兆瓦的运营成本和14.21千克/兆瓦的排放量是这种集成优化和预测过程的结果,导致运营成本和排放量减少。负荷曲线的变化也是DS行为的重要因素。工业或居民需求的快速上升可能导致电压偏差、馈线过载和资源使用不平衡,而在非高峰时段的快速下降可能导致可再生和储能资源的利用率不足。建议的框架可以通过根据预测的需求趋势实时调整发电和储能计划来应对这些影响。MASTGNN模块根据时空关系学习负荷变化,DBO优化器重新分配发电和储能设施以实现系统平衡。因此,DS能够更好地控制电压,维持稳定的功率流动,并在需求波动的情况下稳定运行。总体而言,DBO-MASTGNN系统能够在变化的需求下实现高效、稳定和环保的能源规划,同时提高网络的灵活性和稳定性。

新加坡通过部署优化的能源规划(PD)需要光伏系统(PV)、电池储能系统(BESS)、分布式发电(DG)和风力涡轮机(WT)等能源来源的协同帮助,以促进可持续的电力生产和分配。建议的技术结合了MASTGNN的预测能力和DBO的优化能力,有效捕捉了发电、消费和储能的动态变化。该方法的总运营成本为1275美元/兆瓦(MW),排放量为4.21千克/兆瓦(kg/MW),这些指标均高于现有的优化方法。分析表明,DBO-MASTGNN具有提升系统性能、降低运营成本和减少排放量的能力,因此可以成为持续使用SG.5.1的有效且可持续的工具。

**局限性**
在SG中改进的PD技术面临的挑战包括能源来源的复杂组合、对先进稳定性控制措施的需求以及网络攻击的风险。为了确保分散式能源源(MG)的有效运行,需要强大的通信协议和监管支持。

**未来工作**
未来的研究可以通过整合来自大规模分布式网络(DNs)的实时运行数据来进一步扩展所提出的DBO-MASTGNN框架,以提高模型的泛化能力和适应性。研究还可以考虑纳入网络安全意识优化、不确定性模型和多目标决策机制,以解决SG环境中的通信延迟和隐私问题。此外,加入电动汽车充电行为、需求响应(DR)计划和基于市场的定价机制也可能增强模型对新电网基础设施的适用性。其他研究人员还可以考虑该模型的替代方案,例如在边缘计算环境中运行的轻量级或联邦化变体,以在保持预测准确性的同时最小化计算资源消耗。这些指导原则将有助于促进智能、强大且可持续的PD管理系统的进一步发展。

**CRediT作者贡献声明**
Hariharan Narayanaswamy:撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、监督、软件开发、资源管理、项目规划、方法论研究、资金筹集、形式化分析、数据整理、概念构建。
P. Usha Rani:撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、监督、软件开发、资源管理、项目规划、方法论研究、资金筹集、形式化分析、数据整理、概念构建。
C. Kalaivani:撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、监督、软件开发、资源管理、项目规划、方法论研究、资金筹集、形式化分析、数据整理、概念构建。
Umaeswari Pargunaraj:撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、监督、软件开发、资源管理、项目规划、方法论研究、资金筹集、形式化分析、数据整理、概念构建。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号