面向大规模光伏退化分析的并行友好型时空图学习
机器学习
2024-02-14 v1 人工智能
分布式、并行与集群计算
摘要
我们提出了一种新颖的赋能趋势分析的时空图神经网络方法 (ST-GTrend)，用于对光伏 (PV) 电力网络进行机队级的性能退化分析。光伏电站已成为全球可持续能源生产格局不可或缺的组成部分。准确估计光伏系统的性能对于其作为发电技术和金融资产的可行性至关重要。评估光伏系统平准化度电成本 (LCOE) 最具挑战性的问题之一，是理解和估计大型光伏逆变器机队的长期性能损失率 (PLR)。ST-GTrend 整合了时空一致性和图注意力机制，将 PLR 作为长期“老化”趋势从光伏输入数据中的多个波动项中分离出来。为了应对时间序列中多样的退化模式，ST-GTrend 采用了并行图自编码器阵列来同时提取老化和波动项。ST-GTrend 施加平坦性和平滑度正则化，以确保老化与波动的解耦。为了将分析扩展至大型光伏系统，我们还引入了 Para-GTrend，这是一种加速 ST-GTrend 训练和推理的并行算法。我们在三个跨越 10 年时间段的大规模光伏数据集上评估了 ST-GTrend。结果表明，与最先进 (SOTA) 方法相比，ST-GTrend 将平均绝对百分比误差 (MAPE) 和欧几里得距离分别降低了 34.74% 和 33.66%。我们的结果证明，Para-GTrend 可将 ST-GTrend 的速度提高多达 7.92 倍。我们进一步利用金融和经济数据集验证了 ST-GTrend 在趋势分析中的通用性和有效性。
引用
@article{arxiv.2402.08470,
title = {Parallel-friendly Spatio-Temporal Graph Learning for Photovoltaic Degradation Analysis at Scale},
author = {Yangxin Fan and Raymond Wieser and Laura Bruckman and Roger French and Yinghui Wu},
journal= {arXiv preprint arXiv:2402.08470},
year = {2024}
}