CN112163671A - 一种新能源场景生成方法及*** - Google Patents

一种新能源场景生成方法及*** Download PDF

Info

Publication number
CN112163671A
CN112163671A CN202011384337.9A CN202011384337A CN112163671A CN 112163671 A CN112163671 A CN 112163671A CN 202011384337 A CN202011384337 A CN 202011384337A CN 112163671 A CN112163671 A CN 112163671A
Authority
CN
China
Prior art keywords
network
new energy
scene
generation
constructing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011384337.9A
Other languages
English (en)
Inventor
蒲天骄
乔骥
王新迎
王继业
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202011384337.9A priority Critical patent/CN112163671A/zh
Publication of CN112163671A publication Critical patent/CN112163671A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种新能源场景生成方法及***，包括以下步骤：构建生成网络及判别网络，利用隐空间的随机向量、判别网络及训练样本集对生成网络进行对抗训练，再利用对抗训练后的生成网络生成若干新场景；提取各新场景的特征标签；构建回归模型，再利用回归模型在高维空间中的斜率构建随机变量的特征轴；对随机变量的特征轴进行正交化；控制正交化后随机变量的特征轴上的特征，以生成不同的新能源场景，完成新能源场景生成，该方法及***能够克服传统技术面临的维数灾难的问题，能够避免出现过拟合问题，同时能够灵活控制生成预想场景的特征分布，以生成特定的新能源场景。

Description

一种新能源场景生成方法及***
技术领域
本发明属于能源互联网的新能源消纳与优化运行领域，涉及一种新能源场景生成方法及***。
背景技术
随着风电、光伏等清洁能源的不断发展及渗透率的持续提高，其具有的间歇性、波动性特征给能源互联网的安全调度与经济运行带来了新的挑战。为描述***的运行态势，单纯依靠传统的基于物理机理的、确定性的方法，将难以全面表征***可能的运行边界与状态。
一种有效的技术手段是，通过一定的数学模型表达新能源的潜在统计规律，挖掘新能源场站出力的时空关联特性及变化规律，从而对其可能的运行情况进行表述，并生成未来一段时间内预想的海量运行场景。这些预想场景能够符合新能源出力的分布规律，对能源互联网的未来运行情况进行较为全面完整的刻画，并为电力随机优化调度、机组组合、电网规划、能源互联网运行控制、电网可靠性评估、储能规划与运行、电力交易策略制定等多个方面提供基础支撑。
然而，风能、光伏出力具有强波动性、间歇性与时空关联特性，而传统的场景生成技术采用了大量的物理假设与统计学简化，难以对新能源的随机特征进行有效、准确地建模，产生的运行场景很难有效利用。
现有方法一般采用蒙特卡洛方法及变分自动编码器；
具体的，蒙特卡洛方法是统计模拟法的一种实现方式，建立在大数定理的基础之上，把概率现象作为研究对象进行数值模拟。采用蒙特卡洛方法进行新能源场景生成的一般步骤是，对新能源每一个时间步的随机性特征进行离散化，然后对每个时间断面的静态场景之间建立起联系，形成跨时段的动态场景。
假设***调度区间共有T个调度时刻，以Q t 个分位点描述第t时刻的随机出力Xt。把新能源出力的时间序列看作一个随机模型，这本质上是描述了不同时刻事物状态的变化规律，该变化规律在数学上通过状态转移概率矩阵体现。按照***连续观测量的变化范围，首先把***每一时刻的观测量划分为n个离散状态：
Figure 685161DEST_PATH_IMAGE001
，当前时刻状态为
Figure 116143DEST_PATH_IMAGE002
，下一时刻状态
Figure 213412DEST_PATH_IMAGE003
的概率
Figure 983922DEST_PATH_IMAGE004
。所以对于有n个状态的***，状态转移矩阵为：
Figure 141234DEST_PATH_IMAGE005
可以根据t-1时刻的不确定性状态
Figure 574358DEST_PATH_IMAGE006
和状态转移概率矩阵P，确定t时刻的可能性最大的几个功率预测偏差状态w，从而可以通过迭代循环得到多时段内的不确定性状态。构造状态转移矩阵P的过程需要大量的原始数据支持，然而蒙特卡洛方法存在以下问题：
a）该方法面临“维数灾难”问题。设T个时刻的场景集S总规模为N，显然N随着T的增加以指数级增加，会造成维数灾难，模型的模拟计算速度难以保证；
b）构建蒙特卡洛抽样的状态转移矩阵需要大量的原始数据支持，难以保证模型的建模准确度；若对随机变量进行分布的简化假设，能够一定程度上减少计算量，但是模型简化大幅降低计算精度，且模型的通用性和扩展性不强。
变分自动编码器VAE由编码器和解码器组成，其数据由一系列隐变量产生，记为生成模型
Figure 413001DEST_PATH_IMAGE007
（即解码器），编码器模型记为
Figure 100334DEST_PATH_IMAGE008
。在z独立同分布的假设下，通过对数最大似然估计
Figure 694126DEST_PATH_IMAGE009
的参数。在VAE中，通过编码器模型逼近观测数据后验概率，采用KL散度衡量两个分布的相似度，即
Figure 37383DEST_PATH_IMAGE010
使用变分思想优化下界
Figure 7613DEST_PATH_IMAGE011
，即
Figure 300185DEST_PATH_IMAGE012
VAE模型采用深度神经网络逼近概率分布，在网络训练采用梯度反向传播方法进行网络参数更新。模型训练流程如图1所示，计算流程如下：
数据编码。即利用深度神经网络的数据拟合能力，通过编码器将输入数据降维编码成一维特征向量。
数据解码。利用解码器将该特征向量还原成输入数据。
参数更新及梯度反向传播。通过解码输出数据与输入原始数据计算损失函数，通过反向传播更新网络参数，反复训练后解码器学习到了数据的映射规律。
数据生成。提取解码器作为VAE 生成模型，从高斯分布中抽取一组特征向量作为模型输入，从而生成新能源出力的场景。
变分自动编码器存在以下问题：
a）相比于基于模型和简化假设的方法，VAE能够通过神经网络学习新能源运行场景的分布情况。然而，由于VAE通过最小化生成数据与原始数据之间的误差来训练模型，容易产生模型训练过拟合问题，生成新的场景样本的多样性不足，难以满足全面刻画随机运行场景的需求；
（2）场景生成时，模型输入高斯分布的随机噪声，无法灵活控制生成样本的分布规律，难以生成指定特征的场景样本，如强光日、大风日或不同季度下的样本。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种新能源场景生成方法及***，该方法及***能够克服传统技术面临的维数灾难的问题，能够避免出现过拟合问题，同时能够灵活控制生成预想场景的特征分布，以生成特定的新能源场景。
为达到上述目的，本发明所述的新能源场景生成方法包括以下步骤：
构建生成网络及判别网络，利用隐空间的随机向量、判别网络及新能源发电功率时间序列对生成网络进行对抗训练，基于对抗训练后的生成网络生成至少一个新场景；
提取所述新场景的特征标签；
建立隐空间的随机向量与特征标签之间的关联关系，并以此构建回归模型，根据所述回归模型在高维空间中的斜率构建随机变量的特征轴；
对随机变量的特征轴进行正交化；
控制正交化后随机变量的特征轴上的特征，以生成不同的新能源场景，完成新能源场景生成。
对生成网络进行对抗训练之前还包括：实时采集得到的新能源场站的发电数据或者收集得到的新能源场站的历史发电数据，利用新能源场站的发电数据或者新能源场站的历史发电数据构建新能源场站的发电功率时间序列，通过新能源场站的发电功率时间序列构建训练样本集{xj|yj}，其中，xj为第j个样本，yj为第j个样本的特征标签。
构建生成网络及判别网络，包括：
利用全连接网络与深度反卷积神经网络构建生成网络，利用卷积神经网络构建判别网络；
或者，利用全连接神经网络构建生成网络，利用全连接神经网络构建判别网络。
对生成网络进行对抗训练的具体操作为：
将隐空间的随机向量输入到生成网络中，生成网络输出新能源出力的模拟场景样本；以及从训练样本集中随机抽取若干样本；
将生成网络输出的新能源出力的模拟场景样本及随机抽取的样本输入到判别网络中；
根据判别网络的判断结果对生成网络进行优化；
判断生成网络与判别网络是否达到纳什均衡，当生成网络与判别网络达到纳什均衡时，得对抗训练后的生成网络，否则，则将新的隐空间的随机向量输入到生成网络中。
根据判别网络的判断结果对生成网络进行优化，包括：
根据判别网络的判断结果利用自适应矩估计方法对生成网络进行优化；
或者，根据判别网络的判断结果利用随机梯度下降法对生成网络进行优化。
判别网络的判断结果采用改进的Wasserstein距离
Figure 2562DEST_PATH_IMAGE013
进行计算，其中，
Figure 629853DEST_PATH_IMAGE014
其中，sup表示求上界，
Figure 872615DEST_PATH_IMAGE015
表示对其下标的变量求期望，
Figure 737803DEST_PATH_IMAGE016
为抽取的样本x的概率分布，
Figure 407819DEST_PATH_IMAGE017
为隐空间的随机变量z的概率分布，G(z)为生成网络G输出新能源出力的模拟场景样本。
生成网络的损失函数为：
Figure 37252DEST_PATH_IMAGE018
其中，
Figure 21389DEST_PATH_IMAGE019
表示对变量z按照分布
Figure 537821DEST_PATH_IMAGE020
求期望,
Figure 644317DEST_PATH_IMAGE021
为生成网络G的罚函数系数，
Figure 246199DEST_PATH_IMAGE022
为生成网络G第l层的Frobenius范数，G(z)为生成网络G输出新能源出力的模拟场景样本。
判别网络的损失函数为：
Figure 34027DEST_PATH_IMAGE023
其中,
Figure 421277DEST_PATH_IMAGE024
表示对变量z按照分布
Figure 433095DEST_PATH_IMAGE025
求期望，D为惩罚系数，
Figure 459957DEST_PATH_IMAGE026
表示对变量x按照分布
Figure 113792DEST_PATH_IMAGE027
求期望；
Figure 339237DEST_PATH_IMAGE027
为实际数据分布概率；
Figure 725219DEST_PATH_IMAGE028
表对变量
Figure 550962DEST_PATH_IMAGE029
按照分布
Figure 742909DEST_PATH_IMAGE030
求期望，
Figure 26123DEST_PATH_IMAGE030
为
Figure 910902DEST_PATH_IMAGE029
分布概率，
Figure 709094DEST_PATH_IMAGE031
表示梯度，
Figure 376835DEST_PATH_IMAGE032
表示范数，
Figure 593184DEST_PATH_IMAGE029
表示
Figure 383286DEST_PATH_IMAGE033
，
Figure 606457DEST_PATH_IMAGE034
为[0,1]之间的均匀采样，G(z)为生成网络G输出新能源出力的模拟场景样本。
提取所述新场景的特征标签，包括：
利用卷积神经网络构建特征提取模型，利用特征提取模型提取各新场景的特征标签；
或者，利用统计方法构建特征提取模型，利用特征提取模型提取各新场景的特征标签。
建立隐空间的随机向量与特征标签之间的关联关系，包括：
利用广义线型模型建立隐空间的随机向量与特征标签之间的关联关系；
或者，利用线性回归模型建立隐空间的随机向量与特征标签之间的关联关系。
采用施密特正交化方式对随机变量的特征轴进行正交化。
步骤2）中的特征标签为新能源场站出力的最大值、平均值、最大变化率或出力时长。
一种新能源场景生成***包括：
对抗模块，与获取模块相连接，用于构建生成网络及判别网络，利用隐空间的随机向量、判别网络及新能源发电功率时间序列对生成网络进行对抗训练，基于对抗训练后的生成网络生成至少一个新场景；
特征提取模块，与对抗模块相连接，用于提取所述新场景的特征标签；
特征轴构建模块，与特征提取模块相连接，用于建立隐空间的随机向量与特征标签之间的关联关系，并以此构建回归模型，根据所述回归模型在高维空间中的斜率构建随机变量的特征轴；
解耦模块，与特征轴构建模块相连接，用于对随机变量的特征轴进行正交化；
场景生成模块，与解耦模块相连接，用于控制正交化后随机变量的特征轴上的特征，以生成不同的新能源场景，完成新能源场景生成。
本发明具有以下有益效果：
本发明所述的新能源场景生成方法及***在具体操作时，利用隐空间的随机向量、判别网络及新能源发电功率时间序列对生成网络进行对抗训练，以学习新能源随机场景的分布规律，自动学习海量随机数据的隐含特征，克服传统方法所面临的维数灾难问题及过拟合问题，同时使得生成网络输出的数据逐步逼近真实分析，以提高生成的新能源场景的准确性及多样性。另外，需要说明的是，本发明建立隐空间的随机向量与特征标签之间的关联关系，并以此建立随机变量的特征轴，同时对随机变量的特征轴进行正交化，以实现特征轴的解耦，防止特征分量变化时产生的相互影响，最后控制正交化后随机变量的特征轴上的特征，以生成不同的新能源场景，在实际操作时，可以根据场景生成需求在特征轴上进行采样，以灵活控制生成预想场景的特征分析，继而生成特征的新能源场景。
进一步，本发明在对生成网络进行对抗训练时，采用纳什均衡作为终止条件，使得生成网络的输出数据逐步逼近真实分布。
进一步，本发明通过引入Wasserstein距离及卷积神经网络，以提升生成新能源场景的准确性及多样性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为VEW模型训练的流程图；
图2为本发明的结构图；
图3为本发明的流程图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
参考图2及图3，本发明所述的新能源场景生成方法包括以下步骤：
获取新能源发电功率时间序列，构建训练样本集；
具体的，获取新能源场站的发电数据，其中，所述新能源场站的发电数据为实时采集得到的新能源场站的发电数据或者收集得到的新能源场站的历史发电数据，共采集N天，再利用新能源场站的发电数据构建新能源场站的发电功率时间序列，然后通过新能源场站的发电功率时间序列构建训练样本集{xj|yj}，其中，xj为第j个样本，yj为第j个样本的特征标签，j=1,2…,N，每个样本xj的长度为K。
构建生成网络及判别网络，利用隐空间的随机向量、判别网络及训练样本集对生成网络进行对抗训练，基于对抗训练后的生成网络生成至少一个新场景；
具体的，利用全连接网络与深度反卷积神经网络（DeCNN）构建生成网络，生成网络G的输入为隐空间的随机变量z，生成网络G的输出为生成的新能源出力时间序列场景，生成网络共有NG层，第1层为全连接网络，其他层采用反卷积神经网络，卷积核大小为kG，卷积步长为sG；生成网络G的输入维度为Nz，Nz为生成网络G输入的隐空间随机向量z的长度，生成网络G的输出维度为K。
另外，利用卷积神经网络构建判别网络，其中，判别网络D的输入为真实样本x或生成网络G产生的样本，判别网络D的输出为对输入来源的判断，判断结果越接近1，则输入越可能来源于真实样本；当判断结果越接近0，则输入越可能来源于生成网络G。另外，判别网络D共有ND层，判别网络D的卷积核大小为kD，判别网络D的卷积步长为sD，判别网络D的输入维度为K，判别网络D的输出维度为1。
另外，需要说明的是，也可以采用利用全连接神经网络构建生成网络，利用全连接神经网络构建判别网络。
同时，需要说明的是，利用全连接网络与深度反卷积神经网络构建生成网络，利用卷积神经网络构建判别网络相对效果更佳。
利用判别网络及训练样本集对生成网络进行对抗训练的具体操作为：
将隐空间的随机向量z输入到生成网络G中，生成网络输出新能源出力的模拟场景样本G(z)；
从训练样本集中随机抽取若干样本；
将生成网络输出的新能源出力的模拟场景样本G(z)及随机抽取的m个样本输入到判别网络D中，判别网络D输出的判断结果即为评价分数；
判别网络的判断结果采用改进的Wasserstein距离
Figure 405785DEST_PATH_IMAGE013
进行计算，其中，
Figure 460329DEST_PATH_IMAGE035
其中，sup表示求上界，
Figure 359015DEST_PATH_IMAGE015
表示对其下标的变量求期望，
Figure 646646DEST_PATH_IMAGE016
为抽取的样本x的概率分布，
Figure 718507DEST_PATH_IMAGE017
为隐空间的随机变量z的概率分布，G(z)为生成网络G输出新能源出力的模拟场景样本。
根据判别网络的判断结果作为生成网络G的反馈信号，根据判别网络的判断结果利用自适应矩估计方法对生成网络进行优化，其中，需要说明的是，判别网络D的训练目标在于分辨数据来源，即甄别出输入为真实样本还是模拟样本G(z)；生成网络G的训练目标在于使其输出逐渐逼近真实样本分布；
判断生成网络与判别网络是否达到纳什均衡，当生成网络与判别网络达到纳什均衡时，得对抗训练后的生成网络，否则，则将新的隐空间的随机向量输入到生成网络中，其中，学习率设置为α，通过两者在训练过程中逐渐进行对抗博弈，即对抗学习，最终达到纳什均衡。
需要说明的是，训练刚开始时两个网络的网络参数均随机化产生，生成网络G产生新能源场景的数据质量差，判别网络D的判断能力也很低；随着网络训练的逐步进行，两者精度逐渐提高，最终生成网络G可产生高质量的新能源出力场景数据。
其中，生成网络的损失函数为：
Figure 440606DEST_PATH_IMAGE036
其中，
Figure 775773DEST_PATH_IMAGE019
表示对变量z按照分布
Figure 770274DEST_PATH_IMAGE020
求期望,
Figure 911405DEST_PATH_IMAGE021
为生成网络G的罚函数系数，
Figure 143803DEST_PATH_IMAGE022
为生成网络G第l层的Frobenius范数，G(z)为生成网络G输出新能源出力的模拟场景样本。
判别网络的损失函数为：
Figure 181029DEST_PATH_IMAGE037
其中,
Figure 443252DEST_PATH_IMAGE038
表示对变量z按照分布
Figure 856916DEST_PATH_IMAGE025
求期望，D为惩罚系数，
Figure 943821DEST_PATH_IMAGE026
表示对变量x按照分布
Figure 417527DEST_PATH_IMAGE027
求期望；
Figure 386620DEST_PATH_IMAGE027
为实际数据分布概率；
Figure 807237DEST_PATH_IMAGE028
表对变量
Figure 561698DEST_PATH_IMAGE029
按照分布
Figure 206306DEST_PATH_IMAGE030
求期望，
Figure 865957DEST_PATH_IMAGE030
为
Figure 887003DEST_PATH_IMAGE029
分布概率，
Figure 745238DEST_PATH_IMAGE031
表示梯度，
Figure 764009DEST_PATH_IMAGE032
表示范数，
Figure 956962DEST_PATH_IMAGE029
表示
Figure 516119DEST_PATH_IMAGE039
，
Figure 432123DEST_PATH_IMAGE040
为[0,1]之间的均匀采样，G(z)为生成网络G输出新能源出力的模拟场景样本，
Figure 418533DEST_PATH_IMAGE041
为梯度项的惩罚系数,D()为判别网络D的输出结果，通过引入该罚函数，能够增加模型训练的稳定性与精度，防止出现模型坍塌问题。
另外，需要说明的是，也可以根据判别网络的判断结果利用随机梯度下降法对生成网络进行优化，同时需要说明的是，利用自适应矩估计方法对生成网络进行优化的效果更佳。
另外，需要说明的是，判别网络的判断结果也可以通过sigmoid函数进行计算，同时需要说明的是，通过Wasserstein距离进行计算的效果更优。
提取各新场景的特征标签；
提取各新场景的特征标签的具体过程为：
构建特征提取模型y=F(x)，该特征提取模型用于提取真实样本或模拟样本G(z)的特征，例如新能源出力的平均值、最大值、最大变化率及发电时长等特征，在实际操作时，可以采用卷积神经网络构建特征提取器。
采用监督学习方式进行神经网络的反向传播训练，训练样本集为真实数据{xj|yj}，j=1,2…,N，损失函数采用交叉熵，特征提取模型共有NF层，卷积核大小为kF，卷积步长为sF；特征提取模型的输入维度为K，即新能源的采样时间序列长度；特征提取模型的输出维度为MF，即总特征数。
利用对抗训练后的生成网络产生若干新场景G(z)，再利用特征提取模型提取新场景G(z)的特征标签ygen=F(G(z))。
同时需要说明的是，也可以采用利用统计方法构建特征提取模型，例如，计算均值、幅值及变化率的统计值。
建立隐空间的随机向量与特征标签之间的关联关系，并以此构建回归模型，再利用回归模型在高维空间中的斜率构建随机变量的特征轴；
具体的，可以通过广义线型模型GLM建立隐空间的随机向量z与特征标签ygen之间的关联关系，以构建回归模型ygen=R(z)，回归模型在高维空间中的斜率构成随机变量z的特征轴，沿特征轴的向量fj用于控制生成场景的某一个特征；
需要说明的是，也可以通过利用线性回归模型建立隐空间的随机向量与特征标签之间的关联关系。
对随机变量的特征轴进行正交化；
具体的，采用施密特正交化方式，对随机变量z的特征轴进行正交分解，即
Figure 115094DEST_PATH_IMAGE042
再进行单位化，即
Figure 415625DEST_PATH_IMAGE043
以实现对特征轴进行解耦，防止特征分量变化时产生的相互影响。
控制正交化后随机变量的特征轴上的特征，以生成不同的新能源场景，完成新能源场景生成。
具体的，控制正交化后随机变量的特征轴上的特征，以生成不同的新能源场景存在两种实时方式，第一种为：当仅生成符合历史数据全局分布规律的场景，则可直接将隐空间的随机向量z输入至生成网络G中，以产生任意数量的新能源场景；
第二种为：若生成符合某一特征分布或特定条件的场景，例如，生成强光照日、大风日场景；或具有不同出力均值的不同月份的新能源场景；或者具有较大跃变（如30min内的最大变化率）下的场景等，则可根据特征分布在随机变量z的特征轴上进行局部采用，然后输入至生成网络G中，以产生特定条件的运行场景。
例如，当生成强光照日、大风日场景，则在随机变量z的表示幅值（或均值）的特征轴emax（或emean）上的较大位置处采样，其他特征分量均匀随机采样；若生成具有不同出力均值的不同月份下的新能源场景，则根据已有的每月新能源出力均值、幅值、变化率等统计特征，在特征轴emean、emax及eramp上依先验统计概率进行采样；若生成具有较大跃变的新能源场景，则在特征轴eramp较大位置处采样，其他特征分量随机采样。
一种新能源场景生成***包括：
获取模块，用于获取新能源发电功率时间序列，利用新能源发电功率时间序列构建训练样本集；
对抗模块，与获取模块相连接，用于构建生成网络及判别网络，利用隐空间的随机向量、判别网络及训练样本集对生成网络进行对抗训练，基于对抗训练后的生成网络生成至少一个新场景；
特征提取模块，与对抗模块相连接，用于提取所述新场景的特征标签；
特征轴构建模块，与特征提取模块相连接，用于建立隐空间的随机向量与特征标签之间的关联关系，并以此构建回归模型，根据所述回归模型在高维空间中的斜率构建随机变量的特征轴；
解耦模块，与特征轴构建模块相连接，用于对随机变量的特征轴进行正交化；
场景生成模块，与解耦模块相连接，用于控制正交化后随机变量的特征轴上的特征，以生成不同的新能源场景，完成新能源场景生成。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述新能源场景生成方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述新能源场景生成方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (13)

1.一种新能源场景生成方法，其特征在于，包括以下步骤：
构建生成网络及判别网络，利用隐空间的随机向量、判别网络及新能源发电功率时间序列对生成网络进行对抗训练，基于对抗训练后的生成网络生成至少一个新场景；
提取所述新场景的特征标签；
建立隐空间的随机向量与特征标签之间的关联关系，并以此构建回归模型，根据所述回归模型在高维空间中的斜率构建随机变量的特征轴；
对随机变量的特征轴进行正交化；
控制正交化后随机变量的特征轴上的特征，以生成不同的新能源场景。
2.根据权利要求1所述的新能源场景生成方法，其特征在于，对生成网络进行对抗训练之前还包括：实时采集新能源场站的发电数据或者收集新能源场站的历史发电数据，利用新能源场站的发电数据或者新能源场站的历史发电数据建立新能源场站的发电功率时间序列，通过新能源场站的发电功率时间序列构建训练样本集{xj|yj}，其中，xj为第j个样本，yj为第j个样本的特征标签。
3.根据权利要求1所述的新能源场景生成方法，其特征在于，构建生成网络及判别网络，包括：
根据全连接网络与深度反卷积神经网络构建生成网络，以及根据卷积神经网络构建判别网络；
或者，根据全连接神经网络构建生成网络，以及根据全连接神经网络构建判别网络。
4.根据权利要求2所述的新能源场景生成方法，其特征在于，对生成网络进行对抗训练的具体操作为：
将隐空间的随机向量输入到生成网络中，生成网络输出新能源出力的模拟场景样本；以及从训练样本集中随机抽取若干样本；
将生成网络输出的新能源出力的模拟场景样本及随机抽取的样本输入到判别网络中；
根据判别网络的判断结果对生成网络进行优化；
判断生成网络与判别网络是否达到纳什均衡，当生成网络与判别网络达到纳什均衡时，得对抗训练后的生成网络，否则，则将新的隐空间的随机向量输入到生成网络中。
5.根据权利要求4所述的新能源场景生成方法，其特征在于，根据判别网络的判断结果对生成网络进行优化，包括：
根据判别网络的判断结果利用自适应矩估计方法对生成网络进行优化；
或者，根据判别网络的判断结果利用随机梯度下降法对生成网络进行优化。
6.根据权利要求4所述的新能源场景生成方法，其特征在于，判别网络的判断结果采用改进的Wasserstein距离
Figure 460380DEST_PATH_IMAGE001
进行计算，其中，
Figure 728551DEST_PATH_IMAGE002
其中，sup表示求上界，
Figure 783094DEST_PATH_IMAGE003
表示对其下标的变量求期望，
Figure 947359DEST_PATH_IMAGE004
为抽取的样本x的概率分布，
Figure 969411DEST_PATH_IMAGE005
为隐空间的随机变量z的概率分布，G(z)为生成网络G输出新能源出力的模拟场景样本。
7.根据权利要求1所述的新能源场景生成方法，其特征在于，生成网络的损失函数为：
Figure 41272DEST_PATH_IMAGE006
其中，
Figure 419164DEST_PATH_IMAGE007
表示对变量z按照分布
Figure 551068DEST_PATH_IMAGE008
求期望,
Figure 811148DEST_PATH_IMAGE009
为生成网络G的罚函数系数，
Figure 624383DEST_PATH_IMAGE010
为生成网络G第l层的Frobenius范数，G(z)为生成网络G输出新能源出力的模拟场景样本,D()为判别网络D的输出结果。
8.根据权利要求1所述的新能源场景生成方法，其特征在于，判别网络的损失函数为：
Figure 669831DEST_PATH_IMAGE011
其中,
Figure 707057DEST_PATH_IMAGE012
表示对变量z按照分布
Figure 657695DEST_PATH_IMAGE013
求期望，D为惩罚系数，
Figure 336938DEST_PATH_IMAGE014
表示对变量x按照分布
Figure 220581DEST_PATH_IMAGE015
求期望；
Figure 897550DEST_PATH_IMAGE015
为实际数据分布概率；
Figure 115910DEST_PATH_IMAGE016
表对变量
Figure 333265DEST_PATH_IMAGE017
按照分布
Figure 540255DEST_PATH_IMAGE018
求期望，
Figure 919284DEST_PATH_IMAGE018
为
Figure 641253DEST_PATH_IMAGE017
分布概率，
Figure 599981DEST_PATH_IMAGE019
表示梯度，
Figure 208948DEST_PATH_IMAGE020
表示范数，
Figure 290037DEST_PATH_IMAGE017
表示
Figure 436984DEST_PATH_IMAGE021
，
Figure 730562DEST_PATH_IMAGE022
为[0,1]之间的均匀采样，G(z)为生成网络G输出新能源出力的模拟场景样本，
Figure 708883DEST_PATH_IMAGE023
为梯度项的惩罚系数,D()为判别网络D的输出结果。
9.根据权利要求1所述的新能源场景生成方法，其特征在于，提取所述新场景的特征标签，包括：
利用卷积神经网络构建特征提取模型，利用特征提取模型提取新场景的特征标签；
或者，利用统计方法构建特征提取模型，利用特征提取模型提取新场景的特征标签。
10.根据权利要求1所述的新能源场景生成方法，其特征在于，建立隐空间的随机向量与特征标签之间的关联关系，包括：
利用广义线型模型建立隐空间的随机向量与特征标签之间的关联关系；
或者，利用线性回归模型建立隐空间的随机向量与特征标签之间的关联关系。
11.根据权利要求1所述的新能源场景生成方法，其特征在于，采用施密特正交化方式对随机变量的特征轴进行正交化。
12.根据权利要求1所述的新能源场景生成方法，其特征在于，特征标签为新能源场站出力的最大值、平均值、最大变化率或出力时长。
13.一种新能源场景生成***，其特征在于，包括：
对抗模块，用于构建生成网络及判别网络，利用隐空间的随机向量、判别网络及新能源发电功率时间序列对生成网络进行对抗训练，基于对抗训练后的生成网络生成至少一个新场景；
特征提取模块，与对抗模块相连接，用于提取所述新场景的特征标签；
特征轴构建模块，与特征提取模块相连接，用于建立隐空间的随机向量与特征标签之间的关联关系，并以此构建回归模型，根据所述回归模型在高维空间中的斜率构建随机变量的特征轴；
解耦模块，与特征轴构建模块相连接，用于对随机变量的特征轴进行正交化；
场景生成模块，与解耦模块相连接，用于控制正交化后随机变量的特征轴上的特征，以生成不同的新能源场景，完成新能源场景生成。
CN202011384337.9A 2020-12-02 2020-12-02 一种新能源场景生成方法及*** Pending CN112163671A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011384337.9A CN112163671A (zh) 2020-12-02 2020-12-02 一种新能源场景生成方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011384337.9A CN112163671A (zh) 2020-12-02 2020-12-02 一种新能源场景生成方法及***

Publications (1)

Publication Number Publication Date
CN112163671A true CN112163671A (zh) 2021-01-01

Family

ID=73865947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011384337.9A Pending CN112163671A (zh) 2020-12-02 2020-12-02 一种新能源场景生成方法及***

Country Status (1)

Country Link
CN (1) CN112163671A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950409A (zh) * 2021-04-19 2021-06-11 工数科技(广州)有限公司 煤气和蒸汽能源综合利用***生产调度优化方法
CN114862123A (zh) * 2022-04-12 2022-08-05 国网江苏省电力有限公司电力科学研究院 一种综合能源***场景生成方法及装置
CN115357218A (zh) * 2022-08-02 2022-11-18 北京航空航天大学 一种基于混沌预测对抗学习的高熵随机数生成方法
CN116565859A (zh) * 2023-07-10 2023-08-08 国网吉林省电力有限公司辽源供电公司 一种基于人工智能的电网优化调度***及方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553587A (zh) * 2020-04-26 2020-08-18 中国电力科学研究院有限公司 一种基于对抗学习模型的新能源场景生成方法及***

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553587A (zh) * 2020-04-26 2020-08-18 中国电力科学研究院有限公司 一种基于对抗学习模型的新能源场景生成方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JI QIAO等: "Renewable scenario generation using stable and controllable generative adversarial networks with transparent latent space", 《IEEE，CSEE JOURNAL OF POWER AND ENERGY SYSTEMS》 *
李洋等: "生成对抗网络及其在新能源数据质量中的应用研究综述", 《南方电网技术》 *
董骁翀等: "基于条件生成对抗网络的可再生能源日前场景生成方法", 《中国电机工程学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950409A (zh) * 2021-04-19 2021-06-11 工数科技(广州)有限公司 煤气和蒸汽能源综合利用***生产调度优化方法
CN114862123A (zh) * 2022-04-12 2022-08-05 国网江苏省电力有限公司电力科学研究院 一种综合能源***场景生成方法及装置
CN115357218A (zh) * 2022-08-02 2022-11-18 北京航空航天大学 一种基于混沌预测对抗学习的高熵随机数生成方法
CN116565859A (zh) * 2023-07-10 2023-08-08 国网吉林省电力有限公司辽源供电公司 一种基于人工智能的电网优化调度***及方法
CN116565859B (zh) * 2023-07-10 2023-09-19 国网吉林省电力有限公司辽源供电公司 一种基于人工智能的电网优化调度***及方法

Similar Documents

Publication Publication Date Title
CN112163671A (zh) 一种新能源场景生成方法及***
Hastomo et al. Characteristic parameters of epoch deep learning to predict Covid-19 data in Indonesia
CN102622418B (zh) 一种基于bp神经网络的预测装置及设备
CN110751318B (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN104751842B (zh) 深度神经网络的优化方法及***
CN110910004A (zh) 一种多重不确定性的水库调度规则提取方法及***
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN112052948B (zh) 一种网络模型压缩方法、装置、存储介质和电子设备
CN111191823B (zh) 一种基于深度学习的生产物流预测方法
Wu et al. Optimized deep learning framework for water distribution data-driven modeling
CN112699998A (zh) 一种时间序列预测方法、装置、电子设备及可读存储介质
CN105550747A (zh) 一种新型卷积神经网络的样本训练方法
CN111192158A (zh) 一种基于深度学习的变电站日负荷曲线相似度匹配方法
CN113420508B (zh) 一种基于lstm的机组组合计算方法
Amir et al. Priority neuron: A resource-aware neural network for cyber-physical systems
CN114332565A (zh) 一种基于分布估计的条件生成对抗网络文本生成图像方法
Xu et al. Meta-learning via weighted gradient update
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
CN113807005B (zh) 基于改进fpa-dbn的轴承剩余寿命预测方法
CN114139937A (zh) 一种室内热舒适数据生成方法、***、设备及介质
CN109858799B (zh) 主动配电网改造措施与线路重载率关联性挖掘方法及装置
CN117236900B (zh) 基于流程自动化的个税数据处理方法及***
Hadiyat et al. Comparing statistical feature and artificial neural networks for control chart pattern recognition: a case study
CN117152335B (zh) 一种用于训练体渲染模型、体渲染的方法及装置
CN112101680B (zh) 基于章鱼模型的自适应长短期ies负荷预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210101