CN113469269A - 基于多通道融合的残差卷积自编码风光荷场景生成方法 - Google Patents
基于多通道融合的残差卷积自编码风光荷场景生成方法 Download PDFInfo
- Publication number
- CN113469269A CN113469269A CN202110804748.7A CN202110804748A CN113469269A CN 113469269 A CN113469269 A CN 113469269A CN 202110804748 A CN202110804748 A CN 202110804748A CN 113469269 A CN113469269 A CN 113469269A
- Authority
- CN
- China
- Prior art keywords
- module
- wind
- residual
- solar
- encoder
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 description 22
- 238000000605 extraction Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (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)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于多通道融合的残差卷积自编码风光荷场景生成方法,该方法包括:构建多通道融合的残差卷积自编码器,包括编码器和解码器,所述的编码器输入高分辨率的风光荷数据,所述的编码器输出低维特征数据,所述的解码器基于低维特征数据还原风光荷数据;训练所述的多通道融合的残差卷积自编码器;应用阶段,将高分辨率的风光荷数据输入至多通道融合的残差卷积自编码器,对编码器输出的低维特征数据进行聚类,确定多个风光荷场景。与现有技术相比,本发明提高了场景生成的准确性。
Description
技术领域
本发明涉及电网调度技术领域,尤其是涉及一种基于多通道融合的残差卷积自编码风光荷场景生成方法。
背景技术
由于能源的日益枯竭与环境问题,诸如风光等清洁能源的应用正变得愈发普遍。风光具有一定的随机性与不确定性,但也拥有一定的耦合性与周期性。电力***的规划与调控,往往需要考虑负荷及风光资源的耦合性与周期特性。利用年时序场景对电力***的规划和调控进行场景分析,计算成本高、效率低;而典型日法则过于保守,不能反映风光荷的周期特性。对风光荷全年数据进行场景缩减生成典型场景集,可将风光荷出力消耗变化的不确定场景转化为多个确定的场景,对电力***的规划与调度、风光的消纳能力评估等具有重要意义。
当前典型场景的生成方法主要是用聚类来缩减长期的时序场景。但在电力数据快速增长的背景下,对风光荷场景直接进行聚类运算的复杂度和时间会大大增加,进而影响到聚类效果。为了提高算法效率、节省储存空间,现有研究采用数据降维的方法来提高聚类效果,主要有:主成分分析PCA、自组织映射SOM等。虽然传统的降维方法有降维速度快、计算简单等优点,但在对高维数据进行降维时易产生数据损失,降维效果较差,所提取特征不能精确反映原数据特征等问题。随着深度学习的发展,深度学习在数据挖掘、特征提取等方面表现出了优异的性能。自编码可通过重构原始数据实现电力数据的深层特征提取。现有研究分别采用了卷积自编码(convolutional auto-encoder,CAE)和堆栈自编码(stackedauto-encoder,SAE)对电力数据进行降维再进行聚类,都使聚类效果得到了进一步的提高,但未考虑到风光荷数据本身的强波动性、强耦合性,而且电力数据较图片数据信息值大、数据量少,数据在降维过程中产生的信息损失对电力数据的特征提取影响更大。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多通道融合的残差卷积自编码风光荷场景生成方法。
本发明的目的可以通过以下技术方案来实现:
一种基于多通道融合的残差卷积自编码风光荷场景生成方法,该方法包括:
构建多通道融合的残差卷积自编码器,包括编码器和解码器,所述的编码器输入高分辨率的风光荷数据,所述的编码器输出低维特征数据,所述的解码器基于低维特征数据还原风光荷数据;
训练所述的多通道融合的残差卷积自编码器;
应用阶段,将高分辨率的风光荷数据输入至多通道融合的残差卷积自编码器,对编码器输出的低维特征数据进行聚类,确定多个风光荷场景。
优选地,所述的编码器包括依次连接的编码单元、特征拼接层和全连接层,所述的编码单元设置三组,分别用于对风、光、电负荷数据进行特征提取。
优选地,所述的编码单元包括依次级联的卷积层、Relu层、第一残差模块、第二残差模块和第三残差模块,所述的第一残差模块、第二残差模块和第三残差模块分别用于将卷积前的未压缩的特征与卷积后的特征进行相加融合。
优选地,所述的编码单元还包括跨层级调整模块,所述的跨层级调整模块的输入端连接第一残差模块的输出端,所述的跨层级调整模块的输出端通过累加器与第二残差模块的输出端进行累加并连接至所述的第三残差模块。
优选地,所述的第一残差模块、第二残差模块和第三残差模块采用BasicBlock残差块。
优选地,所述的跨层级调整模块包括依次连接的1×1的卷积层和一个最大池化层。
优选地,所述的解码器包括多个依次连接的反卷积模块。
优选地,所述的反卷积模块设置四个,依次为第一反卷积模块、第二反卷积模块、第三反卷积模块和第四反卷积模块。
优选地,所述的解码器还包括多层级融合模块,所述的多层级融合模块的输入端连接第二反卷积模块和第三反卷积模块的输出端,所述的多层级融合模块将第三反卷积模块的输出经过上采样、卷积处理后进行超参λ1加权,再与第二反卷积模块的输出经过上采样处理后进行超参λ2加权,将两个加权结果进行叠加后输出,所述的多层级融合模块的输出与第四反卷积模块的输出进行累加。
优选地,低维特征数据聚类的方法包括k-medoids聚类。
与现有技术相比,本发明具有如下优点:
(1)本发明在数据降维方面,通过引入残差模块,解决梯度消失问题,并减少信息丢失和损耗,保证信息的完整性,此外,考虑到风光荷的相关性和互补性,利用多通道的卷积自编码对年时序风光负荷场景集进行特征提取和降维处理,使结果更为精确,在聚类方法方面,为了降低噪声数据对实验结果产生的影响,使用k-medoids算法进行场景削减。所提出的方法降低了场景数据的维数,同时使场景的原始特征得以准确表达,并使场景缩减的结果更加准确合理。
(2)本发明方法构建的高效合理的风光荷典型场景是客观评价高渗透率风电光伏接入配电网后的消纳能力的关键,对之后的机组规划、建设和运行均具有重要意义。
附图说明
图1为本发明一种基于多通道融合的残差卷积自编码风光荷场景生成方法的流程框图;
图2为本发明多通道融合的残差卷积自编码器的结构示意图;
图3为本发明采用的BasicBlock残差块的结构示意图;
图4为本发明采用的多层级融合模块的结构示意图;
图5为本发明实施例中SIL评价指标变化图;
图6为本发明实施例中年典型场景的风光荷曲线;
图7为本发明实施例中类季典型场景的风光荷曲线。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
如图1所示,本实施例提供一种基于多通道融合的残差卷积自编码风光荷场景生成方法,该方法包括:
构建多通道融合的残差卷积自编码器,包括编码器和解码器,编码器输入高分辨率的风光荷数据,编码器输出低维特征数据,解码器基于低维特征数据还原风光荷数据;
训练多通道融合的残差卷积自编码器;
应用阶段,将高分辨率的风光荷数据输入至多通道融合的残差卷积自编码器,对编码器输出的低维特征数据进行聚类,确定多个风光荷场景。
本发明在风、光、荷负荷数据特征提取的每条通道上为了减少数据损失,保全数据信息利用残差模块改进多通道融合卷积自编码器,采用多通道卷积的思想,将风光荷三通道电力数据输入模型,使其在高维空间进行融合抽象,得到更全面的提取数据特征。实现综合考虑电力风光荷数据兼具物理个体独立性、复杂互补耦合性的特点,以及提升数据降维质量的需求的典型场景缩减方法的构造。
具体地,如图2所示,改进的编码器包括依次连接的编码单元、特征拼接层和全连接层,编码单元设置三组,分别用于对风、光、电负荷数据进行特征提取,特征拼接层对各类负荷的特征向量进行拼接,最后通过全连接层实现多能负荷的特征融合。编码单元包括依次级联的卷积层、Relu层、第一残差模块、第二残差模块和第三残差模块,第一残差模块、第二残差模块和第三残差模块分别用于将卷积前的未压缩的特征与卷积后的特征进行相加融合。第一残差模块、第二残差模块和第三残差模块采用BasicBlock残差块,BasicBlock残差块的结构如图3所示。编码单元还包括跨层级调整模块,跨层级调整模块的输入端连接第一残差模块的输出端,跨层级调整模块的输出端通过累加器与第二残差模块的输出端进行累加并连接至第三残差模块。跨层级调整模块包括依次连接的1×1的卷积层和一个最大池化层。跨层级调整模块将上一层级的特征数据进行调整,将调整后的特征数据与当前输出数据相加,实现了编码器的数据信息保全。
解码器包括多个依次连接的反卷积模块。反卷积模块设置四个,依次为第一反卷积模块、第二反卷积模块、第三反卷积模块和第四反卷积模块。各层反卷积模块输出的特征数据可看作是多分辨率下的特征,因此解码器还包括多层级融合模块,多层级融合模块融合多分辨率特征以提升网络的性能。由于高维数据的感受野比较大,所以可以学习到更加宏观、抽象的结构信息特征;而低维数据特征的感受野比较小,学习到的是电力数据的细节信息和局部特征。因此,将高维特征图中的空间信息与低维特征数据的细节信息和局部特征相结合,通过优势互补,可以提高电力数据的特征提取能力。多层级融合模块的结构如图4所示,多层级融合模块将第三反卷积模块的输出经过上采样、卷积处理后进行超参λ1加权,再与第二反卷积模块的输出经过上采样处理后进行超参λ2加权,将两个加权结果进行叠加后输出,多层级融合模块的输出与第四反卷积模块的输出进行累加。
低维特征数据聚类的方法包括k-medoids聚类。
在实际测试过程中,采用本发明方法进行风光荷场景生成的基本流程为:
1)为了考虑装机容量不同等影响,选择使用极大值标准化进行数据预处理。
2)利用多通道融合的残差卷积自编码器进行风光荷数据的特征提取。具体流程如图2所示:首先,一组风光荷的三维数据经过5×1卷积和Relu层,将电力数据的大小由96×1降为48×1,将通道数由3升为64,之后送入残差模块中。在conv2-x的输出端,将数据分别送入conv3-x和跨层级调整模块,经过跨层级调整模块调整低维数据的通道数与尺寸后,与conv3-x的输出数据相加,相加后的数据送入conv4-x操作输出提取的数据特征。至此,完成了一条数据的编码任务。解码流程,将编码输出的6×1@256低分辨率、高通道数据送入解码器反卷积网络进行解码,经过反卷积模块deconv1-deconv4,将通道数由256重新降到3,数据尺寸由6×1升回96×1最终完成一条数据的解码任务。在此过程中,第2、3层反卷积模块的输出分别为S2、S3。其中将S3经过上采样、卷积处理的结果进行超参λ1加权,再与S2经过上采样处理后进行超参λ2加权,并将其结果进行叠加后输出。融合模块是由于S4感受野较小,故将感受野更大的S2和S3叠加至S4之上的,由于S3的感受野比S2小,因此在融合模块中利用一个卷积模块对S3进行调整。如果融合模块的输出Sr直接与主干输出S4相加,Sr会干扰到主干输出数据,因此本专科使用两个较小的超参数λ1和λ2,用来削弱S3和S2融合模块输出数据对主干数据的影响。
3)最后,利用轮廓系数确定最佳聚类数,然后,对提取的低维特征数据进行聚类,为了减少噪声数据的影响采用kmedoids聚类方法,最后所得的聚类中心对应的原数据场景,即是实际生成的风光荷典型场景。
以下对本发明提出的方法进行试验验证,实验数据来源于某省2017年全年的项目数据。到2017年底,该省新能源总装机达到1561.8万千瓦,占总装机容量的37.3%,其中,风电941.6万千瓦,光伏620.2万千瓦。采用该省项目数据记录2017.1.1—2017.12.31每天24h的风、光、电负荷数据,时间分辨率为15min,进行典型场景集生成,验证该专利所提方法的有效性。
在TensorFlow框架下,对归一化的风光荷样本进行残差卷积自编码机训练,采用Adam优化器,初始学习率设置为0.01,epoch设置为10。
为消除各装机容量不同的影响,采用相对出力进行分析。本实施例分别按年和季节进行场景缩减。最佳场景数根据轮廓系数SIL指标确定。轮廓系数SIL作为一种聚类性能评估指标取值范围为[-1,1],越接近1说明聚类性能越好,越接近-1说明聚类性能越差,对2017年风光负荷的时序场景生成时SIL评价指标变化图如图5所示,图5中(a)为年SIL评价指标的变化图,图5中(b)为(b)春季SIL评价指标的变化图,由图5可得,按年缩减6类时SIL值最接近1,即选择最佳场景数为6;按季节缩减,以春季为例聚类数为3时SIL值最接近1,即选择最佳场景数为3。采用本发明方法对典型场景进行生成,采用最佳场景数对原始数据进行典型场景集生成。按年生成6类年典型场景的结果如图6所示,图6中的(a)~(f)分别为年典型场景1~年典型场景6的风光荷曲线,年典型场景概率如表1所示。
表1年典型场景概率
按季节生成3类典型场景的结果如图7所示,图7中的(a)~(d)依次为春、夏、秋、东四个季节的季典型场景的风光荷曲线,季典型场景概率如表2所示。
表2季典型场景概率
分析上述风光荷典型场景集图6、图7、表1、表2可得:
1)将全年的风光荷时序场景数据按年和季度分别进行聚类,生成的场景集可反映全年场景的特征变化,体现了风光荷的互补性、季节性、波动性及反调峰特性。
2)进一步分析上述场景集曲线变化趋势得到:年聚类得到了6类典型场景,按季度聚类分别得到了3个典型场景。从图中可以看出:
①风光出力与天气关系紧密。年聚类场景2、5为晴天,光伏出力曲线平滑,风电波动性较大。年聚类场景1、4、6为多云天气,光伏波动性较大,其中场景1在晚间风电出力大光伏出力小,在白天风电出力减弱光伏出力增加,具有明显的风光互补性,因此综合考虑风光能源间的互补特性有利于电能的稳定输出。年聚类场景3为阴天小风,风光出力都比较小难以满足负荷需求。负荷基本都为典型双峰曲线,相对负荷大致在0.8-0.9左右。
②风光负荷场景具有很强的季节性。春季场景1为多云小风,风光波动较大,春季场景2为阴天,风速波动较大,光伏出力较小,场景3为晴天,光伏出力较为平滑,光伏相对出力在0.8-0.9左右,小风风电出力较小,春季场景3为晴天,春季场景3占比最高可达0.527。由数据可得春天风光出力较为充足且比较平均。夏季场景1为阴天晚风,光伏出力较小,风电出力波动较大,占比不高。夏季场景2为多云无风,光伏波动较大。夏季场景3为晴天大风占比0.628,光伏出力较大,由图可得风光出力具有一定的互补性。夏季光伏出力波动性较大且负荷占比明显高于其余三个季节,由于此阶段空调等负荷占比大,与聚类所得的负荷特性一致,体现了负荷与季节关联性。秋季场景1为多云小风,光伏出力较为平滑,光伏相对出力在0.7-0.8左右。秋季场景2为阴天,风速较小,风光出力较低。秋季场景3为晴天无风,光伏出力较为平滑,光伏相对出力在0.8-0.9左右。冬季场景1多云大风,风光具有明显的互补性。冬季场景2阴天大风,风电相对出了在0.7-0.9左右。冬季场景3为阴天小风,风光出力都较小。由数据可得冬季光伏资源较小且波动性较大,风电资源相对充足。本算例所生成的场景符合气象数据,基本反映了风光荷随天气变化的年周期性与季周期性。且这一现象符合我国西南地区风光资源的客观规律,表明了本算例风光资源典型场景提取结果的合理性。并且由图可得年场景1,夏季场景3,冬季场景1都具有明显的风光互补性,并且年场景1类型全年占比高达0.227,夏季场景3以及冬季场景1的占比分别高达0.628和0.398,因此本算例生成的风光荷典型场景集充分体现出了风光的互补以及与负荷的关联性。
本发明综合考虑电力数据特征和数据降维质量,提出一种利用残差模块改进卷积自编码(residual convolutional auto-encoder,RESCAE)聚类的场景缩减方法。在数据降维方面,通过引入残差模块,解决梯度消失问题,并减少信息丢失和损耗,保证信息的完整性。此外,考虑到风光荷的相关性和互补性,利用多通道的卷积自编码对年时序风光负荷场景集进行特征提取和降维处理,使结果更为精确。在聚类方法方面,为了降低噪声数据对实验结果产生的影响,使用k-medoids算法进行场景削减。所提出的方法降低了场景数据的维数,同时使场景的原始特征得以准确表达,并使场景缩减的结果更加准确合理。本发明所提方案相比已有的专利,可考虑到风光荷数据波动性强且耦合关系复杂,利用多通道独立特征提取融合可考虑到其中的时序耦合关系对风光荷的多变量数据进行场景生成。RESCAE能够较大程度上减少数据降维所造成的信息损失,更精确地提取出电力数据特征,使得所获取的特征更有利于聚类,提高聚类的性能。本专利所改进的残差卷积自编码典型场景构造符合风光年度季度时序特征,契合电力配电网运行效益,计算速度快效率高,为之后的电力***规划调度提供参考依据。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (10)
1.一种基于多通道融合的残差卷积自编码风光荷场景生成方法,其特征在于,该方法包括:
构建多通道融合的残差卷积自编码器,包括编码器和解码器,所述的编码器输入高分辨率的风光荷数据,所述的编码器输出低维特征数据,所述的解码器基于低维特征数据还原风光荷数据;
训练所述的多通道融合的残差卷积自编码器;
应用阶段,将高分辨率的风光荷数据输入至多通道融合的残差卷积自编码器,对编码器输出的低维特征数据进行聚类,确定多个风光荷场景。
2.根据权利要求1所述的一种基于多通道融合的残差卷积自编码风光荷场景生成方法,其特征在于,所述的编码器包括依次连接的编码单元、特征拼接层和全连接层,所述的编码单元设置三组,分别用于对风、光、电负荷数据进行特征提取。
3.根据权利要求2所述的一种基于多通道融合的残差卷积自编码风光荷场景生成方法,其特征在于,所述的编码单元包括依次级联的卷积层、Relu层、第一残差模块、第二残差模块和第三残差模块,所述的第一残差模块、第二残差模块和第三残差模块分别用于将卷积前的未压缩的特征与卷积后的特征进行相加融合。
4.根据权利要求3所述的一种基于多通道融合的残差卷积自编码风光荷场景生成方法,其特征在于,所述的编码单元还包括跨层级调整模块,所述的跨层级调整模块的输入端连接第一残差模块的输出端,所述的跨层级调整模块的输出端通过累加器与第二残差模块的输出端进行累加并连接至所述的第三残差模块。
5.根据权利要求3所述的一种基于多通道融合的残差卷积自编码风光荷场景生成方法,其特征在于,所述的第一残差模块、第二残差模块和第三残差模块采用BasicBlock残差块。
6.根据权利要求4所述的一种基于多通道融合的残差卷积自编码风光荷场景生成方法,其特征在于,所述的跨层级调整模块包括依次连接的1×1的卷积层和一个最大池化层。
7.根据权利要求1所述的一种基于多通道融合的残差卷积自编码风光荷场景生成方法,其特征在于,所述的解码器包括多个依次连接的反卷积模块。
8.根据权利要求7所述的一种基于多通道融合的残差卷积自编码风光荷场景生成方法,其特征在于,所述的反卷积模块设置四个,依次为第一反卷积模块、第二反卷积模块、第三反卷积模块和第四反卷积模块。
9.根据权利要求8所述的一种基于多通道融合的残差卷积自编码风光荷场景生成方法,其特征在于,所述的解码器还包括多层级融合模块,所述的多层级融合模块的输入端连接第二反卷积模块和第三反卷积模块的输出端,所述的多层级融合模块将第三反卷积模块的输出经过上采样、卷积处理后进行超参λ1加权,再与第二反卷积模块的输出经过上采样处理后进行超参λ2加权,将两个加权结果进行叠加后输出,所述的多层级融合模块的输出与第四反卷积模块的输出进行累加。
10.根据权利要求1所述的一种基于多通道融合的残差卷积自编码风光荷场景生成方法,其特征在于,低维特征数据聚类的方法包括k-medoids聚类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804748.7A CN113469269A (zh) | 2021-07-16 | 2021-07-16 | 基于多通道融合的残差卷积自编码风光荷场景生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804748.7A CN113469269A (zh) | 2021-07-16 | 2021-07-16 | 基于多通道融合的残差卷积自编码风光荷场景生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469269A true CN113469269A (zh) | 2021-10-01 |
Family
ID=77880557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110804748.7A Pending CN113469269A (zh) | 2021-07-16 | 2021-07-16 | 基于多通道融合的残差卷积自编码风光荷场景生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469269A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957422A (zh) * | 2023-09-20 | 2023-10-27 | 成都理工大学 | 一种基于卷积自编码和尖点突变模型的生态环境评价方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247971A (zh) * | 2017-06-28 | 2017-10-13 | 中国人民解放军总医院 | 一种超声甲状腺结节风险指标的智能分析方法及*** |
CN108182441A (zh) * | 2017-12-29 | 2018-06-19 | 华中科技大学 | 平行多通道卷积神经网络、构建方法及图像特征提取方法 |
CN108376387A (zh) * | 2018-01-04 | 2018-08-07 | 复旦大学 | 基于聚合膨胀卷积网络的图像去模糊方法 |
CN109766918A (zh) * | 2018-12-18 | 2019-05-17 | 南开大学 | 基于多层次上下文信息融合的显著性物体检测方法 |
CN110163878A (zh) * | 2019-05-28 | 2019-08-23 | 四川智盈科技有限公司 | 一种基于双重多尺度注意力机制的图像语义分割方法 |
CN110543846A (zh) * | 2019-08-29 | 2019-12-06 | 华南理工大学 | 一种基于生成对抗网络的多姿态人脸图像正面化方法 |
CN110633731A (zh) * | 2019-08-13 | 2019-12-31 | 杭州电子科技大学 | 一种基于交错感知卷积的单阶段无锚框目标检测方法 |
CN110739002A (zh) * | 2019-10-16 | 2020-01-31 | 中山大学 | 基于生成对抗网络的复数域语音增强方法、***及介质 |
CN110991281A (zh) * | 2019-11-21 | 2020-04-10 | 电子科技大学 | 一种动态人脸识别方法 |
CN111128242A (zh) * | 2020-01-02 | 2020-05-08 | 渤海大学 | 一种基于双深度网络的多模式情感信息融合与识别方法 |
CN111598051A (zh) * | 2020-06-16 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 一种脸部验证方法、装置、设备及可读存储介质 |
CN111967577A (zh) * | 2020-07-29 | 2020-11-20 | 华北电力大学 | 一种基于变分自编码器的能源互联网场景生成方法 |
CN112001273A (zh) * | 2020-08-06 | 2020-11-27 | 清华大学 | 一种将卷积自编码器和逻辑回归相结合的故障诊断***及方法 |
CN112308829A (zh) * | 2020-10-27 | 2021-02-02 | 苏州大学 | 一种适用于视网膜光学相干断层扫描图像中高反射亮斑分割的自适应网络 |
-
2021
- 2021-07-16 CN CN202110804748.7A patent/CN113469269A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107247971A (zh) * | 2017-06-28 | 2017-10-13 | 中国人民解放军总医院 | 一种超声甲状腺结节风险指标的智能分析方法及*** |
CN108182441A (zh) * | 2017-12-29 | 2018-06-19 | 华中科技大学 | 平行多通道卷积神经网络、构建方法及图像特征提取方法 |
CN108376387A (zh) * | 2018-01-04 | 2018-08-07 | 复旦大学 | 基于聚合膨胀卷积网络的图像去模糊方法 |
CN109766918A (zh) * | 2018-12-18 | 2019-05-17 | 南开大学 | 基于多层次上下文信息融合的显著性物体检测方法 |
CN110163878A (zh) * | 2019-05-28 | 2019-08-23 | 四川智盈科技有限公司 | 一种基于双重多尺度注意力机制的图像语义分割方法 |
CN110633731A (zh) * | 2019-08-13 | 2019-12-31 | 杭州电子科技大学 | 一种基于交错感知卷积的单阶段无锚框目标检测方法 |
CN110543846A (zh) * | 2019-08-29 | 2019-12-06 | 华南理工大学 | 一种基于生成对抗网络的多姿态人脸图像正面化方法 |
CN110739002A (zh) * | 2019-10-16 | 2020-01-31 | 中山大学 | 基于生成对抗网络的复数域语音增强方法、***及介质 |
CN110991281A (zh) * | 2019-11-21 | 2020-04-10 | 电子科技大学 | 一种动态人脸识别方法 |
CN111128242A (zh) * | 2020-01-02 | 2020-05-08 | 渤海大学 | 一种基于双深度网络的多模式情感信息融合与识别方法 |
CN111598051A (zh) * | 2020-06-16 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 一种脸部验证方法、装置、设备及可读存储介质 |
CN111967577A (zh) * | 2020-07-29 | 2020-11-20 | 华北电力大学 | 一种基于变分自编码器的能源互联网场景生成方法 |
CN112001273A (zh) * | 2020-08-06 | 2020-11-27 | 清华大学 | 一种将卷积自编码器和逻辑回归相结合的故障诊断***及方法 |
CN112308829A (zh) * | 2020-10-27 | 2021-02-02 | 苏州大学 | 一种适用于视网膜光学相干断层扫描图像中高反射亮斑分割的自适应网络 |
Non-Patent Citations (6)
Title |
---|
任钰: ""深度学习在高光谱遥感图像处理中的应用研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
双锴: "《计算机视觉》", 31 January 2020, 北京邮电大学出版社 * |
徐国晟等: "基于卷积神经网络的车道线语义分割算法", 《电子测量与仪器学报》 * |
李宇等: "深度卷积融合条件随机场的遥感图像语义分割", 《国土资源遥感》 * |
杨晶显等: ""基于深度嵌入聚类的水光荷不确定性源场景生成方法"", 《中国电机工程学报》 * |
潘海侠等: "《深度学习工程师认证初级教程》", 31 March 2020, 普通高等教育人工智能与大数据系列教材 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957422A (zh) * | 2023-09-20 | 2023-10-27 | 成都理工大学 | 一种基于卷积自编码和尖点突变模型的生态环境评价方法 |
CN116957422B (zh) * | 2023-09-20 | 2024-01-02 | 成都理工大学 | 一种基于卷积自编码和尖点突变模型的生态环境评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524993B (zh) | 用于中长期优化调度的风电光伏典型周出力场景生成方法 | |
CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
CN110580543A (zh) | 一种基于深度信念网络的电力负荷预测方法及*** | |
CN110070226A (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及*** | |
CN109657839A (zh) | 一种基于深度卷积神经网络的风电功率预测方法 | |
CN105373856A (zh) | 一种考虑游程检测法重构的风电功率短时组合预测方法 | |
CN109242180A (zh) | 中长期电力负荷预测方法和*** | |
CN110782071A (zh) | 基于时空特性融合的卷积神经网络进行风电功率预测方法 | |
Yang et al. | Statistical downscaling of numerical weather prediction based on convolutional neural networks | |
CN113469269A (zh) | 基于多通道融合的残差卷积自编码风光荷场景生成方法 | |
CN115392595A (zh) | 基于图卷积神经网络和Transformer的时空短期风速预测方法及*** | |
Yu et al. | Short-term solar irradiance prediction based on spatiotemporal graph convolutional recurrent neural network | |
Xu et al. | Univariate and multivariable forecasting models for ultra-short-term wind power prediction based on the similar day and LSTM network | |
Shahiduzzaman et al. | Renewable energy production forecasting: a comparative machine learning analysis | |
CN115660032B (zh) | 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 | |
CN117151385A (zh) | 一种基于改进Transformer的综合能源***多元负荷精确预测方法 | |
Zhanga et al. | Optimized operation of cascade reservoirs considering complementary characteristics between wind and photovoltaic based on variational auto-encoder | |
CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 | |
CN111967577B (zh) | 一种基于变分自编码器的能源互联网场景生成方法 | |
CN115545256A (zh) | 一种基于多维数据特征学习的小尺度光伏功率预测方法 | |
CN114444955A (zh) | 综合能源用关键参数数据挖掘及长期配置预测方法及*** | |
Khouloud et al. | Multi-step wind speed forecasting based on hybrid deep learning model and trailing moving average denoising technique | |
CN113592181B (zh) | 一种小水电群出力预测方法和*** | |
CN113536664B (zh) | 一种海上风电出力的电量平衡计算方法、装置及*** | |
CN116842855B (zh) | 分布式光伏配电网出力预测方法、装置、电子设备及介质 |
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 |
Application publication date: 20211001 |
|
RJ01 | Rejection of invention patent application after publication |