CN113269314B - 基于生成对抗网络的新能源发电场景数据迁移方法 - Google Patents

基于生成对抗网络的新能源发电场景数据迁移方法 Download PDF

Info

Publication number
CN113269314B
CN113269314B CN202110664511.3A CN202110664511A CN113269314B CN 113269314 B CN113269314 B CN 113269314B CN 202110664511 A CN202110664511 A CN 202110664511A CN 113269314 B CN113269314 B CN 113269314B
Authority
CN
China
Prior art keywords
data
function
power station
sample
generator
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.)
Active
Application number
CN202110664511.3A
Other languages
English (en)
Other versions
CN113269314A (zh
Inventor
邵振国
张承圣
陈飞雄
张嫣
许良财
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN202110664511.3A priority Critical patent/CN113269314B/zh
Publication of CN113269314A publication Critical patent/CN113269314A/zh
Application granted granted Critical
Publication of CN113269314B publication Critical patent/CN113269314B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/214—Database migration support
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Water Supply & Treatment (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出一种基于生成对抗网络的新能源发电场景数据迁移方法，以历史数据大规模缺失的新能源电站为目标电站，以历史数据完整的邻近新能源电站为源电站，通过生成对抗网络模型学习源电站与目标电站之间的场景数据映射关系，进而根据源电站场景数据，生成目标电站场景数据，且所生成的数据符合真实场景数据分布规律。仅需建立C‑DCGAN模型学习目标电站与源电站数据间的映射关系，即可将源电站数据进行处理后迁移至目标电站，补全目标电站的缺失数据，能够更高效地完成数据补全，简化算法流程；通过引入Wasserstein距离与梯度惩罚函数，增加了C‑DCGAN模型的稳定性；提升了数据迁移的准确度的同时，减少了构建目标模型的时间，降低了经济成本与时间成本。

Description

基于生成对抗网络的新能源发电场景数据迁移方法
技术领域
本发明属于新能源发电技术领域，尤其涉及一种基于生成对抗网络的新能源发电场景数据迁移方法。
背景技术
新能源具有不断再生、永续利用以及环境友好性的特点，在过去近半个世纪里，全球新能源的增长率也已经全面超过了化石能源。风力、光伏发电因为具备了成熟、商业化的大规模发电与运营方式，是目前新能源领域中最具关注的焦点。
相比于常规火力或水力发电可控制、可调度的特点，风力与光伏等新能源发电量不受人为调控。此外，风电与光伏出力均具有明显的随机性、间歇性以及波动性特征，大规模的风电、光伏并网势必会对电网电能质量、电力可靠性以及电力系统安全经济运行带来不小的挑战。因此虽然风电、光伏并网的比例逐年增加，但由于其出力不确定性的特点及现有技术的瓶颈导致电网现阶段仍然无法完全消纳新能源出力，“弃风弃光”的现象仍然普遍存在。目前，在新能源接入的电力系统规划、运行以及调度优化问题中如何考虑新能源出力的不确定性，是目前研究电力系统经济优化运行的难点，如果能对新能源出力场景的不确定性研究并建模生成场景，则可以有效的将上述不确定性优化问题转换为确定性问题来分析，这对于简化电力系统不确定性优化问题分析以及安全经济运行都具有十分重要的价值与意义。
场景分析是一种通过构建确定性场景来分析电力系统不确定性问题的方式，它能根据不确定性变量的概率特征生成多个场景以描述新能源发电不确定性，是解决含新能源的电力系统优化规划运行问题的一种有效途径。电力系统的长期规划、中期运行和短期调度问题实质上即为不同时间尺度下的最优机组组合问题，当考虑到包含风电或光伏在内的不确定性能源接入时，由于准确定量描述超前时间的风电或光伏出力曲线一般较难，因此上述最优机组组合模型就变成了不确定性优化问题。而场景分析的目的就是通过生成符合风电、光伏出力统计特征的时序场景来表征风电或者光伏超前出力，从而将上述不确定性模型转换为确定性模型，以方便优化模型的求解运算。
在场景分析法中，构建生成的场景精度越高，所描述的新能源发电不确定性的准确度也就越高，因此，如何精确生成新能源发电场景是场景分析法的首要任务。场景生成是指根据研究对象的统计特征，并采用一定方法对其抽样得到可以描述对象不确定性特征场景的方法。目前，在光伏、风电的场景生成方法中应用较多的主要包括三种类型：一、直接对光伏、风电的概率分布特征抽样得到可以描述光伏、风电随机性特征的场景；二、先对光伏、风电出力的统计特征数学建模然后对该模型抽样生成所需场景；三、结合预测误差对光伏、风电的概率分布特征抽样生成场景。前两种方法一般用于电力系统中长期规划运行中的风、光场景生成，后一种方法一般用于短期调度中的场景生成。
现已有大量方案对基于生成模型的新能源发电场景生成方法进行了研究，并取得了一系列研究成果，但现有的场景生成方法只有在历史数据较为完整的情况下才能够取得较好的效果。当新能源电站历史数据出现大规模缺失时，现有的场景生成方法就难以从缺失的历史数据中提取数据分布规律，进而导致生成的新能源发电场景难以较好地反应新能源出力的时空相关性。因此，在历史数据出现大规模缺失的情况下，如何精确生成足量的数据样本补全缺失，是提高场景生成精度的关键问题之一。
发明内容
针对现有技术的空白，本发明提出了一种基于生成对抗网络的新能源发电场景数据迁移方法，针对在历史数据缺失情况下，现有方法所生成的新能源发电场景精度较低甚至失效的问题，提出一种基于生成对抗网络的新能源发电场景数据迁移方法。
本方法以历史数据缺失的新能源电站为目标电站，以历史数据完整的邻近新能源电站为源电站，通过生成对抗网络模型学习源电站与目标电站之间的场景数据映射关系，进而根据源电站场景数据，生成目标电站场景数据，且所生成的数据符合真实场景数据分布规律。
(1)建立条件深度卷积生成对抗网络(Conditional Deep ConvolutionsGenerative Adversarial Network，C-DCGAN)模型，并引入Wasserstein距离与梯度惩罚函数，从而提升C-DCGAN模型的训练稳定性。
(2)基于所建立的C-DCGAN模型，提出目标电站与源电站场景数据间的映射关系学习方法。
(3)根据目标电站数据缺失时间段，将源电站对应时间段的历史数据迁移到目标电站，以解决目标电站历史数据缺失问题。
本发明具体采用以下技术方案：
一种基于生成对抗网络的新能源发电场景数据迁移方法，其特征在于，包括以下步骤：
步骤S1：建立C-DCGAN模型：
定义历史场景数据为真实数据，定义一组随机噪声数据z作为生成器的输入，以pz(z)表示z的概率分布，以pdata(x)表示历史场景数据x的概率分布；生成器的输出为生成得到的数据样本G(z)，概率分布为pG(z)；
定义判别器网络的输入为历史场景数据x或生成器生成的数据G(z)，输出为一个标量D(G(z))，表示输入数据服从历史数据分布pdata(x)的概率；
根据生成器与判别器的训练目标，分别构造生成器和判别器的损失函数LG和LD，并确定GAN训练过程中的目标函数；
步骤S2：引入Wasserstein距离与梯度惩罚函数，对GAN的目标函数进行转化；
步骤S3：将源电站与目标电站的训练样本数据作归一化处理；
步骤S4：以源电站的训练样本作为条件y，与随机噪声拼接后一并输入C-DCGAN模型的生成器，生成器输出生成样本；
步骤S5：以源电站样本作为条件y，与目标电站的训练样本拼接后作为历史数据样本，输入C-DCGAN模型的判别器；同时，将条件y与生成样本拼接后作为生成数据样本，输入C-DCGAN模型的判别器；判别器输出对历史数据样本和生成数据样本的判别值；
步骤S6：计算生成器和判别器的损失函数，优化更新C-DCGAN模型网络参数；
步骤S7：当训练结束后，保留C-DCGAN中的生成器模型，确定目标电站缺失时间段，输入该时间段源电站历史数据与随机噪声拼接的样本，生成器输出若干个迁移后的目标电站新能源发电场景数据。
进一步地，在步骤S1中，生成器和判别器的损失函数LG和LD分别为：
Figure BDA0003116388040000031
Figure BDA0003116388040000041
生成器的优化目标是将式(1)最小化，判别器的目标是将式(2)最大化；将式(1)和式(2)相结合，得到GAN训练过程中的目标函数：
Figure BDA0003116388040000042
进一步地，步骤S2具体包括以下过程：
Wasserstein距离的定义如下：
Figure BDA0003116388040000043
式中，Ω(pdata,pG)是以pdata和pG为边缘分布的联合概率分布γ的集合；W(pdata,pG)为γ(u,v)期望的下确界，表示将生成分布pG拟合成真实分布pdata，需要将u移动到v的距离，其中u和v分别表示从联合分布γ中随机采样的历史样本与生成样本；采用其Kantorovich-Rubinstein对偶形式来描述生成样本与真实样本之间的距离：
Figure BDA0003116388040000044
式中||f||L≤K表明判别器函数D(x)满足K-Lipschitz连续，即函数梯度的绝对值上限为K；为了保证梯度不超过限值K，对式(3)引入判别器函数D(x)在定义域内的梯度惩罚函数，使判别器函数D(x)近似满足K-Lipschitz连续，以精确描述Wasserstein距离；此时，GAN的目标函数转化为：
Figure BDA0003116388040000045
进一步地，步骤S3的归一化公式如下：
Figure BDA0003116388040000046
式中，xi表示风电场景数据中第i类数据，其中，x1,x2,x3分别代表风速、气温、气压；xij代表xi类数据中的第j个数值。
进一步地，在步骤S4中，C-DCGAN模型的生成器结构如下所示：
卷积层1：32个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层2：64个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层3：4个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数ReLU。
进一步地，在步骤S5中，C-DCGAN模型的判别器结构如下所示：
输入层：64个卷积核，每个卷积核尺寸为3；步幅为1；
卷积层1：128个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层2：256个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层3：512个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层4：1024个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层5：512个卷积核，每个卷积核尺寸为3；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层6：128个卷积核，每个卷积核尺寸为3；步幅为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层7：512个卷积核，每个卷积核尺寸为1；步幅为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
输出层：稠密层结构，包含1024个神经网络单元，1个样本作为输出。
进一步地，在步骤S6中，采用RMSprop优化算法对生成器和判别器的网络权重参数进行优化更新；一轮训练结束后，返回步骤S4进行下一轮训练；
RMSprop优化算法的公式如下：
Figure BDA0003116388040000061
在公式中sdw和sdb分别是损失函数在之前迭代过程中累积的梯度动量，β是一个表示梯度累积的参数；RMSprop算法对梯度计算微分平方加权平均数；当dW或者db中出现较大值时，将此变化量除以它在之前迭代过程中累积的梯度动量，以满足梯度摆动幅度值的要求；ε是为了防止分母为零造成奇异的辅助参数。
进一步地，设定RMSprop优化算法的学习率＝2×10-4，参数ε＝0.9。
进一步地，步骤S4中的随机噪声为符合标准正态分布的高维噪声；步骤S7中的随机噪声包括若干个高维噪声。
相较于现有技术，本发明及其优选方案以生成对抗网络算法为基础，通过数据迁移的方法实现新能源历史数据的补全。该方法优点之一在于不需要耗费大量时间挖掘目标电站的数据特征，仅需将源电站数据进行处理后迁移至目标电站，补全目标电站的缺失数据。
对于生成对抗网络算法，传统的损失函数以及模型结构往往使最终测试的效果不是很好。该方案优点之二在于有效克服了这一不足，该方法通过引入Wasserstein距离与梯度惩罚函数，以增加生成对抗网络模型的稳定性。
与传统的生成对抗网络算法相比，该方法优点之三在于所迁移的新能源发电场景数据具有更高的准确度，对真实数据有着较高的覆盖率同时有着更小的平均区间宽度，能够更好地拟合目标电站历史数据的概率分布。
综上，本发明及其优选方案提出的基于生成对抗网络的新能源发电场景数据迁移方法，仅需建立C-DCGAN模型学习目标电站与源电站数据间的映射关系，即可将源电站数据进行处理后迁移至目标电站，补全目标电站的缺失数据，能够更高效地完成数据补全，简化算法流程；通过引入Wasserstein距离与梯度惩罚函数，增加了C-DCGAN模型的稳定性；提升了数据迁移的准确度的同时，减少了构建目标模型的时间，降低了经济成本与时间成本，具有优越性。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
图1为本发明实施例整体流程步骤示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供的基于生成对抗网络的新能源发电场景数据迁移方法如图1所示，包括以下步骤：
步骤S1：建立C-DCGAN模型；
定义历史场景数据为真实数据，定义一组随机噪声数据z作为生成器的输入，以pz(z)表示z的概率分布，同时以pdata(x)表示历史场景数据x的概率分布。生成器的输出为生成得到的数据样本G(z)，概率分布为pG(z)。
定义判别器网络的输入为历史场景数据x或者生成器生成的数据G(z)，输出为一个标量D(G(z))，表示输入数据服从历史数据分布pdata(x)的概率。
根据生成器与判别器的训练目标，分别构造生成器和判别器的损失函数LG和LD如下：
Figure BDA0003116388040000071
Figure BDA0003116388040000072
生成器的优化目标是将式(1)最小化，判别器的目标是将式(2)最大化。将式(1)和式(2)相结合，可得到GAN训练过程中的目标函数：
Figure BDA0003116388040000081
步骤S2：引入Wasserstein距离与梯度惩罚函数；
Wasserstein距离的定义如下：
Figure BDA0003116388040000082
式中，Ω(pdata,pG)是以pdata和pG为边缘分布的联合概率分布γ的集合；W(pdata,pG)为γ(u,v)期望的下确界，表示将生成分布pG拟合成真实分布pdata，需要将u移动到v的距离，其中u和v分别表示从联合分布γ中随机采样的历史样本与生成样本。由于难以直接计算得到Wasserstein距离，因此通常采用其Kantorovich-Rubinstein对偶形式来描述生成样本与真实样本之间的距离：
Figure BDA0003116388040000083
式中||f||L≤K表明判别器函数D(x)满足K-Lipschitz连续，即函数梯度的绝对值上限为K。为了保证梯度不超过限值K，对式(3)引入判别器函数D(x)在定义域内的梯度惩罚函数，使判别器函数D(x)近似满足K-Lipschitz连续，以精确描述Wasserstein距离。此时，GAN的目标函数转化为：
Figure BDA0003116388040000084
步骤S3：将源电站与目标电站的训练样本数据作归一化处理；
归一化公式如下：
Figure BDA0003116388040000085
式中，xi表示风电场景数据中第i类数据(x1,x2,x3分别代表风速、气温、气压)；xij代表xi类数据中的第j个数值。
步骤S4：以源电站的训练样本作为条件y，与符合标准正态分布的高维噪声拼接后一并输入生成器，生成器输出生成样本；
C-DCGAN模型的生成器结构如下所示：
卷积层1：32个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层2：64个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层3：4个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数ReLU；
步骤S5：以源电站样本作为条件y，与目标电站的训练样本拼接后作为历史数据样本，输入判别器；同时，将条件y与生成样本拼接后作为生成数据样本，输入判别器。判别器输出对历史数据样本和生成数据样本的判别值；
C-DCGAN模型的判别器结构如下所示：
输入层：64个卷积核，每个卷积核尺寸为3；步幅为1；
卷积层1：128个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层2：256个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层3：512个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层4：1024个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层5：512个卷积核，每个卷积核尺寸为3；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层6：128个卷积核，每个卷积核尺寸为3；步幅为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层7：512个卷积核，每个卷积核尺寸为1；步幅为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
输出层：稠密层结构，包含1024个神经网络单元，1个样本作为输出；
步骤S6：计算生成器和判别器的损失函数，采用RMSprop优化算法对生成器和判别器的网络权重参数进行优化更新。设定RMSprop优化算法的学习率＝2×10-4，参数ε＝0.9。此时一轮训练结束，返回步骤S4进行下一轮训练；
RMSprop优化算法的公式如下：
Figure BDA0003116388040000101
在公式中sdw和sdb分别是损失函数在前几次迭代过程中累积的梯度动量，β是一个表示梯度累积的参数。RMSprop算法对梯度计算了微分平方加权平均数。为防止权重或偏置变化量过大，当dW或者db中出现较大值时，将此变化量除以它在前几次迭代过程中累积的梯度动量，以满足梯度摆动幅度值的要求。为了防止分母为零造成奇异，一般在分母中加入一个较小的参数ε。
步骤S7：当训练结束后，保留C-DCGAN中的生成器模型，确定目标电站缺失时间段，输入该时间段源电站历史数据与若干个高维噪声拼接的样本，生成器输出若干个迁移后的目标电站新能源发电场景数据。
专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于生成对抗网络的新能源发电场景数据迁移方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

Claims (5)

1.一种基于生成对抗网络的新能源发电场景数据迁移方法，其特征在于，包括以下步骤：
步骤S1：建立C-DCGAN模型：
定义历史场景数据为真实数据，定义一组随机噪声数据z作为生成器的输入，以pz(z)表示z的概率分布，以pdata(x)表示历史场景数据x的概率分布；生成器的输出为生成得到的数据样本G(z)，概率分布为pG(z)；
定义判别器网络的输入为历史场景数据x或生成器生成得到的数据样本G(z)，输出为一个标量D(G(z))，表示输入数据服从历史数据分布pdata(x)的概率；
根据生成器与判别器的训练目标，分别构造生成器和判别器的损失函数LG和LD，并确定C-DCGAN训练过程中的目标函数；
步骤S2：引入Wasserstein距离与梯度惩罚函数，对C-DCGAN的目标函数进行转化；
步骤S3：将源电站与目标电站的训练样本数据作归一化处理；
步骤S4：以源电站的训练样本作为条件y，与随机噪声拼接后一并输入C-DCGAN模型的生成器，生成器输出生成样本；
步骤S5：以源电站的训练样本作为条件y，与目标电站的训练样本拼接后作为历史数据样本，输入C-DCGAN模型的判别器；同时，将条件y与生成样本拼接后作为生成数据样本，输入C-DCGAN模型的判别器；判别器输出对历史数据样本和生成数据样本的判别值；
步骤S6：计算生成器和判别器的损失函数，优化更新C-DCGAN模型网络参数；
步骤S7：当训练结束后，保留C-DCGAN中的生成器模型，确定目标电站缺失时间段，输入该时间段源电站历史数据与随机噪声拼接的样本，生成器输出若干个迁移后的目标电站新能源发电场景数据；
在步骤S1中，生成器和判别器的损失函数LG和LD分别为：
Figure FDA0003792141370000011
Figure FDA0003792141370000012
生成器的优化目标是将式(1)最小化，判别器的目标是将式(2)最大化；将式(1)和式(2)相结合，得到C-DCGAN训练过程中的目标函数：
Figure FDA0003792141370000021
步骤S2具体包括以下过程：
Wasserstein距离的定义如下：
Figure FDA0003792141370000022
式中，Ω(pdata,pG)是以pdata和pG为边缘分布的联合概率分布γ的集合；W(pdata,pG)为(u,v)～γ期望的下确界，表示将生成分布pG拟合成真实分布pdata，需要将u移动到v的距离，其中u和v分别表示从联合分布γ中随机采样的历史样本与生成样本；采用其Kantorovich-Rubinstein对偶形式来描述生成样本与真实样本之间的距离：
Figure FDA0003792141370000023
式中||fD||L≤K表明判别器函数D(x)满足K-Lipschitz连续，即函数梯度的绝对值上限为K；为了保证梯度不超过限值K，对式(3)引入判别器函数D(x)在定义域内的梯度惩罚函数，使判别器函数D(x)满足K-Lipschitz连续，以描述Wasserstein距离；此时，C-DCGAN的目标函数转化为：
Figure FDA0003792141370000024
在步骤S4中，C-DCGAN模型的生成器结构如下所示：
卷积层1：32个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层2：64个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层3：4个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数ReLU；
在步骤S5中，C-DCGAN模型的判别器结构如下所示：
输入层：64个卷积核，每个卷积核尺寸为3；步幅为1；
卷积层1：128个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层2：256个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层3：512个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层4：1024个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层5：512个卷积核，每个卷积核尺寸为3；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层6：128个卷积核，每个卷积核尺寸为3；步幅为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
卷积层7：512个卷积核，每个卷积核尺寸为1；步幅为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；
输出层：稠密层结构，包含1024个神经网络单元，1个样本作为输出。
2.根据权利要求1所述的基于生成对抗网络的新能源发电场景数据迁移方法，其特征在于：步骤S3的归一化公式如下：
Figure FDA0003792141370000031
式中，xi表示风电场景数据中第i类数据，其中，x1,x2,x3分别代表风速、气温、气压；xij代表xi类数据中的第j个数值。
3.根据权利要求1所述的基于生成对抗网络的新能源发电场景数据迁移方法，其特征在于：
在步骤S6中，采用RMSprop优化算法对生成器和判别器的网络权重参数进行优化更新；一轮训练结束后，返回步骤S4进行下一轮训练；
RMSprop优化算法的公式如下：
Figure FDA0003792141370000041
在公式中sdw和sdb是损失函数在之前迭代过程中累积的梯度动量，β是一个表示梯度累积的参数；RMSprop算法对梯度计算微分平方加权平均数；当dW或者db中出现超出预设范围的值时，将此变化量除以它在之前迭代过程中累积的梯度动量，以满足梯度摆动幅度值的要求；ε是为了防止分母为零造成奇异的辅助参数。
4.根据权利要求3所述的基于生成对抗网络的新能源发电场景数据迁移方法，其特征在于：设定RMSprop优化算法的学习率＝2×10-4，参数ε＝0.9。
5.根据权利要求1所述的基于生成对抗网络的新能源发电场景数据迁移方法，其特征在于：步骤S4中的随机噪声为符合标准正态分布的高维噪声；步骤S7中的随机噪声包括若干个高维噪声。
CN202110664511.3A 2021-06-16 2021-06-16 基于生成对抗网络的新能源发电场景数据迁移方法 Active CN113269314B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110664511.3A CN113269314B (zh) 2021-06-16 2021-06-16 基于生成对抗网络的新能源发电场景数据迁移方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110664511.3A CN113269314B (zh) 2021-06-16 2021-06-16 基于生成对抗网络的新能源发电场景数据迁移方法

Publications (2)

Publication Number Publication Date
CN113269314A CN113269314A (zh) 2021-08-17
CN113269314B true CN113269314B (zh) 2022-10-28

Family

ID=77235054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110664511.3A Active CN113269314B (zh) 2021-06-16 2021-06-16 基于生成对抗网络的新能源发电场景数据迁移方法

Country Status (1)

Country Link
CN (1) CN113269314B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113780402A (zh) * 2021-09-07 2021-12-10 福州大学 一种基于改进式生成对抗网络的用户窃电检测方法
CN114021437B (zh) * 2021-10-26 2024-04-12 清华大学 一种风电光伏有功场景生成方法、装置、电子设备和存储介质
CN114372554A (zh) * 2021-11-28 2022-04-19 国网辽宁省电力有限公司鞍山供电公司 一种基于生成对抗网络的柔性负荷场景生成和缩减方法
CN114176549B (zh) * 2021-12-23 2024-04-16 杭州电子科技大学 基于生成式对抗网络的胎心率信号数据增强方法和装置
CN116231631B (zh) * 2023-01-06 2024-03-12 四川大学 一种数据驱动的电压暂降下用户生产场景辨识方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763857A (zh) * 2018-05-29 2018-11-06 浙江工业大学 一种基于相似度生成对抗网络的过程软测量建模方法
EP3477633A1 (en) * 2017-10-27 2019-05-01 Baidu USA LLC Systems and methods for robust speech recognition using generative adversarial networks
CN111950868A (zh) * 2020-07-28 2020-11-17 国网电力科学研究院有限公司 一种基于生成对抗网络的综合能源系统负荷场景生成方法
CN112232488A (zh) * 2020-10-22 2021-01-15 国网河南省电力公司经济技术研究院 基于深度学习与数据驱动的新能源出力场景生成方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3477633A1 (en) * 2017-10-27 2019-05-01 Baidu USA LLC Systems and methods for robust speech recognition using generative adversarial networks
CN108763857A (zh) * 2018-05-29 2018-11-06 浙江工业大学 一种基于相似度生成对抗网络的过程软测量建模方法
CN111950868A (zh) * 2020-07-28 2020-11-17 国网电力科学研究院有限公司 一种基于生成对抗网络的综合能源系统负荷场景生成方法
CN112232488A (zh) * 2020-10-22 2021-01-15 国网河南省电力公司经济技术研究院 基于深度学习与数据驱动的新能源出力场景生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Model-Free Renewable Scenario Generation Using;Yize Chen et al.;《IEEE TRANSACTIONS ON POWER SYSTEMS》;20180531;第33卷(第3期);全文 *
基于条件生成对抗网络的可再生能源日前场景生成方法;董骁翀等;《中国电机工程学报》;20200905;第40卷(第17期);全文 *

Also Published As

Publication number Publication date
CN113269314A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN113269314B (zh) 基于生成对抗网络的新能源发电场景数据迁移方法
CN111784041B (zh) 一种基于图卷积神经网络的风电功率预测方法及系统
CN110309603B (zh) 一种基于风速特性的短期风速预测方法及系统
CN111401755B (zh) 基于马尔科夫链的多新能源出力场景生成方法、装置及系统
CN111027732B (zh) 一种多风电场出力场景的生成方法及系统
CN112381282B (zh) 基于宽度学习系统的光伏发电功率预测方法
CN112884236B (zh) 一种基于vdm分解与lstm改进的短期负荷预测方法及系统
CN115935834A (zh) 一种基于深度自回归网络和持续学习策略的历史拟合方法
CN114091317A (zh) 基于nwp辐照度修正和误差预测的光伏电站功率预测方法
CN111797132A (zh) 考虑时空相关性的多可再生能源电站功率场景生成方法
CN114330100A (zh) 一种短期光伏功率概率区间预测方法
Girimurugan et al. Application of Deep Learning to the Prediction of Solar Irradiance through Missing Data
CN113505477A (zh) 一种基于svae-wgan的过程工业软测量数据补充方法
CN105956708A (zh) 基于灰关联时间序列的短期风速预测方法
CN113984198B (zh) 一种基于卷积神经网络的短波辐射预测方法及系统
CN112464567B (zh) 基于变分同化框架的智能资料同化方法
CN116722545B (zh) 基于多源数据的光伏发电预测方法和相关设备
CN116128211A (zh) 基于风光不确定性预报场景的风光水联合短期优化调度方法
CN115936062A (zh) 基于场景生成与深度学习的光伏功率日前区间预测方法
CN115062551A (zh) 一种基于时序神经网络的湿物理过程参数化方法
CN112766537B (zh) 一种短期电负荷预测方法
CN114386666A (zh) 一种基于时空相关性的风电场短期风速预测方法
Wang et al. Efficient climate simulation via machine learning method
Aliberti et al. Non-linear autoregressive neural networks to forecast short-term solar radiation for photovoltaic energy predictions
Yuan et al. Intelligent identification of ocean parameters based on RBF neural networks

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
GR01 Patent grant
GR01 Patent grant