CN111553587A - 一种基于对抗学习模型的新能源场景生成方法及系统 - Google Patents

一种基于对抗学习模型的新能源场景生成方法及系统 Download PDF

Info

Publication number
CN111553587A
CN111553587A CN202010340376.2A CN202010340376A CN111553587A CN 111553587 A CN111553587 A CN 111553587A CN 202010340376 A CN202010340376 A CN 202010340376A CN 111553587 A CN111553587 A CN 111553587A
Authority
CN
China
Prior art keywords
network
sample
new energy
label
distribution
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.)
Granted
Application number
CN202010340376.2A
Other languages
English (en)
Other versions
CN111553587B (zh
Inventor
乔骥
王新迎
蒲天骄
王天昊
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Tianjin Electric Power Co Ltd
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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010340376.2A priority Critical patent/CN111553587B/zh
Publication of CN111553587A publication Critical patent/CN111553587A/zh
Application granted granted Critical
Publication of CN111553587B publication Critical patent/CN111553587B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于对抗学习模型的新能源场景生成方法及系统，所述方法包括：生成用于对抗学习模型的神经网络训练的样本集以及每个样本的标签；构建判别网络D和生成网络G；将随机向量z和样本的标签输入到生成网络G中，得到模拟样本G(z)，将模拟样本G(z)、真实样本以及样本的标签同时输入到判别网络D中；对生成网络G和判别网络D的神经网络进行反向传播训练，并进行迭代；迭代收敛后，生成网络G生成并输出优化的新能源运行场景。本发明能够克服传统方法生成出力参数单一、结果不准确、需要大量简化假设等问题，优化了新能源出力参数，为能源互联网的随机优化运行控制提供了数据基础和保证。

Description

一种基于对抗学习模型的新能源场景生成方法及系统
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，尤其涉及一种基于对抗学习模型的新能源场景生成方法及系统。
背景技术
为应对现今经济社会发展面临的能源环境制约问题，清洁可再生能源大规模发展，多种分布式能源接入电网，呈现多种能源互补利用，供需互动的分布式能源网络，能源互联网成为解决可再生能源就地消纳问题，实现多种能源网络紧密融合、提高整体能效的必然趋势。
由于新能源出力的随机波动性，其高渗透率也给能源互联网的调度、运行和规划带来了新的挑战。一种解决方式是通过一定的技术手段，对新能源可能的出力情况进行描述，生成一系列的未来预想运行场景，之后再通过随机调度、鲁棒优化等方法对这些随机场景进行综合考虑。然而，由于风能、光伏发电的出力情况具有强波动性、随机性，很难采用传统的物理简化方法对其进行建模，需要采用更具表征能力、泛化能力的技术对可再生能源运行场景进行模拟。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于对抗学习模型的新能源场景生成方法及系统，能够克服传统方法生成出力参数单一、结果不准确、需要大量简化假设等问题，优化了新能源出力参数，为能源互联网的随机优化运行控制提供了数据基础和保证。
根据本发明的一个方面，本发明提出一种基于对抗学习模型的新能源场景生成方法，所述方法包括以下步骤：
S101：根据实时采集的机组的发电功率或收集的机组的历史数据，生成用于对抗学习模型的神经网络训练的样本集以及每个样本的标签；
S102：通过卷积神经网络，构建判别网络D；通过反卷积神经网络，构建生成网络G；
S103：将随机向量z和样本的标签输入到生成网络G中，得到新能源出力的模拟样本G(z)，将模拟样本G(z)、真实样本以及样本的标签同时输入到判别网络D中，对判别网络D进行训练；
S104：判别网络D每次训练生成的判断结果作为损失函数，对生成网络G和判别网络D的神经网络进行反向传播训练，并进行迭代；
S105：迭代收敛后，获得训练完成的生成网络G；训练完成的生成网络G根据当天新能源数据的特征标签y和随机向量z，生成符合当天新能源数据的特征标签y的新能源运行场景。
优选地，所述步骤S104包括：迭代过程中，判别网络D采用谱归一化方法，使所述迭代过程满足利普席茨约束条件。
优选地，所述判别网络D损失函数为：
Figure BDA0002468334660000021
所述生成网络G损失函数为：
Figure BDA0002468334660000022
其中，D为惩罚系数，
Figure BDA0002468334660000023
表示对变量z按照分布
Figure BDA0002468334660000024
求期望，
Figure BDA0002468334660000025
表示对变量x按照分布
Figure BDA0002468334660000026
求期望，
Figure BDA0002468334660000027
表对变量
Figure BDA0002468334660000028
按照分布
Figure BDA0002468334660000029
求期望，
Figure BDA00024683346600000210
表示梯度，∥∥表示范数，
Figure BDA00024683346600000211
表示
Figure BDA00024683346600000212
ε为[0,1]之间的均匀采样。
优选地，所述谱归一化方法包括：
S1041：对于判别网络D的每一层l，初始化一个随机向量ul；
S1042：对于每一层卷积神经网络的权重矩阵Wl，计算vl←(Wl)Tul/||(Wl)Tul||2和ul←Wlvl/||Wlvl||2；
S1043：计算谱范数σ(Wl)≈uTWlv；
S1044：采用谱范数对每一层卷积神经网络的权重矩阵进行谱归一化，即Wl SN＝Wl/σ(Wl)。
优选地，所述对抗学习模型为：
Figure BDA0002468334660000031
其中，
Figure BDA0002468334660000032
表示对变量z按照分布
Figure BDA0002468334660000033
求期望，
Figure BDA0002468334660000034
表示对变量x按照分布
Figure BDA0002468334660000035
求期望。
根据本发明的另一个方面，本发明还提供了一种基于对抗学习模型的新能源场景生成系统，所述系统包括：
采集模块，根据实时采集的机组的发电功率或收集的机组的历史数据，生成用于对抗学习模型的神经网络训练的样本集以及每个样本的标签；
创建模块，通过卷积神经网络，构建判别网络D；通过反卷积神经网络，构建生成网络G；
输入模块，将随机向量z和样本的标签输入到生成网络G中，得到新能源出力的模拟样本G(z)，将模拟样本G(z)、真实样本以及样本的标签同时输入到判别网络D中，对判别网络D进行训练；
训练模块，判别网络D每次训练生成的判断结果作为损失函数，对生成网络G和判别网络D的神经网络进行反向传播训练，并进行迭代；
输出模块，迭代收敛后，获得训练完成的生成网络G；训练完成的生成网络G根据当天新能源数据的特征标签y和随机向量z，生成符合当天新能源数据的特征标签y的新能源运行场景。
优选地，所述训练模块还用于，迭代过程中，对判别网络D采用谱归一化方法，使所述迭代过程满足利普席茨约束条件。
优选地，所述训练模块还用于：
将判别网络D每次判断的结果作为损失函数，对生成网络G和判别网络D的神经网络进行反向传播训练,所述判别网络D损失函数为：
Figure BDA0002468334660000036
所述生成网络G损失函数为：
Figure BDA0002468334660000041
其中，D为惩罚系数，
Figure BDA0002468334660000042
表示对变量z按照分布
Figure BDA0002468334660000043
求期望，
Figure BDA0002468334660000044
表示对变量x按照分布
Figure BDA0002468334660000045
求期望，
Figure BDA0002468334660000046
表对变量
Figure BDA0002468334660000047
按照分布
Figure BDA0002468334660000048
求期望，
Figure BDA0002468334660000049
表示梯度，∥∥表示范数，
Figure BDA00024683346600000410
表示
Figure BDA00024683346600000411
ε为[0,1]之间的均匀采样。
优选地，所述谱归一化方法包括：
S1041：对于判别网络D的每一层l，初始化一个随机向量ul；
S1042：对于每一层卷积神经网络的权重矩阵Wl，计算vl←(Wl)Tul/||(Wl)Tul||2和ul←Wlvl/||Wlvl||2；
S1043：计算谱范数σ(Wl)≈uTWlv；
S1044：采用谱范数对每一层卷积神经网络的权重矩阵进行谱归一化，即Wl SN＝Wl/σ(Wl)。
优选地，所述对抗学习模型为：
Figure BDA00024683346600000412
其中，
Figure BDA00024683346600000413
表示对变量z按照分布
Figure BDA00024683346600000414
求期望，
Figure BDA00024683346600000415
表示对变量x按照分布
Figure BDA00024683346600000416
求期望。
相对于现有技术，本发明能够克服传统方法生成出力参数单一、结果不准确、需要大量简化假设等问题，优化了新能源出力参数，为能源互联网的随机优化运行控制提供了数据基础和保证。
通过参照以下附图及对本发明的具体实施方式的详细描述，本发明的特征及优点将会变得清楚。
附图说明
图1是本发明的新能源场景生成方法流程图；
图2是本发明的生成对抗学习模型的结构示意图；
图3是本发明的新能源场景生成系统示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
基于深度神经网络的人工智能技术对高维复杂的海量数据具有良好的建模能力。使用基于深度神经网络的生成对抗学习，能够对新能源出力场景数据进行泛化拟合，有效解决新能源出力建模困难的问题。其本质是通过对海量数据的经验学习，自动挖掘其潜在的特征和分布规律。研究基于生成对抗学习的场景生成方法，能够为能源互联网优化调度控制提供可靠、有效的运行边界。
实施例1
图1是本发明的新能源场景生成方法流程图。如图1所示，本发明提出一种基于对抗学习模型的新能源场景生成方法，所述方法包括以下步骤：
S101：根据实时采集的机组的发电功率或收集的机组的历史数据，生成用于对抗学习模型的神经网络训练的样本集以及每个样本的标签；
本步骤中，假设从新能源电站每天采集M个时刻发电数据，共采集N天，每天的数据标签为y，y是当天新能源数据的特征标签，如出力最大值、平均值、出力时长等；构建的数据集为{xj|yj}，j＝1,2…,N，每个序列xj的长度为M。
S102：通过卷积神经网络，构建判别网络D；通过反卷积神经网络，构建生成网络G；
本步骤中，采用卷积神经网络CNN构建判别网络D，网络共有ND层，卷积核大小为k，卷积步长为s；网络输入维度为M+1，其中M个单元用于输入序列，1个单元用于输入标签；输出维度为1。
采用全连接与反卷积神经网络DeCNN构建生成网络G，网络共有NG层，第一层为全连接网络，之后采用DeCNN，卷积核大小为k，卷积步长为s；网络输入维度为Nz+1，其中Nz个单元用于输入随机向量z，1个单元用于输入标签；输出维度为M。
S103：将随机向量z和样本的标签输入到生成网络G中，得到新能源出力的模拟样本G(z)，将模拟样本G(z)、真实样本以及样本的标签同时输入到判别网络D中对判别网络D进行训练；判别网络D每次输出判断结果；
本步骤中，构建判别网络D和生成网络G的对抗训练模式，如图2所示；随机向量z和标签输入生成网络G后，可生成伪数据G(z)；G(z)输入到判别网络D中后，D判断该数据为真实数据还是伪数据，并产生评价分数：分数越接近0，则输入越可能为伪数据，分数越接近1，则输入越可能为真实数据。
S104：对生成网络G和判别网络D的神经网络进行反向传播训练，并进行迭代；优选地，所述步骤S104包括：将判别网络D每次判断的结果作为损失函数，对生成网络G和判别网络D的神经网络进行反向传播训练,所述判别网络D损失函数为：
Figure BDA0002468334660000061
所述生成网络G损失函数为：
Figure BDA0002468334660000062
其中，判别网络D损失函数中，最后一项为判别网络梯度的罚函数项，用于保持迭代过程的数值稳定性，D为惩罚系数，
Figure BDA0002468334660000063
表示对变量z按照分布
Figure BDA0002468334660000064
求期望，
Figure BDA0002468334660000065
表示对变量x按照分布
Figure BDA0002468334660000071
求期望，
Figure BDA0002468334660000072
表对变量
Figure BDA0002468334660000073
按照分布
Figure BDA0002468334660000074
求期望，
Figure BDA0002468334660000075
表示梯度，∥∥表示范数，
Figure BDA0002468334660000076
表示
Figure BDA0002468334660000077
ε为[0,1]之间的均匀采样。
每次从训练样本中抽取m个样本，设置学习率，将评价分数作为损失函数用于神经网络模型的反向传播训练，采用Adam方法进行参数更新。
S105：迭代收敛后，获得训练完成的生成网络。
本步骤中，迭代收敛后，将标签y及随机向量z输入到生成网络G即生成符合标签y特征的新能源运行场景，新能源运行场景包括全天发电功率的最大值、发电功率的平均值、平均发电时间、发电量变化率等。
优选地，所述步骤S104包括：迭代过程中，判别网络D采用谱归一化方法，使所述迭代过程满足利普席茨约束条件，保证迭代过程的稳定性和收敛性。
优选地，所述谱归一化方法包括：
S1041：对于判别网络D的每一层l，初始化一个随机向量ul；
S1042：对于每一层卷积神经网络的权重矩阵Wl，计算vl←(Wl)Tul/||(Wl)Tul||2和ul←Wlvl/||Wlvl||2；
S1043：计算谱范数σ(Wl)≈uTWlv；
S1044：采用谱范数对每一层卷积神经网络的权重矩阵进行谱归一化，即Wl SN＝Wl/σ(Wl)。
优选地，所述对抗学习模型为：
Figure BDA0002468334660000078
其中，
Figure BDA0002468334660000079
表示对变量z按照分布
Figure BDA00024683346600000710
求期望，
Figure BDA00024683346600000711
表示对变量x按照分布
Figure BDA00024683346600000712
求期望。
本步骤中，训练迭代过程中，生成网络G不断提高其生成新能源场景数据的能力，判别网络D不断提升其判别数据真伪的能力。两者的训练构成了一个博弈过程，是一种对抗学习模型。
根据本发明的实施例，通过数据驱动的生成对抗网络实现随机性、波动性的新能源场景生成，直接从数据中学习分布规律，无需物理模型和简化假设；通过谱归一化方式提高生成对抗网络训练的稳定性和收敛性，相比于传统生成对抗网络，模型能够更快速收敛，生成场景的精确度和多样性更强。
实施例2
如图3所示，本发明还提供了一种基于对抗学习模型的新能源场景生成系统，所述系统包括：
采集模块，根据实时采集的机组的发电功率或收集的机组的历史数据，生成用于对抗学习模型的神经网络训练的样本集以及每个样本的标签；
创建模块，通过卷积神经网络，构建判别网络D；通过反卷积神经网络，构建生成网络G；
输入模块，将随机向量z和样本的标签输入到生成网络G中，得到新能源出力的模拟样本G(z)，将模拟样本G(z)、真实样本以及样本的标签同时输入到判别网络D中，对判别网络D进行训练；
训练模块，判别网络D每次训练生成的判断结果作为损失函数，对生成网络G和判别网络D的神经网络进行反向传播训练，并进行迭代；
输出模块，迭代收敛后，生成网络G生成并输出优化的新能源出力参数。获得训练完成的生成网络G；训练完成的生成网络G根据当天新能源数据的特征标签y和随机向量z，生成符合当天新能源数据的特征标签y的新能源运行场景。
优选地，所述训练模块还用于，迭代过程中，对判别网络D采用谱归一化方法，使所述迭代过程满足利普席茨约束条件，保证迭代过程的稳定性和收敛性。
优选地，所述训练模块还用于：
将判别网络D每次判断的结果作为损失函数，对生成网络G和判别网络D的神经网络进行反向传播训练,所述判别网络D损失函数为：
Figure BDA0002468334660000091
所述生成网络G损失函数为：
Figure BDA0002468334660000092
其中，D为惩罚系数，
Figure BDA0002468334660000093
表示对变量z按照分布
Figure BDA0002468334660000094
求期望，
Figure BDA0002468334660000095
表示对变量x按照分布
Figure BDA0002468334660000096
求期望，
Figure BDA0002468334660000097
表对变量
Figure BDA0002468334660000098
按照分布
Figure BDA0002468334660000099
求期望，
Figure BDA00024683346600000910
表示梯度，∥∥表示范数，
Figure BDA00024683346600000911
表示
Figure BDA00024683346600000912
ε为[0,1]之间的均匀采样。
优选地，所述谱归一化方法包括：
S1041：对于判别网络D的每一层l，初始化一个随机向量ul；
S1042：对于每一层卷积神经网络的权重矩阵Wl，计算vl←(Wl)Tul/||(Wl)Tul||2和ul←Wlvl/||Wlvl||2；
S1043：计算谱范数σ(Wl)≈uTWlv；
S1044：采用谱范数对每一层卷积神经网络的权重矩阵进行谱归一化，即Wl SN＝Wl/σ(Wl)。
优选地，所述对抗学习模型为：
Figure BDA00024683346600000913
其中，
Figure BDA00024683346600000914
表示对变量z按照分布
Figure BDA00024683346600000915
求期望，
Figure BDA00024683346600000916
表示对变量x按照分布
Figure BDA00024683346600000917
求期望。
本实施例中各个模块执行的方法步骤的实现，与实施例1中的方法步骤的实现过程相同，在此不再赘述。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种基于对抗学习模型的新能源场景生成方法，其特征在于，所述方法包括以下步骤：
S101：根据实时采集的机组的发电功率或收集的机组的历史数据，生成用于对抗学习模型的神经网络训练的样本集以及每个样本的标签；
S102：通过卷积神经网络，构建判别网络D；通过反卷积神经网络，构建生成网络G；
S103：将随机向量z和样本的标签输入到生成网络G中，得到新能源出力的模拟样本G(z)；将模拟样本G(z)、真实样本以及样本的标签同时输入到判别网络D中，对判别网络D进行训练；
S104：判别网络D每次训练生成的判断结果作为损失函数，对生成网络G和判别网络D进行反向传播训练，并进行迭代；
S105：迭代收敛后，获得训练完成的生成网络G；训练完成的生成网络G根据当天新能源数据的特征标签y和随机向量z，生成符合当天新能源数据的特征标签y的新能源运行场景。
2.根据权利要求1所述的方法，其特征在于，所述步骤S104的迭代过程中，判别网络D采用谱归一化方法，使所述迭代过程满足利普席茨约束条件。
3.根据权利要求1所述的方法，其特征在于，所述判别网络D损失函数为：
Figure FDA0002468334650000011
所述生成网络G损失函数为：
Figure FDA0002468334650000012
其中，D为惩罚系数，
Figure FDA0002468334650000013
表示对变量z按照分布
Figure FDA0002468334650000014
求期望；
Figure FDA0002468334650000015
为随机向量z分布概率；
Figure FDA0002468334650000016
表示对变量x按照分布
Figure FDA0002468334650000017
求期望；
Figure FDA0002468334650000018
为实际数据分布概率；
Figure FDA0002468334650000019
表对变量
Figure FDA00024683346500000110
按照分布
Figure FDA00024683346500000111
求期望；
Figure FDA00024683346500000112
为
Figure FDA00024683346500000113
分布概率；
Figure FDA00024683346500000114
表示梯度，∥∥表示范数，
Figure FDA00024683346500000115
表示
Figure FDA00024683346500000116
ε为[0,1]之间的均匀采样。
4.根据权利要求2所述的方法，其特征在于，所述谱归一化方法包括：
S1041：对于判别网络D的每一层l，初始化一个随机向量ul；
S1042：对于每一层卷积神经网络的权重矩阵Wl，计算vl←(Wl)Tul/||(Wl)Tul||2和ul←Wlvl/||Wlvl||2；
S1043：计算谱范数σ(Wl)≈uTWlv；
S1044：采用谱范数对每一层卷积神经网络的权重矩阵进行谱归一化，即Wl SN＝Wl/σ(Wl)。
5.根据权利要求1所述的方法，其特征在于，所述对抗学习模型为：
Figure FDA0002468334650000021
其中，
Figure FDA0002468334650000022
表示对变量z按照分布
Figure FDA0002468334650000023
求期望，
Figure FDA0002468334650000024
表示对变量x按照分布
Figure FDA0002468334650000025
求期望。
6.一种基于对抗学习模型的新能源场景生成系统，其特征在于，所述系统包括：
采集模块，根据实时采集的机组的发电功率或收集的机组的历史数据，生成用于对抗学习模型的神经网络训练的样本集以及每个样本的标签；
创建模块，通过卷积神经网络，构建判别网络D；通过反卷积神经网络，构建生成网络G；
输入模块，将随机向量z和样本的标签输入到生成网络G中，得到新能源出力的模拟样本G(z)，将模拟样本G(z)、真实样本以及样本的标签同时输入到判别网络D中，对判别网络D进行训练；
训练模块，判别网络D每次训练生成的判断结果作为损失函数，对生成网络G和判别网络D的神经网络进行反向传播训练，并进行迭代；
输出模块，迭代收敛后，获得训练完成的生成网络G；训练完成的生成网络G根据当天新能源数据的特征标签y和随机向量z，生成符合当天新能源数据的特征标签y的新能源运行场景。
7.根据权利要求6所述的系统，其特征在于，所述训练模块还用于，迭代过程中，对判别网络D采用谱归一化方法，使所述迭代过程满足利普席茨约束条件。
8.根据权利要求6所述的系统，其特征在于，所述判别网络D损失函数为：
Figure FDA0002468334650000031
所述生成网络G损失函数为：
Figure FDA0002468334650000032
其中，D为惩罚系数，
Figure FDA0002468334650000033
表示对变量z按照分布
Figure FDA0002468334650000034
求期望，
Figure FDA0002468334650000035
表示对变量x按照分布
Figure FDA0002468334650000036
求期望，
Figure FDA0002468334650000037
表对变量
Figure FDA0002468334650000038
按照分布
Figure FDA0002468334650000039
求期望，
Figure FDA00024683346500000310
表示梯度，∥∥表示范数，
Figure FDA00024683346500000311
表示
Figure FDA00024683346500000312
ε为[0,1]之间的均匀采样。
9.根据权利要求7所述的系统，其特征在于，所述谱归一化方法包括：
S1041：对于判别网络D的每一层l，初始化一个随机向量ul；
S1042：对于每一层卷积神经网络的权重矩阵Wl，计算vl←(Wl)Tul/||(Wl)Tul||2和ul←Wlvl/||Wlvl||2；
S1043：计算谱范数σ(Wl)≈uTWlv；
S1044：采用谱范数对每一层卷积神经网络的权重矩阵进行谱归一化，即Wl SN＝Wl/σ(Wl)。
10.根据权利要求6所述的系统，其特征在于，所述对抗学习模型为：
Figure FDA00024683346500000313
其中，
Figure FDA00024683346500000314
表示对变量z按照分布
Figure FDA00024683346500000315
求期望，
Figure FDA00024683346500000316
表示对变量x按照分布
Figure FDA00024683346500000317
求期望。
CN202010340376.2A 2020-04-26 2020-04-26 一种基于对抗学习模型的新能源场景生成方法及系统 Active CN111553587B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010340376.2A CN111553587B (zh) 2020-04-26 2020-04-26 一种基于对抗学习模型的新能源场景生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010340376.2A CN111553587B (zh) 2020-04-26 2020-04-26 一种基于对抗学习模型的新能源场景生成方法及系统

Publications (2)

Publication Number Publication Date
CN111553587A true CN111553587A (zh) 2020-08-18
CN111553587B CN111553587B (zh) 2023-04-18

Family

ID=72001169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010340376.2A Active CN111553587B (zh) 2020-04-26 2020-04-26 一种基于对抗学习模型的新能源场景生成方法及系统

Country Status (1)

Country Link
CN (1) CN111553587B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163715A (zh) * 2020-10-14 2021-01-01 腾讯科技（深圳）有限公司 生成式对抗网络的训练方法及装置、电力负荷预测方法
CN112163671A (zh) * 2020-12-02 2021-01-01 中国电力科学研究院有限公司 一种新能源场景生成方法及系统
CN112181952A (zh) * 2020-11-30 2021-01-05 中国电力科学研究院有限公司 数据模型的构建方法、系统、设备及存储介质
CN112183872A (zh) * 2020-10-10 2021-01-05 东北大学 结合生成对抗网络与神经网络的高炉煤气发生量预测方法
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
CN112329116A (zh) * 2020-11-23 2021-02-05 恩亿科(北京)数据科技有限公司 基于生成对抗网络的畸零空间规划设计生成方法与系统
CN112507603A (zh) * 2020-11-03 2021-03-16 清华大学 基于dnn算法的电力系统鲁棒优化极端场景的识别方法
CN112801281A (zh) * 2021-03-22 2021-05-14 东南大学 基于量子化生成模型和神经网络的对抗生成网络构建方法
CN112965380A (zh) * 2021-02-07 2021-06-15 北京云量数盟科技有限公司 一种基于强化学习策略操控智能设备的方法
CN113311703A (zh) * 2021-05-07 2021-08-27 华能青岛热电有限公司 智慧能源多能互动评价可视化系统及评价方法
CN113673159A (zh) * 2021-08-19 2021-11-19 东北电力大学 基于联邦深度生成式学习的可再生能源时空场景生成方法
CN113741964A (zh) * 2021-08-01 2021-12-03 北京工业大学 一种面向代码可读性评估的数据增强方法
CN113918716A (zh) * 2021-10-14 2022-01-11 中山大学 基于谱范数归一化的生成对抗主题模型构建方法及装置
CN114021437A (zh) * 2021-10-26 2022-02-08 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
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 一种综合能源系统场景生成方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130138436A1 (en) * 2011-11-26 2013-05-30 Microsoft Corporation Discriminative pretraining of deep neural networks
CN108171266A (zh) * 2017-12-25 2018-06-15 中国矿业大学 一种多目标深度卷积生成式对抗网络模型的学习方法
CN110222705A (zh) * 2019-04-23 2019-09-10 华为技术有限公司 一种网络模型的训练方法以及相关装置
CN110799995A (zh) * 2017-06-29 2020-02-14 首选网络株式会社 数据识别器训练方法、数据识别器训练装置、程序及训练方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130138436A1 (en) * 2011-11-26 2013-05-30 Microsoft Corporation Discriminative pretraining of deep neural networks
CN110799995A (zh) * 2017-06-29 2020-02-14 首选网络株式会社 数据识别器训练方法、数据识别器训练装置、程序及训练方法
CN108171266A (zh) * 2017-12-25 2018-06-15 中国矿业大学 一种多目标深度卷积生成式对抗网络模型的学习方法
CN110222705A (zh) * 2019-04-23 2019-09-10 华为技术有限公司 一种网络模型的训练方法以及相关装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
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 (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183872A (zh) * 2020-10-10 2021-01-05 东北大学 结合生成对抗网络与神经网络的高炉煤气发生量预测方法
CN112163715A (zh) * 2020-10-14 2021-01-01 腾讯科技（深圳）有限公司 生成式对抗网络的训练方法及装置、电力负荷预测方法
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
CN112507603A (zh) * 2020-11-03 2021-03-16 清华大学 基于dnn算法的电力系统鲁棒优化极端场景的识别方法
CN112507603B (zh) * 2020-11-03 2021-08-10 清华大学 基于dnn算法的电力系统鲁棒优化极端场景的识别方法
CN112329116A (zh) * 2020-11-23 2021-02-05 恩亿科(北京)数据科技有限公司 基于生成对抗网络的畸零空间规划设计生成方法与系统
CN112181952A (zh) * 2020-11-30 2021-01-05 中国电力科学研究院有限公司 数据模型的构建方法、系统、设备及存储介质
CN112163671A (zh) * 2020-12-02 2021-01-01 中国电力科学研究院有限公司 一种新能源场景生成方法及系统
CN112965380A (zh) * 2021-02-07 2021-06-15 北京云量数盟科技有限公司 一种基于强化学习策略操控智能设备的方法
CN112965380B (zh) * 2021-02-07 2022-11-08 北京云量数盟科技有限公司 一种基于强化学习策略操控智能设备的方法
CN112801281A (zh) * 2021-03-22 2021-05-14 东南大学 基于量子化生成模型和神经网络的对抗生成网络构建方法
CN113311703A (zh) * 2021-05-07 2021-08-27 华能青岛热电有限公司 智慧能源多能互动评价可视化系统及评价方法
CN113741964A (zh) * 2021-08-01 2021-12-03 北京工业大学 一种面向代码可读性评估的数据增强方法
CN113673159A (zh) * 2021-08-19 2021-11-19 东北电力大学 基于联邦深度生成式学习的可再生能源时空场景生成方法
CN113918716A (zh) * 2021-10-14 2022-01-11 中山大学 基于谱范数归一化的生成对抗主题模型构建方法及装置
CN114021437A (zh) * 2021-10-26 2022-02-08 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
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
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 一种综合能源系统场景生成方法及装置

Also Published As

Publication number Publication date
CN111553587B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN111553587B (zh) 一种基于对抗学习模型的新能源场景生成方法及系统
Zhang et al. Probabilistic solar irradiation forecasting based on variational Bayesian inference with secure federated learning
Qu et al. Research and application of ensemble forecasting based on a novel multi-objective optimization algorithm for wind-speed forecasting
CN110212528B (zh) 一种配电网量测数据缺失重构方法
Khan et al. Adopting Scenario-Based approach to solve optimal reactive power Dispatch problem with integration of wind and solar energy using improved Marine predator algorithm
Zheng et al. Stochastic optimization of cost-risk for integrated energy system considering wind and solar power correlated
CN113688869B (zh) 一种基于生成对抗网络的光伏数据缺失重构方法
CN105809349A (zh) 一种考虑来水相关性梯级水电站群的调度方法
CN112163671A (zh) 一种新能源场景生成方法及系统
CN113361761A (zh) 一种基于误差修正的短期风电功率集成预测方法及系统
CN115169543A (zh) 一种基于迁移学习的短期光伏功率预测方法及系统
CN116757446A (zh) 基于改进粒子群算法的梯级水电站调度方法及系统
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
CN115759458A (zh) 基于综合能源数据处理和多任务深度学习的负荷预测方法
CN111723516A (zh) 基于自适应dnn替代模型的多目标海水入侵管理模型
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
Jiang et al. Hybrid DE-TLBO algorithm for solving short term hydro-thermal optimal scheduling with incommensurable Objectives
CN104392317A (zh) 一种基于遗传文化基因算法的项目调度方法
Qin et al. Deep reinforcement learning based power system optimal carbon emission flow
CN111047071A (zh) 基于深度迁移学习和Stackelberg博弈的电力系统实时供需互动方法
Wu et al. Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition
CN109840308B (zh) 一种区域风电功率概率预报方法及系统
CN114862123A (zh) 一种综合能源系统场景生成方法及装置
CN112600208B (zh) 一种区域分布式能源系统的多能流潮流计算方法及系统
CN115374998A (zh) 基于注意力机制和CNN-BiGRU的负荷预测方法

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
GR01 Patent grant
GR01 Patent grant