CN112232488A - 基于深度学习与数据驱动的新能源出力场景生成方法 - Google Patents

基于深度学习与数据驱动的新能源出力场景生成方法 Download PDF

Info

Publication number
CN112232488A
CN112232488A CN202011140310.5A CN202011140310A CN112232488A CN 112232488 A CN112232488 A CN 112232488A CN 202011140310 A CN202011140310 A CN 202011140310A CN 112232488 A CN112232488 A CN 112232488A
Authority
CN
China
Prior art keywords
data
countermeasure network
generator
energy output
training
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
CN202011140310.5A
Other languages
English (en)
Inventor
王圆圆
白宏坤
卜飞飞
王世谦
李文峰
华远鹏
韩丁
贾一博
王涵
吴雄
李昊宇
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.)
Xian Jiaotong University
Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
Xian Jiaotong University
Economic and Technological Research Institute of State Grid Henan 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 Xian Jiaotong University, Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd filed Critical Xian Jiaotong University
Priority to CN202011140310.5A priority Critical patent/CN112232488A/zh
Publication of CN112232488A publication Critical patent/CN112232488A/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
    • G06N3/08—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)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (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

基于深度学习与数据驱动的新能源出力场景生成方法，搭建生成对抗网络，生成对抗网络包括生成器和判别器；根据生成对抗网络建立条件生成对抗网络，条件生成对抗网络的生成器有两个输入，一个是高斯噪声，另一个是场景标签。条件生成对抗网络的判别器有两个输入，一个是通过生成器生成出的合成数据，另一个是真实数据；通过训练数据对条件生成对抗网络进行训练得到训练好的条件生成对抗网络；确定需要生成场景的标签值，将标签值与高斯噪声一起输入到训练好的条件生成对抗网络中，得到相应场景的出力数据。本发明所采用的条件生成对抗网络拟合能力远远超过传统统计学模型，能够更好地捕捉真实分布信息，同时具有很强的鲁棒性和抗干扰能力。

Description

基于深度学习与数据驱动的新能源出力场景生成方法
技术领域
本发明涉及含新能源电力系统调度与运行领域，特别是基于深度学习与数据驱动的新能 源出力场景生成方法。
背景技术
在当下随着风能、太阳能等可再生能源发电并网比例的增大，电网的稳定运行受到了较 大的挑战。人们传统依赖的火力发电和水力发电，运行特点可以很好地被掌控，可以根据自 身需要对其进行调度和控制。而风能、太阳能等新兴可再生能源，它们的出力都具有相当强 的随机性和间歇性，这些可再生能源发电对电网的逐渐渗透会使得原本呈现弱随机特性的电 力系统转换为强随机特性的系统。因此在当下由于可再生能源出力的不确定性，电力电网的 系统稳定和电能质量都无法得到有效的保证，可再生能源出力也不能被电网很好地消纳，这 些瓶颈成为了可再生能源发电得到大规模应用的最大阻碍。正因为这个原因，“弃风弃光”到 现在仍然是一种非常普遍的现象。
为了进行电力调度或生产模拟，需要生成符合不同场景的新能源出力数据来模拟实际场 景。而如何生成反映新能源出力特性的出力数据是一个难点。近年来解决该问题多采用的方 法是通过建模的方式来生成出和实际具有相似分布的不同场景下的出力。在过去的研究中， 大多数采用的是模型驱动的方式，即通过物理量进行建模或者通过寻找到某种场景出力情形 的概率分布来进行不同可再生能源的出力场景生成，这种通过寻求概率模型建模方式即为模 型驱动的数据预测和生成方式。而其中比较经典的建模方法有用多元Copula函数连接多风电 场的出力分布、基于时间序列分析的方法(如ARMA模型)和一些经典机器学习算法(如径 向基函数神经网络RBFNN与粒子群优化(PSO)算法的耦合)，它们被用来做相关场景的生 成或者预测工作。上述方法均已在场景生成方向上取得了相当不错的进展，总的来说其主体 思想方法都是先构建模型，再用观测数据对已有模型进行拟合，然后对拟合好的模型抽样生 成出不同的出力场景。都是比较典型的基于模型驱动的生成方式，这种方式的优点是在物理 上可解释性强，能够更有利于分析改进。然而却也有很显著的缺陷，即人工建模去预测生成 场景的准确度与参数的数量息息相关。由于可再生能源的出力具有很强的随机性，影响其出 力特性的因素有很多，最终场景的真实分布可能分布在一个非常高维的空间上，这使得在人 为建模时很难考虑到这么多的参数，从而在理论上无法与真实充分逼近，导致模型并不能向 最佳方向优化。除此之外通常为了简化模型降低模型参数量在建模时会主动做出一些统计学 假设，而这些统计性假设在很多场景下并不一定能够成立，例如，在Copula方法中会假设预 测误差服从高斯分布，而实际并不一定会如此，这也会导致其生成的出力与最终真实结果出 现较大差距，这对电力系统的调度将会造成不小的影响。由此可见，即使有了上述工作，场 景生成依旧是一个非常具有挑战性的课题。
发明内容
本发明为解决传统新能源出力建模方法在模型参数维度以及拟合真实分布方面的不足， 提供基于深度学习与数据驱动的新能源出力场景生成方法。
为实现上述目的，本发明采用的技术方案如下：
基于深度学习与数据驱动的新能源出力场景生成方法，包括以下步骤：
1)搭建生成对抗网络，生成对抗网络包括相连的生成器和判别器；根据生成对抗网络建 立条件生成对抗网络，条件生成对抗网络的生成器有两个输入，一个是高斯噪声，另一个是 场景标签；条件生成对抗网络的判别器有两个输入，一个是通过生成器生成出的合成数据， 另一个是真实数据；
2)通过训练数据对条件生成对抗网络进行训练得到训练好的条件生成对抗网络；
3)确定拟生成场景的标签值，然后输入到训练好的条件生成对抗网络中，得到相应出力 场景数据。
本发明进一步发改进在于，生成器包括四层，前两层为全连接层，用于提取特征和扩展 维度，后两层为反卷积层，用于将维度转换为真实数据的维度。
本发明进一步发改进在于，判别器包括五层，前两层为卷积层，用于提取相关性的特征 和降低参数规模，后三层为全连接层，用于通过反向传播算法更新网络参数。
本发明进一步发改进在于，步骤2)的具体过程为：利用训练数据在生成器网络参数不 变的情况下多次训练出判别器，使得条件生成对抗网络的损失函数最大，然后再使得判别器 网络参数不变，训练生成器使得条件生成对抗网络的损失函数最小，然后再重复多次训练判 别器，训练一次生成器的过程，直至生成器生成数据分布与真实数据分布完全相同时停止训 练，得到训练好的条件生成对抗网络。
本发明进一步发改进在于，条件生成对抗网络的损失函数如下：
Figure BDA0002738068560000031
其中，y为不同场景的标签值，θ(G)是生成器G的参数，θ(D)是判别器D的参数，x表示真实数据，pr(x)表示真实数据分布，z表示高斯噪声，pg(z)表示高斯噪声分布，D(x|y)为 不同场景的标签值y下判别器的输出，D(G(z|y))为不同场景的标签值y下判别器的输出， G(z|y)为不同场景的标签值y下生成器的输出。
本发明进一步发改进在于，通过训练数据对条件生成对抗网络进行训练，其中，训练数 据通过以下过程得到：
将若干个风电场的NREL Wind集成数据集的发电数据分为训练数据与测试数据；
将训练数据中的风能出力数据的值整合到[-1,1]之间，计算每一组风能出力数据{x1,x2,…,xi,…,xn}的均值
Figure BDA0002738068560000032
然后再计算每组风能出力数据的方差值
Figure BDA0002738068560000033
通过标准化，得到所有风能出力数据在标准化之后的值
Figure BDA0002738068560000041
并将所有风能出力数据 在标准化之后的值作为训练数据；
其中，x1为第1组风能出力数据；x2为第2组风能出力数据；xi为第i组风能出力数据； xn为第n组风能出力数据；n为风能出力数据的数量；xi′为第i组风能出力数据标准化之后 的值。
本发明进一步发改进在于，步骤3)的具体过程为：确定需要生成场景的标签值，将标 签值与高斯噪声输入到训练好的条件生成对抗网络中，得到相应场景的出力数据。
与现有技术相比，本发明具有的有益效果：本发明根据生成对抗网络建立条件生成对抗 网络，训练后，得到出力数据的场景，代替传统由观测值构建数学物理建模的方法来进行特 定场景的生成，最终生成出与真实可再生能源出力具有高度相似特征的出力数据，以达到更 好地方便电力调度的目的。本发明是通过大规模数据训练条件生成对抗网络，从已有数据出 发到生成目标数据，从根本上是一种数据驱动的方式。本发明所采用的条件生成对抗网络拟 合能力远远超过传统统计学模型，能够更好地捕捉真实分布信息，同时具有很强的鲁棒性和 抗干扰能力，克服了传统先建立统计学模型再进行场景生成方法的模型参数维度限制、拟合 真实分布能力不强、建模过程复杂且结果不尽人意等问题。
附图说明
图1为本发明具体实施时的流程图。
图2为本发明具体实施时的生成对抗网络结构示意图。
图3为本发明具体实施时的生成对抗网络训练过程示意图。其中，(a)为训练初期，(b) 训练前期，(c)为训练末期，(d)为训练完成。
图4为本发明具体实施时的50采样点生成数据与真实数据(标准化)对比图。
图5为本发明具体实施时的100采样点生成数据与真实数据(标准化)对比图。
图6为本发明具体实施时的50采样点生成数据与真实数据对比图。
图7为本发明具体实施时的100采样点生成数据与真实数据对比图。
具体实施方式
下面结合附图对本发明进行详细说明。
本发明包括以下过程：
1)搭建生成对抗网络，生成对抗网络包括相连的生成器和判别器；根据生成对抗网络建 立条件生成对抗网络，条件生成对抗网络的生成器有两个输入，一个是高斯噪声，另一个是 场景标签；条件生成对抗网络的判别器有两个输入，一个是通过生成器生成出的合成数据， 另一个是真实数据；
2)通过训练数据对条件生成对抗网络进行训练得到训练好的条件生成对抗网络；
3)步骤3)的具体过程为：确定需要生成场景的标签值，将标签值与高斯噪声输入到训 练好的条件生成对抗网络中，得到相应场景的出力数据，与测试数据比较验证本方法的正确 性和有效性。
具体的，本发明流程如图1所示，主要包括以下步骤：
(1)搭建生成对抗网络
生成对抗网络(GAN)是一个由生成器、判别器和两个独立神经网络层组成的模型架构， 其总体结构如图2所示。将高斯噪声输入到生成器，生成器输出一个生成数据，然后将生成 数据和历史数据同时输入到判别器中进行判断，判别器判断生成数据与历史数据是否吻合， 若是吻合，则做出真的判断，若是不吻合，则做出假的判断。
生成器本质上是一个神经网络结构，其目的是从随意输入的高斯噪声生成出所期望的真 实数据，而已知的神经网络训练过程需要真实值与生成值做损失函数，通过反向传播算法训 练出整个网络结构，而这里的真实数据与生成数据的交叉熵难以衡量，给网络的训练过程带 来了极大的麻烦，所以引入一个判别器，其结构同样也是一个神经网络结构，输入有两个部 分，一个是生成器通过高斯噪声生成出的合成数据，而另一部分则是真实数据，通过这两个 输入，判别器需要判断输入其中的数据是真实数据还是人工合成数据，从而做出真假判断的 输出。
整个网络的结构分为生成器和判别器，生成器和判别器主要结构为全连接层和卷积层， 全连接层是最基本的神经网络结构，为多层的神经元组成的网络结构。每一层与它相邻层的 所有神经元两两之间都有连接，每一个连接都对应进行一次线性变换。卷积层作为提取特征 层，不同于全连接层，它提取特征是一种二维的操作，可以较好地描述相近数据间的相关性。 可再生能源的出力数据是基于时序进行排列的，其特点是很难发生突变，相邻时刻的出力数 据有着较强相关性，刚好与卷积层特征相符。本发明结合所拥有的算力资源选择了如下表1 所示的网络拓扑结构，其中生成器与判别器的结构不同。
表1网络拓扑结构
Figure BDA0002738068560000061
参见表1，生成器包括四层，前两层为全连接层，它目的在于提取特征和扩展维度，后 两层为反卷积层，它目的在于将维度转换为真实数据的维度。其中的BatchNormalization层 类似于数据标准化操作，能够使得输入张量的值在某个标准化区间内，防止在训练的过程中 发生梯度爆炸或者梯度弥散，也能使网络的训练和收敛速率更快。其中ReLU、Tanh为激活 函数，激活函数是一种非线性函数，当输入经过神经网络隐含层线性变化后，再通过激活函 数进行非线性化，这样整个网络中会被增加非线性因子，从而使得网络的表达能力更强。
判别器结构有五层，前两层为卷积层，主要作用为相关性的特征提取和降低参数规模。 后三层为全连接层，全连接层构的参数量大，通过充分的训练，可以非常有效的通过反向传 播算法更新网络参数。同样，Leaky ReLU为激活函数。
本发明适应新能源出力场景多样性的特点，进一步采用了条件生成对抗网络(conditional GAN)，它是基于GAN模型的一种变种。它出现的原因是人们期望在特定的条件下生成不同 分布的数据，此时生成器的输入变成了两个：一个是原来的高斯随机噪声，一个是在某种场 景下的标签。这两种输入共同决定了理想生成数据分布。本方法研究可再生能源的出力生成， 对于风力发电来说，其受天气影响很大，在晴天里风电出力与在阴雨天气、大风天气是有很 大区别的。就真实分布而言，在不同的天气下，风电出力的分布应当各不相同，这就要求在 模型中区分不同的场景，进而在不同场景下训练生成对抗网络来得到新能源出力。这样就可 以使得生成数据尽可能拥有和真实数据相同的分布，有利于电力系统稳定运行和准确调度。
(2)损失函数的选择
生成对抗网络的损失函数包含生成器G的损失函数与判别器D的损失函数。
设判别器D的损失函数为V(D,θ(D))，θ(D)是判别器D的参数，它的损失函数被定义为：
Figure BDA0002738068560000071
其中，E[·]表示求均值，x表示真实数据，pr(x)表示真实数据分布，z表示高斯噪声，pg(z) 表示高斯噪声分布，D(x)为判别器的输出，G(z)为生成器的输出。
式(1)的物理意义是判别器D以真实数据与生成器G的生成数据为输入，它能够使得 以真实数据作为输入得到的结果越大越好，而以生成器的生成数据作为输入得到的结果被判 别器判断得越小越好，两者输出差异越大，判别器的区分能力越强。为此需要使得上式尽量 小，即判别器D的损失函数越小越好，可以通过梯度下降不断找到上式最小值，从而优化判 别器。
而生成器的损失函数设为V(G,θ(G))，θ(G)是生成器G的参数，其定义为：
Figure BDA0002738068560000081
其中，E[·]表示求均值，z表示高斯噪声，pg(z)表示高斯噪声分布，G(z)为生成器的输出， D(G(z))为判别器的输出。
式(2)说明了期望从生成器中输出的数据经过判别器D输出后能越大越好，即希望训 练生成器，使它的输出更接近于真实数据分布，从而让判别器难以区分出生成数据与真实数 据。
在网络训练时，生成器和判别器是依次交替进行训练的。每个网络训练时都只会更新自 己的网络参数，最终理想的结果是生成器的输出与真实分布相同，判别器的输出无法判断输 入数据是来自生成器还是真实数据，这样动态达到纳什均衡。训练时的总损失函数可用下式 来概括：
Figure BDA0002738068560000082
其中，θ(G)是生成器G的参数，θ(D)是判别器D的参数，x表示真实数据，pr(x)表示真实数 据分布，z表示高斯噪声，pg(z)表示高斯噪声分布，D(x)为判别器的输出，G(z)为生成器 的输出。
在优化生成器和判别器的损失函数时，就相当于降低真实数据分布和生成数据分布两个 分布间的距离，即能使两个分布尽可能接近，使得最终生成器中的生成数据与真实分布数据 的分布尽可能相同，以上就是生成对抗网络优化时的数学依据。而改进的W-GAN则是用一 种Wasserstein距离来作为衡量两个分布间距离的量，这种距离是一种真正的距离的衡量，它 在两个分布间距离减小时也会减小，在训练中可以反馈梯度给网络从而不断地完成参数更新， 而利用Wasserstein距离，生成对抗网络的损失函数可以转换为下式：
Figure BDA0002738068560000091
其中，θ(G)是生成器G的参数，θ(D)是判别器D的参数，x表示真实数据，pr(x)表示真实数 据分布，z表示高斯噪声，pg(z)表示高斯噪声分布，D(x)为判别器的输出，G(z)为生成器 的输出。
通过用Wasserstein距离来优化整个网络参数，可以有效的避免训练时出现梯度弥散的情 况，也使得网络收敛速度大大加快，最终的效果大幅度提升。
进一步，条件生成对抗网络的损失函数如下式所示：
Figure BDA0002738068560000092
该式与式(4)区别不大，条件生成对抗网络在网络结构上与正常的生成对抗网络没有区 别，只是在输入数据时添加了不同场景的标签值，在此式中体现为y值。即生成的数据是在 不同y标签值下生成的，其最终期望的数据分布与y标签值也有关。基于此，本方法就可以 处理基于不同场景下可再生能源出力数据生成的问题。
(3)数据描述及处理
本发明所采用的数据集是NREL Wind集成数据集的发电数据，以此来构建训练和验证数 据集。其中选择24个风电场用作训练和验证数据集。该数据每天的样本均已经过洗牌，使用 了其中的80％作为训练数据，其余20％作为测试数据集，同时值得一提的还有所有这些发电 地点都是地理上接近的，可以默认它们在内部表现出具有相关性的随机行为，这种方法可以 很容易地处理跨多个位置的联合生成场景，同时对不同的场景下的风能处理具有高度敏感性。
对于发电数据中的每组风能出力数据与它所对应标签，首先需要对数据进行处理。采取 的方法是数据标准化。即对所有的风能出力数据，将其值整合到[-1,1]之间，先计算出每一组 风能出力数据{x1,x2,…,xi,…,xn}的均值，即均值
Figure BDA0002738068560000101
然后再通过计算出每组风能出力 数据的方差值
Figure BDA0002738068560000102
采用标准化方法
Figure BDA0002738068560000103
得到所有风能出力数据在标准化 之后的值。
其中，x1为第1组风能出力数据；x2为第2组风能出力数据；xi为第i组风能出力数据； xn为第n组风能出力数据；n为风能出力数据的数量；xi′为第i组风能出力数据标准化之后 的值。
采用数据标准化可以加速神经网络的收敛速度，使得每次更新的方向更接近于全局最优 解而非局部最优解。
(4)训练过程及结果
生成对抗网络的基本训练思路是将生成器与判别器这两个网络分开训练，即先训练若干 步判别器，再训练一次生成器，最终期望找到一个能产生与真实分布相同的生成器网络。对 生成器和判别器的交替训练过程如图3中(a)、(b)、(c)和(d)所示。生成器(G)生成数 据分布可用细实线表示，判别器(D)判别曲线用细虚线表示，而粗点状线代表期望得到的 真实数据。训练最开始，生成器生成数据与真实数据差距很大，判别器很容易分辨出真实数 据和人工合成数据。训练生成器让其生成数据的分布逐渐向真实数据分布靠拢，于此同时， 需要训练判别器让其获得更强的判别能力去分辨人工合成数据与真实数据，最终直到图(d) 的生成器生成数据分布与真实数据分布完全相同，判别器无法区分生成数据与真实数据之间 的区别。这样就达到了输入一个高斯噪声，通过生成器生成一组与真实数据分布相同的出力 数据的目的。
具体的，在网络训练时，生成器和判别器是依次交替进行训练的。训练过程分多步进行， 每步先在生成器G网络参数不变的情况下多次训练出一个判别器D，使得式(5)所示的损 失函数最大，然后再使得判别器D网络参数不变，训练生成器G使得式(5)所示的损失函 数最小，然后再重复多次训练判别器D，再训练生成器G；经过多步训练直至生成器生成数 据分布与真实数据分布完全相同停止训练。
在实际应用中，判别器和生成器是交替优化的，为了尽量使得判别器性能较优，一般多 次训练判别器后才训练一次生成器。
每次调用数据时从以上介绍的数据集中读取32批数据，每批出力数据对应576个相近的 时间采样点，通过维度转化为(32,1,24,24)的四维数据张量，作为真实数据样本。根据真实 数据对应的场景标记标签，总共有1～5五种标签值，对应五种不同环境下的出力场景。然后 将每批数据从原来的具体数值转化为one-hot编码，最终这些对应标签值也被转化为(32,5) 的二维数据张量，作为出力数据的场景。
由以上训练过程介绍可知，一般先期望找到一个最优的判别器，则在每步训练中都需要 先训练判别器，再训练生成器。而判别器的训练目标是想要将真实数据放到判别器中得到的 输出与把生成器产生的数据放到判别器中得到的输出差异尽量大，这样说明判别器区分能力 强、性能优秀。式(5)所列的W-GAN的损失函数为数学上的标准计算形式，然而实际上并 无法知道真实数据的分布，用积分形式显然无法计算。所以通常的处理办法是将积分转化为 采样取均值的形式，用这种形式代替积分是一种能够实际计算损失函数可行的办法。将之前 从真实数据中采样好了的32批风能出力张量作为输入数据投入到判别器网络中去，得到的输 出是一个(32,1)的张量，对其直接取均值得到真实数据输出值loss_real,该值期望越大越好。
而判别器还需要生成器的生成数据作为输入。本发明产生一组随机高斯样本为(32,100) 的张量，将该张量结合之前从真实数据中取得的标签值(32,5)，形成一组(32,105)的新张 量，将其投入到生成器网络中去。这代表了在特定场景下，通过一组高斯分布生成出对应的 结果，即是上述内容中所述条件生成对抗网络的原理。生成器接收这样一组张量为输入，输 出张量的维度是(32,1,24,24)，与真实数据中出力的张量维度相同，这就是生成器的生成数 据。然后将这个生成数据也同样投入到判别器中去，得到一个(32,1)的张量，将其求均值 得到生成数据的输出值loss_fake，而期望loss_fake的值越小越好(与loss_real尽量区分开)。
则最终得到整个判别器D的损失函数值(loss_D)的表达式为：
loss_D＝loss_real+loss_fake (6)
得到判别器的损失函数之后，用梯度下降法每次降低loss_D的值，然后调用反向传播算 法更新判别器(D)中的所有参数，每m个样本为一个批次，对其做一次梯度下降的更新， 判别器参数的梯度为下式：
Figure BDA0002738068560000121
其中，θ(D)是判别器D的参数，x表示真实数据，z表示高斯噪声，D(x)为判别器的输出，G(z) 为生成器的输出。
以上为一次完整的判别器参数更新过程，由于上述内容已经提到，理想状况下需要找到 最佳的判别器(D)，然后在固定判别器的参数情况下，去更新生成器(G)的参数。而实际 中很难确定一个神经网络是否已经训练达到它的全局最优解，则在训练时采用交替训练的方 式，而在多次训练判别器(D)后，更新一次生成器的参数。本发明选择的是每训练5次判 别器，训练一次生成器，这样做是希望可以尽量在生成器训练前让判别器取得更优值。
生成器的更新和判别器的更新无关，本发明在训练生成器时重新从批数据生成器中取得 32个样本，其张量为(32,1,24,24)，且它的对应标签的one-hot编码张量为(32,5)，而由于 只训练生成器，所以不需要真实数据，只保留其场景标签张量。再随机生成一个维度为(32,100) 的高斯随机分布的张量，两者合并成(32,105)的输入放入判别器，希望生成出来的值越接 近真实分布越好，即D(G(z)的值越大越好。由此来用梯度下降和反向传播算法更新生成器中 的参数值，生成器中的梯度为下式：
Figure BDA0002738068560000131
其中，θ(G)是判别器G的参数，z表示高斯噪声，D(G(z))为判别器的输出，G(z)为生成器的 输出。
这样每一步中包含训练5次判别器和训练一次生成器。本发明总共训练达到40000步， 借助计算机自带的一块GPU加速完成。
在最后的结果中展示了多组可再生能源的出力生成结果。图4是采样了50个点的时序图， 在这里基于深度学习与数据驱动的新能源出力场景生成方法将真实出力数据与生成出力数据 结合放在一张图上方便更好地进行对比，可以看到真实出力与生成出力在整体趋势上具有很 强的一致性。而图5为采样100个点做出的对比图，即便是在采样数据足够多的情况下，也 可以看出来该模型能够良好的满足生成出力数据尽可能与真实分布数据相近的要求。
之前由于数据标准化的缘故，虽然可以比较清楚的看到真实出力数据与生成出力数据的 趋势，但仍然不够直观，则在下图还原了真实的出力数据，其结果为图6与图7所示。这两 张图从数据标准化还原了真实的出力数据，也用生成数据做了相对应的变换，其趋势仍然具 有很大的相似性，纵坐标为真实的出力数据，横坐标为采样点，而这样做可以更直观的看到 生成的出力数据无论从走势和幅值来说都可以很大程度上用来近似原始出力数据，这也为人 工成功生成出力数据的正确性提供了直接的证明。并且更多的采样点也提供了更大的验证范 围，进一步说明本发明所采用方法和模型的优越性。
本发明采用了一种改进的条件生成对抗网络conditional improved-WGAN的方法，代替传 统由观测值构建数学物理建模的方法来进行特定场景的生成，最终生成出与真实可再生能源 出力具有高度相似特征的出力数据，以达到更好地方便电力调度的目的。本发明是通过大规 模数据训练模型参数，从已有数据出发到生成目标数据，从根本上是一种数据驱动的方式。 本发明所采用方法的模型拟合能力远远超过传统统计学模型，能够更好地捕捉真实分布信息， 同时具有很强的鲁棒性和抗干扰能力，克服了传统先建立统计学模型再进行场景生成方法的 模型参数维度限制、拟合真实分布能力不强、建模过程复杂且结果不尽人意等问题。

Claims (7)

1.基于深度学习与数据驱动的新能源出力场景生成方法，其特征在于，包括以下步骤：
1)搭建生成对抗网络，生成对抗网络包括相连的生成器和判别器；根据生成对抗网络建立条件生成对抗网络，条件生成对抗网络的生成器有两个输入，一个是高斯噪声，另一个是场景标签；条件生成对抗网络的判别器有两个输入，一个是通过生成器生成出的合成数据，另一个是真实数据；
2)通过训练数据对条件生成对抗网络进行训练得到训练好的条件生成对抗网络；
3)确定拟生成场景的标签值，然后输入到训练好的条件生成对抗网络中，得到相应出力场景数据。
2.根据权利要求1所述的基于深度学习与数据驱动的新能源出力场景生成方法，其特征在于，生成器包括四层，前两层为全连接层，用于提取特征和扩展维度，后两层为反卷积层，用于将维度转换为真实数据的维度。
3.根据权利要求1所述的基于深度学习与数据驱动的新能源出力场景生成方法，其特征在于，判别器包括五层，前两层为卷积层，用于提取相关性的特征和降低参数规模，后三层为全连接层，用于通过反向传播算法更新网络参数。
4.根据权利要求1所述的基于深度学习与数据驱动的新能源出力场景生成方法，其特征在于，步骤2)的具体过程为：利用训练数据在生成器网络参数不变的情况下多次训练出判别器，使得条件生成对抗网络的损失函数最大，然后再使得判别器网络参数不变，训练生成器使得条件生成对抗网络的损失函数最小，然后再重复多次训练判别器，训练一次生成器的过程，直至生成器生成数据分布与真实数据分布完全相同时停止训练，得到训练好的条件生成对抗网络。
5.根据权利要求4所述的基于深度学习与数据驱动的新能源出力场景生成方法，其特征在于，条件生成对抗网络的损失函数如下：
Figure FDA0002738068550000021
其中，y为不同场景的标签值，θ(G)是生成器G的参数，θ(D)是判别器D的参数，x表示真实数据，pr(x)表示真实数据分布，z表示高斯噪声，pg(z)表示高斯噪声分布，D(x|y)为不同场景的标签值y下判别器的输出，D(G(z|y))为不同场景的标签值y下判别器的输出，G(z|y)为不同场景的标签值y下生成器的输出。
6.根据权利要求1所述的基于深度学习与数据驱动的新能源出力场景生成方法，其特征在于，通过训练数据对条件生成对抗网络进行训练，其中，训练数据通过以下过程得到：
将若干个风电场的NREL Wind集成数据集的发电数据分为训练数据与测试数据；
将训练数据中的风能出力数据的值整合到[-1,1]之间，计算每一组风能出力数据{x1,x2,…,xi,…,xn}的均值
Figure FDA0002738068550000022
然后再计算每组风能出力数据的方差值
Figure FDA0002738068550000023
通过标准化，得到所有风能出力数据在标准化之后的值
Figure FDA0002738068550000024
并将所有风能出力数据在标准化之后的值作为训练数据；
其中，x1为第1组风能出力数据；x2为第2组风能出力数据；xi为第i组风能出力数据；xn为第n组风能出力数据；n为风能出力数据的数量；xi′为第i组风能出力数据标准化之后的值。
7.根据权利要求6所述的基于深度学习与数据驱动的新能源出力场景生成方法，其特征在于，步骤3)的具体过程为：确定需要生成场景的标签值，将标签值与高斯噪声输入到训练好的条件生成对抗网络中，得到相应场景的出力数据。
CN202011140310.5A 2020-10-22 2020-10-22 基于深度学习与数据驱动的新能源出力场景生成方法 Pending CN112232488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011140310.5A CN112232488A (zh) 2020-10-22 2020-10-22 基于深度学习与数据驱动的新能源出力场景生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011140310.5A CN112232488A (zh) 2020-10-22 2020-10-22 基于深度学习与数据驱动的新能源出力场景生成方法

Publications (1)

Publication Number Publication Date
CN112232488A true CN112232488A (zh) 2021-01-15

Family

ID=74110868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011140310.5A Pending CN112232488A (zh) 2020-10-22 2020-10-22 基于深度学习与数据驱动的新能源出力场景生成方法

Country Status (1)

Country Link
CN (1) CN112232488A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269314A (zh) * 2021-06-16 2021-08-17 福州大学 基于生成对抗网络的新能源发电场景数据迁移方法
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
CN117852419A (zh) * 2024-03-07 2024-04-09 齐鲁工业大学(山东省科学院) 基于条件生成对抗网络的可再生能源发电场景生成方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359815A (zh) * 2018-09-10 2019-02-19 华北电力大学 基于生成对抗网络的智能电网深度学习训练样本生成方法
CN110365041A (zh) * 2019-06-05 2019-10-22 华南理工大学 基于gan场景模拟的风电多场景鲁棒调度方法
CN110567720A (zh) * 2019-08-07 2019-12-13 东北电力大学 非平衡小样本场景下风机轴承故障深度对抗诊断方法
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系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359815A (zh) * 2018-09-10 2019-02-19 华北电力大学 基于生成对抗网络的智能电网深度学习训练样本生成方法
CN110365041A (zh) * 2019-06-05 2019-10-22 华南理工大学 基于gan场景模拟的风电多场景鲁棒调度方法
CN110567720A (zh) * 2019-08-07 2019-12-13 东北电力大学 非平衡小样本场景下风机轴承故障深度对抗诊断方法
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系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董骁翀，孙英云，蒲天骄: "基于条件对抗生成网络的可再生资源日前场景生成方法", 《中国电机工程学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269314A (zh) * 2021-06-16 2021-08-17 福州大学 基于生成对抗网络的新能源发电场景数据迁移方法
CN113269314B (zh) * 2021-06-16 2022-10-28 福州大学 基于生成对抗网络的新能源发电场景数据迁移方法
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
CN117852419A (zh) * 2024-03-07 2024-04-09 齐鲁工业大学(山东省科学院) 基于条件生成对抗网络的可再生能源发电场景生成方法

Similar Documents

Publication Publication Date Title
CN112232488A (zh) 基于深度学习与数据驱动的新能源出力场景生成方法
CN110365041B (zh) 基于gan场景模拟的风电多场景鲁棒调度方法
CN109598451A (zh) 一种基于pca与lstm神经网络的非侵入式负荷辨识方法
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN109543939A (zh) 一种绿色建材产品认证风险评价模型构建的方法
CN111861023A (zh) 基于统计学的混合风电功率预测方法、装置
CN112801332B (zh) 一种基于灰度共生矩阵的短期风速预测方法
CN110991737A (zh) 一种基于深度置信网络的超短期风电功率预测方法
CN115659254A (zh) 一种双模态特征融合的配电网电能质量扰动分析方法
CN116226689A (zh) 一种基于高斯混合模型的配电网典型运行场景生成方法
CN112418504B (zh) 一种基于混合变量选择优化深度信念网络风速预测方法
Lingqing et al. Detection method for power theft based on SOM neural network and K-means clustering algorithm
CN104834816A (zh) 一种短期风速预测方法
CN117498296A (zh) 基于注意力时空同步图卷积网络的多风电场功率预测方法
CN111488974A (zh) 基于深度学习神经网络的海洋风能降尺度方法
CN113988189B (zh) 一种跨风电机组的迁移故障诊断方法
CN115577748A (zh) 一种集成挤压激励注意力机制的双通道风电预测方法
CN110648248A (zh) 一种发电站的控制方法、装置及设备
CN115660038A (zh) 基于误差因素和改进moea/d-sas的多阶段集成短期负荷预测
Yu et al. Research on scene generation method of wind and solar active power output based on k-medoids clustering and generative adversarial networks
CN114357865A (zh) 一种水电站径流及其关联源荷功率年场景模拟和预测方法
CN113420492A (zh) 一种基于gan与gru神经网络的风光火耦合系统频率响应模型建模方法
Zhang et al. Spectral normalization generative adversarial networks for photovoltaic power scenario generation
Yang et al. Scenario Analysis of Wind Power Considering Sequential Randomness and Correlation
CN114971058B (zh) 基于深度注意力网络和晴空辐射先验融合的光伏预报方法

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

Application publication date: 20210115

RJ01 Rejection of invention patent application after publication