CN114021437A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114021437A CN114021437A CN202111246178.0A CN202111246178A CN114021437A CN 114021437 A CN114021437 A CN 114021437A CN 202111246178 A CN202111246178 A CN 202111246178A CN 114021437 A CN114021437 A CN 114021437A
- Authority
- CN
- China
- Prior art keywords
- sample
- encoder
- generator
- discriminator
- wind power
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 68
- 230000006870 function Effects 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000011056 performance test Methods 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 239000000523 sample Substances 0.000 claims description 108
- 238000012795 verification Methods 0.000 claims description 21
- 238000010248 power generation Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000012468 concentrated sample Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 230000000295 complement effect Effects 0.000 abstract description 7
- 238000011160 research Methods 0.000 abstract description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (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)
- Supply And Distribution Of Alternating Current (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本申请属于电力系统多能互补协调运行技术领域，涉及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。首先需要收集历史风电和光伏有功出力数据，并进行数据清洗、数据样本集选取和数据维度调整等预处理；其次，构建起包含生成器、编码器和判别器的含推理模型的生成对抗网络；通过将历史数据输入神经网络，并采用一定的训练顺序，通过降低各自损失函数的方式进行参数更新；最后得到能刻画风电和光伏有功出力特性的生成样本，经过性能检验后的风电和光伏有功出力特性的生成样本可用于后续多能互补协调运行模型的研究。
Description
技术领域
本申请属于电力系统多能互补协调运行技术领域，涉及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。
背景技术
随着电力系统中风电和光伏发电占比的逐渐增大，随机性较强的可再生能源成为了运行策略制定中不可忽视的重要因素。由于备用成本和调峰能力的限制，电力系统难以完全接纳波动性较大的风电和光伏有功出力，导致了较为严重的弃风和弃光现象。
传统电力系统在调度运行中通常只需要考虑负荷预测的不确定性，并预留少量备用以应对不确定性较小的负荷波动。但目前对风电和光伏等可再生能源发电功率的预测精度较低，当高比例可再生能源接入电网时，系统的“净负荷”曲线往往会出现更显著的峰谷差和更剧烈的功率波动。若仅通过大量增加备用来应对可再生能源的不确定性会造成系统运行成本的大幅增加，因此对风电和光伏出力特性进行深入分析和准确建模成为了研究的热点问题。
发明内容
本申请旨在至少部分解决已有技术中的部分技术问题，基于本发明人对以下事实和问题的认识和理解，目前，风能、太阳能和水能成为了开发利用范围最广的三类可再生能源。风能和光能具有能源分布范围广、蕴量多以及基建周期短等优点，水能则容量充沛、启停迅速、运行灵活且有着强大的跟踪负荷能力。但是风电和光伏的出力极易受到天气条件的影响，具有较强的不确定性，高比例风电和光伏的接入也给电网的稳定运行带来了巨大的挑战；水电出力则在很大程度上受到天然径流量的限制，如果调度策略不够合理，可能会出现汛期弃水严重，而枯水期无法稳定提供电力外送等突出问题，这些隐患也限制了各类可再生能源独立供电的能力。另一方面，历史统计数据表明风、光和水等自然资源具有较好的时空互补特性，风电和光伏水互补发电系统往往能够提供更为平滑和稳定的有功出力，因此风电、光伏和水电的互补协调运行成为了促进可再生能源消纳的重要手段。在电力系统优化运行策略制定的过程中充分考虑各类电源的时空出力特性和经济特性，对于确保电网的安全经济运行意义重大。
有鉴于此，本公开提出了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，以解决相关技术中的技术问题。
根据本公开的第一方面，提出风电光伏有功功率的场景生成方法，包括：
获取历史风电、光伏发电有功功率数据，对数据进行预处理，得到真实样本x；
构建一个生成对抗网络，确定网络结构和参数；
利用真实样本x中的训练集样本，对生成对抗网络进行训练；
利用真实样本x中的验证集样本，对生成对抗网络进行性能检验。
可选地，所述获取历史风电、光伏发电有功功率数据，对数据进行预处理，得到真实样本x，包括：
(1)分别对多个风力机组和光伏机组进行采样，得到初始样本集；
(2)对初始样本集进行预处理，包括数据清洗、数据样本集选取和数据维度调整，对于数据中的缺失值采用插值的方法填充，舍弃缺失值过多的样本；
(3)将预处理后样本中的风电和光伏的真实出力值除以当月装机容量，得到单位装机容量下的风电光伏有功出力值x'，对风电光伏有功出力值x'进行归一化处理，得到真实样本x：
其中，x'max表示x'中的最大值，x'min表示x'中的最小值。
可选地，所述生成对抗网络，包含生成器、编码器和判别器，其中：
所述生成器的输入为随机噪声z，经过两个全连接层、变形层和三个反卷积层，得到的输出为G(z)；
所述编码器的输入为真实样本x中的训练集样本，经过三个卷积层、一个荡平层和两个全连接层，得到的输出为GE(x)；
判别器的输入为随机噪声为z或所述编码器输出GE(x)，经过两个全连接层，输出第一结果，判别器的输入为随机噪声为z或所述编码器输出GE(x)，经过两个全连接层，输出第一结果，判别器的输入为所述生成器输出G(z)或真实样本x中的训练集样本，经过两个卷积层和一个变形层，得到第二结果，第一结果和第二结果通过一个拼接层，拼接在一起，再经过三个全连接层，输出得到判别值D(G(z),z)或判别值D(x,GE(x))。
可选地，所述利用真实样本x中的训练集样本，对生成对抗网络进行训练，包括：
(1)设定生成器、编码器和判别器训练过程中的目标函数分别为：
其中，生成器和编码器的目标函数为：
判别器的目标函数为：
其中，G0(z)和
分别代表生成器和编码器在上一阶段的优化结果，λ1和λ2分别代表两个正则项的系数，其中λ对应正则项的系数，λ的取值范围为0-1；
其中
和
满足：
式中c为服从[0,1]均匀分布的随机变量；
(2)设置生成对抗网络的训练参数如下：
(2-1)真实样本x中的训练集样本对批处理batch为40；
(2-2)生成器、编码器和判别器中的各输出层采用Sigmoid作为激活函数，其它各层采用ReLU或Leaky-ReLU作为激活函数；
(2-3)设定ndis＝3，即每个循环中，判别器D训练三次，生成器和编码器各训练一次；
(2-4)判别器D的目标函数的正则项系数为λ＝10，生成器G和编码器E目标函数的正则项系数为λ1＝4,λ2＝2；
(3)训练过程如下：
(3-1)初始化生成器G、编码器E和判别器D的参数；
(3-2)从高斯分布pg(z)中选取m个噪声样本{z(1),…,z(m)}；
(3-3)从真实样本集x中的训练集中选取m个样本{x(1),…,x(m)}；
(3-4)用生成器将{z(1),…,z(m)}映射为G(zi),i＝1,…,N；
(3-5)用编码器将{x(1),…,x(m)}映射为GE(xj),j＝1,…,N；
(3-6)利用以下公式，计算出
(3-7)得到判别器对生成器输出的判别结果D(G(zi),zi),i＝1,…,N；
(3-8)得到判别器对编码器输出的判别结果D(xj,GE(xj)),i＝1,…,N；
(3-9)利用生成器和编码器的目标函数计算生成器和编码器的损失；
(3-10)利用判别器的目标函数计算判别器的损失；
(3-11)按照下面的公式更新生成器参数、编码器参数和判别器参数θG、θE、θD：
其中，θG,t-1、θE,t-1、θD,t-1、θG,t、θE,t、θD,t分别为第t-1轮循环后的生成器、编码器和判别器参数，以及第t轮训练后的生成器、编码器、判别器参数；
(3-12)重复步骤(3-2)-(3-11)步，直到模型参数θG,t、θE,t、θD,t收敛，完成生成对抗网络的训练。
可选地，所述利用真实样本x中的验证集样本，对生成对抗网络进行性能检验，包括：
模型收敛后，从生成器的输出中随机采样m个场景，将生成的场景与真实样本x的验证集中有功出力数据进行比较，若生成的场景与真实样本x的验证集样本中日内出力特性、功率频谱图和功率的概率分布特性曲线高度吻合，并且以相关性系数评估的空间相关性也接近，则完成生成对抗网络的训练，得到风电光伏有功场景生成的样本。
根据本公开的第二方面，提出一种风电光伏有功场景生成装置，包括：
数据处理模块，用于获取历史风电、光伏发电有功功率数据，对数据进行预处理，得到真实样本x；
神经网络生成模块，用于构建一个生成对抗网络，确定网络结构和参数；
神经网络训练模块，用于利用真实样本x中的训练集样本，对生成对抗网络进行训练；
神经网络验证模块，用于利用真实样本x中的验证集样本，对生成对抗网络进行性能检验。
根据本公开的第三方面，提出一种电子设备，包括：
存储器，用于存储计算机可执行的指令；
处理器，所述处理器被配置执行：
获取历史风电、光伏发电有功功率数据，对数据进行预处理，得到真实样本x；
构建一个生成对抗网络，确定网络结构和参数；
利用真实样本x中的训练集样本，对生成对抗网络进行训练；
利用真实样本x中的验证集样本，对生成对抗网络进行性能检验。
根据本公开的第四方面，提出计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于使所述计算机执行：
获取历史风电、光伏发电有功功率数据，对数据进行预处理，得到真实样本x；
构建一个生成对抗网络，确定网络结构和参数；
利用真实样本x中的训练集样本，对生成对抗网络进行训练；
利用真实样本x中的验证集样本，对生成对抗网络进行性能检验。
权利要求1-3的风电光伏有功功率的场景生成方法。
根据本公开的实施例，对可再生能源预测不确定性的问题，基于生成对抗网络算法，提出了一种改进的生成式对抗网络的风电和光伏有功出力场景生成方法，充分利用深度神经网络强大的计算能力进行无监督学习，在对抗训练过程中高效学习风电和光伏的有功出力特性，并通过生成多样化的场景准确刻画风电和光伏的多时空不确定性。
本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显然，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本公开一个实施例示出的风电光伏有功功率的场景生成方法流程图。
图2是根据本公开一个实施例示出的含推理模型的生成式对抗网络的结构示意图。
图3是是根据本公开一个实施例示出的风电光伏有功功率的场景生成装置的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1是根据本公开一个实施例示出的风电光伏有功功率的场景生成方法的流程图。
如图1所示，所述风电光伏有功功率的场景生成方法，可以包括以下步骤：
在步骤1中，获取历史风电、光伏发电有功功率数据，对数据进行预处理，进行数据清洗、数据样本集选取和数据维度调整等预处理，得到真实样本x；并将真实样本x分为训练集和验证集两部分。
在一个实施例中，所述获取历史风电、光伏发电有功功率数据，对数据进行预处理，得到真实样本x，包括：
(1)分别对多个风力机组和光伏机组进行采样，得到初始样本集；
(2)对初始样本集进行预处理，包括数据清洗、数据样本集选取和数据维度调整，对于数据中的缺失值采用插值的方法填充，舍弃缺失值过多的样本；由于部分风电和光伏出力数据是限电下的结果，因此要进行筛选以组成合适的实际数据样本集；
(3)将预处理后样本中的风电和光伏的真实出力值除以当月装机容量，得到单位装机容量下的风电光伏有功出力值x'，同时为了更好的适应神经网络的激活函数，需要将得到的对处理后的样本按照下式对风电光伏有功出力值x'进行归一化处理，得到真实样本x：
其中，x'max表示x'中的最大值，x'min表示x'中的最小值。
生成对抗网络对于二维数组的处理性能会更好，因此考虑生成器中使用卷积神经网络，并将风电和光伏有功数据重构为二维数据的形式作为输入，并将数据分为训练集和验证集两部分。
在步骤2中，构建一个包含生成器、编码器和判别器的含推理模型的生成对抗网络，确定网络结构和参数。
在一个实施例中，所述生成对抗网络，如图2所示，包含生成器、编码器和判别器，其中：
所述生成器的输入为随机噪声z，经过两个全连接层、变形层和三个反卷积层，得到的输出为G(z)；
所述编码器的输入为真实样本x中的训练集样本，经过三个卷积层、一个荡平层和两个全连接层，得到的输出为GE(x)；
判别器的输入为随机噪声为z或所述编码器输出GE(x)，经过两个全连接层，输出第一结果，判别器的输入为随机噪声为z或所述编码器输出GE(x)，经过两个全连接层，输出第一结果，判别器的输入为所述生成器输出G(z)或真实样本x中的训练集样本，经过两个卷积层和一个变形层，得到第二结果，第一结果和第二结果通过一个拼接层，拼接在一起，再经过三个全连接层，输出得到判别值D(G(z),z)或判别值D(x,GE(x))。
纳入推理模型的生成对抗网络GAN-VI包含生成器G、判别器D和编码器E组成，从空间映射上看,生成器是实现随机噪声z到生成真实样本x的映射，编码器是实现x到 GE(x)的映射，判别器实现真实样本x、GE(x)和生成样本z、G(z)到真假判别结果的映射。
本方法中的生成式对抗网络，纳入了推理模型，通过在生成式对抗网络中增加编码器，可以使模型进一步具备对隐空间的学习能力并能准确地拟合更为复杂的后验分布；给出了与改进模型相适应的目标函数和优化方法，进一步提升了模型训练的稳定性和收敛性，并缓解了模型崩溃的问题。算例表明提出模型不仅能准确捕获到大范围风电和光伏有功出力的多时空特性，而且还具备较好的鲁棒性。论证了在提出模型中新增标签信息而进行半监督学习的可行性。算例表明条件化改进使得生成的场景准确性更高且更具代表性，还减小了训练过程中的运算复杂度。
以24*24维度的样本数据为例，其对应的含推理模型的生存对抗网络模型结构如表1 所示。
表1含推理模型的生成式对抗网络模型结构
本方法的生成对抗网络从变分推断的角度对常用深度生成模型的实现原理进行了推导，给出了变分自编码器和生成式对抗网络各模块更明确的物理定义，并提出了可行的生成模型改进思路。
在步骤3中，利用真实样本x中的训练集样本，对生成对抗网络进行训练，
将真实样本x中的训练集样本输入神经网络，并采用一定的训练顺序，通过降低各自损失函数的方式进行参数更新。
在一个实施例中，利用真实样本x中的训练集样本，对生成对抗网络进行训练，包括：
(1)设定生成器、编码器和判别器训练过程中的目标函数分别为：
其中，生成器和编码器的目标函数为：
判别器的目标函数为：
其中，G0(z)和
分别代表生成器和编码器在上一阶段的优化结果，λ1和λ2分别代表两个正则项的系数，判别器则需要对网络权重进行限制，其中λ对应正则项的系数，λ的取值范围为0-1，本公开的一个实施例中取值为0.5；
其中
和
满足：
式中c为服从[0,1]均匀分布的随机变量；
(2)设置生成对抗网络的训练参数如下：
(2-1)真实样本x中的训练集样本对批处理batch为40；
(2-2)生成器、编码器和判别器中的各输出层采用Sigmoid作为激活函数，其它各层采用ReLU或Leaky-ReLU作为激活函数；实验结果表明生成器和编码器采用ReLU而判别器使用Leaky-ReLU作为激活函数得到的模型性能较好。
其中Sigmoid、ReLU和Leaky-ReLU激活函数的表达式分别分别为：
(2-3)设定ndis＝3，即每个循环中，判别器D训练三次，生成器和编码器各训练一次；以维持训练过程的相对稳定；
(2-4)判别器D的目标函数的正则项系数为λ＝10，生成器G和编码器E目标函数的正则项系数为λ1＝4,λ2＝2；
(3)训练过程如下：
(3-1)初始化生成器G、编码器E和判别器D的参数；
(3-2)从高斯分布pg(z)中选取m个噪声样本{z(1),...,z(m)}；
(3-3)从真实样本集x中的训练集中选取m个样本{x(1),...,x(m)}；
(3-4)用生成器将{z(1),...,z(m)}映射为G(zi),i＝1,…,N；
(3-5)用编码器将{x(1),…,x(m)}映射为GE(xj),j＝1,…,N；
(3-6)利用以下公式，计算出
(3-7)得到判别器对生成器输出的判别结果D(G(zi),zi),i＝1,…,N；
(3-8)得到判别器对编码器输出的判别结果D(xj,GE(xj)),i＝1,…,N；
(3-9)利用生成器和编码器的目标函数计算生成器和编码器的损失；
(3-10)利用判别器的目标函数计算判别器的损失；
(3-11)按照下面的公式更新生成器参数、编码器参数和判别器参数θG、θE、θD：
其中，θG,t-1、θE,t-1、θD,t-1、θG,t、θE,t、θD,t分别为第t-1轮循环后的生成器、编码器和判别器参数，以及第t轮训练后的生成器、编码器、判别器参数；
(3-12)重复步骤(3-2)-(3-11)步，直到模型参数θG,t、θE,t、θD,t收敛，完成生成对抗网络的训练。
在步骤5中，利用真实样本x中的验证集样本，对生成对抗网络进行性能检验，包括：
模型收敛后，从生成器的输出中随机采样m个场景，将生成的场景与真实样本x的验证集中有功出力数据进行比较，若生成的场景与真实样本x的验证集样本中日内出力特性、功率频谱图和功率的概率分布特性曲线高度吻合，并且以相关性系数评估的空间相关性也接近，则完成生成对抗网络的训练，得到风电光伏有功场景生成的样本。
结果显示生成样本与验证集中样本的出力特性曲线高度吻合、生成样本和真实样本的功率频谱图和功率的概率分布特性曲线均具有相同趋势，同时能保留风电和光伏时序出力序列间的空间相关性。也证明了本方法的生成对抗网络以无监督学习的方法实现了对于风电和光伏日内出力的概率建模，高效学习风电和光伏的有功出力特性，并通过生成多样化的场景准确刻画风电和光伏的多时空不确定性，可用于后续的多能互补协调运行模型。
与上述风电光伏有功场景生成方法相对应地，本公开还提出了一种风电光伏有功场景生成装置，如图3所示，包括：
数据处理模块，用于获取历史风电、光伏发电有功功率数据，对数据进行预处理，得到真实样本x；
神经网络生成模块，用于构建一个生成对抗网络，确定网络结构和参数；
神经网络训练模块，用于利用真实样本x中的训练集样本，对生成对抗网络进行训练；
神经网络验证模块，用于利用真实样本x中的验证集样本，对生成对抗网络进行性能检验。
本公开的实施例还提出了一种电子设备，包括：
存储器，用于存储计算机可执行的指令；
处理器，所述处理器被配置执行：
获取历史风电、光伏发电有功功率数据，对数据进行预处理，得到真实样本x；
构建一个生成对抗网络，确定网络结构和参数；
利用真实样本x中的训练集样本，对生成对抗网络进行训练；
利用真实样本x中的验证集样本，对生成对抗网络进行性能检验。
本公开的实施例还提出了计算机可读存储介质，其其上存储有计算机程序，所述计算机程序用于使所述计算机执行：
获取历史风电、光伏发电有功功率数据，对数据进行预处理，得到真实样本x；
构建一个生成对抗网络，确定网络结构和参数；
利用真实样本x中的训练集样本，对生成对抗网络进行训练；
利用真实样本x中的验证集样本，对生成对抗网络进行性能检验。
需要说明的是，本公开的实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器，也可以是任何常规的处理器等，所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述风电光伏有功场景生成方法的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储所述操作系统在运行应用程序过程中所创建的数据(比如音频数据、图形数据等)等。此外，所述存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)、至少一个磁盘的存储器件或闪存器件。
基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本公开提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本公开的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本公开原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本公开的保护范围。
Claims (8)
1.一种风电光伏有功功率的场景生成方法，其特征在于，包括：
获取历史风电、光伏发电有功功率数据，对数据进行预处理，得到真实样本x；
构建一个生成对抗网络，确定网络结构和参数；
利用真实样本x中的训练集样本，对生成对抗网络进行训练；
利用真实样本x中的验证集样本，对生成对抗网络进行性能检验。
2.根据权利要求1所述的风电光伏有功功率的场景生成方法，其特征在于，所述获取历史风电、光伏发电有功功率数据，对数据进行预处理，得到真实样本x，包括：
(1)分别对多个风力机组和光伏机组进行采样，得到初始样本集；
(2)对初始样本集进行预处理，包括数据清洗、数据样本集选取和数据维度调整，对于数据中的缺失值采用插值的方法填充，舍弃缺失值过多的样本；
(3)将预处理后样本中的风电和光伏的真实出力值除以当月装机容量，得到单位装机容量下的风电光伏有功出力值x'，对风电光伏有功出力值x'进行归一化处理，得到真实样本x：
其中，x'max表示x'中的最大值，x'min表示x'中的最小值。
3.根据权利要求1所述的风电光伏有功场景生成方法，其特征在于，所述生成对抗网络，包含生成器、编码器和判别器，其中：
所述生成器的输入为随机噪声z，经过两个全连接层、变形层和三个反卷积层，得到的输出为G(z)；
所述编码器的输入为真实样本x中的训练集样本，经过三个卷积层、一个荡平层和两个全连接层，得到的输出为GE(x)；
判别器的输入为随机噪声为z或所述编码器输出GE(x)，经过两个全连接层，输出第一结果，判别器的输入为随机噪声为z或所述编码器输出GE(x)，经过两个全连接层，输出第一结果，判别器的输入为所述生成器输出G(z)或真实样本x中的训练集样本，经过两个卷积层和一个变形层，得到第二结果，第一结果和第二结果通过一个拼接层，拼接在一起，再经过三个全连接层，输出得到判别值D(G(z),z)或判别值D(x,GE(x))。
4.根据权利要求1所述的风电光伏有功场景生成方法，其特征在于，所述利用真实样本x中的训练集样本，对生成对抗网络进行训练，包括：
(1)设定生成器、编码器和判别器训练过程中的目标函数分别为：
其中，生成器和编码器的目标函数为：
判别器的目标函数为：
其中，
和
分别代表生成器和编码器在上一阶段的优化结果，λ1和λ2分别代表两个正则项的系数，其中λ对应正则项的系数，λ的取值范围为0-1；
其中
和
满足：
式中c为服从[0,1]均匀分布的随机变量；
(2)设置生成对抗网络的训练参数如下：
(2-1)真实样本x中的训练集样本对批处理batch为40；
(2-2)生成器、编码器和判别器中的各输出层采用Sigmoid作为激活函数，其它各层采用ReLU或Leaky-ReLU作为激活函数；
(2-3)设定ndis＝3，即每个循环中，判别器D训练三次，生成器和编码器各训练一次；
(2-4)判别器D的目标函数的正则项系数为λ＝10，生成器G和编码器E目标函数的正则项系数为λ1＝4,λ2＝2；
(3)训练过程如下：
(3-1)初始化生成器G、编码器E和判别器D的参数；
(3-2)从高斯分布pg(z)中选取m个噪声样本{z(1),...,z(m)}；
(3-3)从真实样本集x中的训练集中选取m个样本{x(1),...,x(m)}；
(3-4)用生成器将{z(1),…,z(m)}映射为G(zi),i＝1,…,N；
(3-5)用编码器将{x(1),…,x(m)}映射为GE(xj),j＝1,…,N；
(3-6)利用以下公式，计算出
(3-7)得到判别器对生成器输出的判别结果D(G(zi),zi),i＝1,…,N；
(3-8)得到判别器对编码器输出的判别结果D(xj,GE(xj)),i＝1,…,N；
(3-9)利用生成器和编码器的目标函数计算生成器和编码器的损失；
(3-10)利用判别器的目标函数计算判别器的损失；
(3-11)按照下面的公式更新生成器参数、编码器参数和判别器参数θG、θE、θD：
其中，θG,t-1、θE,t-1、θD,t-1、θG,t、θE,t、θD,t分别为第t-1轮循环后的生成器、编码器和判别器参数，以及第t轮训练后的生成器、编码器、判别器参数；
(3-12)重复步骤(3-2)-(3-11)步，直到模型参数θG,t、θE,t、θD,t收敛，完成生成对抗网络的训练。
5.根据权利要求1所述的风电光伏有功场景生成方法，其特征在于，所述利用真实样本x中的验证集样本，对生成对抗网络进行性能检验，包括：
模型收敛后，从生成器的输出中随机采样m个场景，将生成的场景与真实样本x的验证集中有功出力数据进行比较，若生成的场景与真实样本x的验证集样本中日内出力特性、功率频谱图和功率的概率分布特性曲线高度吻合，并且以相关性系数评估的空间相关性也接近，则完成生成对抗网络的训练，得到风电光伏有功场景生成的样本。
6.一种风电光伏有功场景生成装置，其特征在于，包括：
数据处理模块，用于获取历史风电、光伏发电有功功率数据，对数据进行预处理，得到真实样本x；
神经网络生成模块，用于构建一个生成对抗网络，确定网络结构和参数；
神经网络训练模块，用于利用真实样本x中的训练集样本，对生成对抗网络进行训练；
神经网络验证模块，用于利用真实样本x中的验证集样本，对生成对抗网络进行性能检验。
7.一种电子设备，其特征在于，包括：
存储器，用于存储计算机可执行的指令；
处理器，所述处理器被配置执行权利要求1-5的任何风电光伏有功功率的场景生成方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序用于使所述计算机执行权利要求1-3的风电光伏有功功率的场景生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111246178.0A CN114021437B (zh) | 2021-10-26 | 2021-10-26 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111246178.0A CN114021437B (zh) | 2021-10-26 | 2021-10-26 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114021437A true CN114021437A (zh) | 2022-02-08 |
| CN114021437B CN114021437B (zh) | 2024-04-12 |
Family
ID=80057634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111246178.0A Active CN114021437B (zh) | 2021-10-26 | 2021-10-26 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114021437B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662387A (zh) * | 2022-03-19 | 2022-06-24 | 特斯联科技集团有限公司 | 基于gan的低碳经济园区的风光储能优化方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020063144A1 (zh) * | 2018-09-30 | 2020-04-02 | 中国电力科学研究院有限公司 | 一种柔性直流电网的能源外送能力评估方法及系统 |
| CN111079351A (zh) * | 2020-01-19 | 2020-04-28 | 天津大学 | 考虑风电不确定性的配电网概率潮流获取方法、装置 |
| 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 |
| 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 |
| CN113191918A (zh) * | 2021-03-31 | 2021-07-30 | 重庆大学 | 基于时序生成对抗网络的月度风光发电功率场景分析方法 |
| 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 |
-
2021
- 2021-10-26 CN CN202111246178.0A patent/CN114021437B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020063144A1 (zh) * | 2018-09-30 | 2020-04-02 | 中国电力科学研究院有限公司 | 一种柔性直流电网的能源外送能力评估方法及系统 |
| CN111079351A (zh) * | 2020-01-19 | 2020-04-28 | 天津大学 | 考虑风电不确定性的配电网概率潮流获取方法、装置 |
| 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 |
| 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 |
| CN113191918A (zh) * | 2021-03-31 | 2021-07-30 | 重庆大学 | 基于时序生成对抗网络的月度风光发电功率场景分析方法 |
| 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 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114662387A (zh) * | 2022-03-19 | 2022-06-24 | 特斯联科技集团有限公司 | 基于gan的低碳经济园区的风光储能优化方法及系统 |
| CN114662387B (zh) * | 2022-03-19 | 2022-12-09 | 特斯联科技集团有限公司 | 基于gan的低碳经济园区的风光储能优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114021437B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Deep learning method based on gated recurrent unit and variational mode decomposition for short-term wind power interval prediction | |
| Jiao et al. | A model combining stacked auto encoder and back propagation algorithm for short-term wind power forecasting | |
| Wang et al. | Effective wind power prediction using novel deep learning network: Stacked independently recurrent autoencoder | |
| CN111709672B (zh) | 基于场景和深度强化学习的虚拟电厂经济调度方法 | |
| Chen et al. | Comparison between ARIMA and ANN models used in short-term wind speed forecasting | |
| CN111709555B (zh) | 一种分布式电源优化配置的方法及系统 | |
| Fang et al. | Deep reinforcement learning for scenario-based robust economic dispatch strategy in internet of energy | |
| Yong | An improved artificial fish swarm algorithm for optimal operation of cascade reservoirs | |
| Li et al. | A hybrid deep interval prediction model for wind speed forecasting | |
| CN117172589A (zh) | 一种行业典型用户电力需求响应潜力评估方法 | |
| CN112072643A (zh) | 一种基于深度确定性梯度策略的光-蓄系统在线调度方法 | |
| CN114021437A (zh) | 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 | |
| Jiang et al. | Research and application of a new hybrid wind speed forecasting model on BSO algorithm | |
| Yan et al. | A low‐carbon economic dispatch model for electricity market with wind power based on improved ant‐lion optimisation algorithm | |
| CN112670982B (zh) | 一种基于奖励机制的微电网有功调度控制方法及系统 | |
| Arshad et al. | Wind power prediction using genetic programming based ensemble of artificial neural networks (GPeANN) | |
| CN115689241A (zh) | 一种基于水风光多能互补的梯级水库群调度图优化方法 | |
| Xu et al. | One-day ahead forecast of PV output based on deep belief network and weather classification | |
| Xiaosheng et al. | A deep learning approach for wind power prediction based on stacked denoising auto encoders optimized by bat algorithm | |
| Zhang et al. | A Convolutional Neural Network for Regional Photovoltaic Generation Point Forecast | |
| CN111553398A (zh) | 基于多维正态分布的风电场景不确定连续区间获取方法 | |
| Chaudhary et al. | Short term solar energy forecasting using GNN integrated wavelet-based approach | |
| Tosounidis et al. | Wind Power Forecasting with Deep Learning Methods | |
| Chen et al. | Synthetic wind speed scenarios generation using artificial neural networks for probabilistic analysis of hybrid energy systems | |
| Qin et al. | Day-Ahead Wind Power Forecasting Based on Wind Load Data Using Hybrid Optimization Algorithm. Sustainability 2021, 13, 1164 |
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 |