CN114372554A - 一种基于生成对抗网络的柔性负荷场景生成和缩减方法 - Google Patents
一种基于生成对抗网络的柔性负荷场景生成和缩减方法 Download PDFInfo
- Publication number
- CN114372554A CN114372554A CN202111426934.8A CN202111426934A CN114372554A CN 114372554 A CN114372554 A CN 114372554A CN 202111426934 A CN202111426934 A CN 202111426934A CN 114372554 A CN114372554 A CN 114372554A
- Authority
- CN
- China
- Prior art keywords
- scene
- discriminator
- flexible load
- generator
- network
- 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 74
- 230000009467 reduction Effects 0.000 title claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 230000001360 synchronised effect Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 17
- 229910052799 carbon Inorganic materials 0.000 abstract description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 2
- 239000003344 environmental pollutant Substances 0.000 abstract description 2
- 239000013618 particulate matter Substances 0.000 abstract description 2
- 231100000719 pollutant Toxicity 0.000 abstract description 2
- 230000008447 perception Effects 0.000 abstract 1
- 230000004044 response Effects 0.000 description 6
- 238000010248 power generation Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 241000039077 Copula Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于生成对抗网络的柔性负荷场景生成和缩减方法,包括:随机初始化生成器网络参数,从正态高斯分布中提取随机噪声,将噪声批量输入生成器网络,生成器生成样本;随机初始化鉴别器网络参数,将生成样本和真实样本批量输入鉴别器网络,鉴别器输出判别值;计算生成器与鉴别器的损失函数,采用RMSprop优化算法更新生成器与鉴别器的权重参数;生成器网络最优的参数;输入随机噪声,生成器输出工业园区柔性负荷运行场景;为提高计算速度,采取同步回代场景缩减方法生成典型具有时空相关性的各工业园区柔性负荷出力场景。目的在于提升工业园区内多类型柔性负荷感知能力,并且降低碳排放、其他污染气体及颗粒物排放对环境的影响。
Description
技术领域
本发明涉及柔性负荷需求响应控制技术领域,特别涉及一种基于生成对抗网络的柔性负荷场景生成和缩减方法。
背景技术
工业园区是以工业负荷为主的复杂能源系统,涵盖多种产能及用能主体,涉及电、冷、热等多种能源的生产、转移和利用。工业园区负荷具有需求量大、负荷特性复杂、供电可靠性要求高的特点。随着分布式可再生能源和清洁能源发电的高渗透率应用、多元化储能设备规模化推广,用户通过智能化手段参与需求响应,各类能源供应系统耦合互补,社会综合能效进一步提升,促使工业园区的用能向更加绿色、高效的方向转变。如何统一对园区用能优化,提高系统的运行效率和经济环境效益将是未来工业园区规划设计的重点。随着国内环保标准日益严格,减少煤炭消费总量和减少落后化工企业的产能成为整治的重点任务之一。各生产企业自备燃煤锅炉将面临整改或关停问题,为此国内工业园区拟建造分布式能源站为园区企业集中供能。分布式能源是指分布在用户端的能源综合利用系统,主要采用清洁能源为燃料,为用户提供冷、热、电以满足用户多种需求。分布式能源系统因其能源利用率高、环保性强等优点目前得到国家大力发展。
能源问题是支撑人类社会可持续发展的核心问题,伴随着风、光等可再生能源技术的迅猛发展,源端与荷端的能源多样化促使能源系统进一步耦合,打破原有各能源供用系统单独规划、单独设计和独立运行的既有模式,综合能源系统应运而生。综合能源系统(Integrated Energy System,IES)是以电力为核心,融合燃气、热力等多种能源,以实现能源高效利用与可再生能源消纳为目的,有机协同能源生产、输配、利用等环节的一体化能源服务系统,其供能子系统的高度耦合,可以有效减少化石能源消耗,实现社会用能效率最优,是构建未来低碳生活的重要途径。在综合能源的网络架构下,综合需求响应利用电能、天然气等不同能源间的耦合特性,通过削减、转移用能负荷来参与需求响应,并可兼顾用户的满意度与舒适度。需求响应(demand response,DR)是需求侧参与电网灵活互动的重要途径,其在能源互联网中衍生为综合需求响应(integrated demand response,IDR),利用冷、热、电等不同形式能源间的耦合互补关系,在需求侧进行多能源协同优化。合理的分时电价能为能源需求方提供充分高效的价格信号,从而实现能源需求削峰填谷的目标。近几年来,随着我国新能源汽车技术水平提升、电池成本降低、商业模式不断创新,再加上国家加快推进柴油货车污染治理工作,推动了电动重卡的研发和推广。与DR相比,在不同价格方案下,IDR的效果明显不同,其削峰填谷效果更明显、用户满意度与舒适度更高。
在当今的电力系统中,由于工业负荷柔性负荷的巨大经济与环保价值,柔性负荷成为一种越来越重要的替代传统的发电方式。然而,柔性负荷具有间歇性、不确定性,不同工业园区柔性负荷的出力具有时空相关性,以上特性会对电力系统的正确决策带来挑战,如经济调度、机组组合、多能源系统的优化运行等。因此,合理考虑柔性负荷运行规律的时空相关特性,精确描述柔性负荷运行规律的不确定性成为克服上述挑战的关键。一种在电力系统被广泛应用的方法是生成代表性的场景来准确刻画柔性负荷运行规律的随机特征。
场景生成的常用方法可分为参数法和非参数法两大类。参数化方法基于概率分布的假设,然后从概率分布中采样。有研究采用威布尔分布对负荷进行建模,应用蒙特卡洛采样生成场景,然而上述方法会忽略柔性负荷运行规律的时间相关性。有研究假设不同时刻工业园区柔性负荷功率服从多元高斯分布,通过逆变换生成场景,然而多元高斯分布的假设在实际情况中可能并不成立。相较于高斯结构,Copula方法可以被用于更精确地捕获依赖结构。尽管Copula能捕获时空依赖结构,但应用Copula方法生成场景在高维情况下较为复杂且耗时。
另一种典型的参数化方法为时间序列法。有研究应用自回归移动平均模型(autoregressive moving average,ARMA)捕获时间序列中的自相关性,生成风速场景;文献[9]利用状态空间(state space,SS)模型的优势,将ARMA模型转换为状态空间形式,补充对空间相关关系的结构分析。然而,ARMA和SS只能捕获时间序列的线性关系,难以满足实际情况的需要。
综上,参数法具有以下局限性:柔性负荷运行规律具有时变特性且存在复杂的空间相关关系,难以对其精确建模;特定的统计假设(例如多元高斯分布)可能难以应用于实际;同时,从高维分布中采样也会影响生成场景的质量。相比于参数法,非参数法无需假设柔性负荷运行规律数据的概率分布。
因此,在含有柔性负荷运行规律的电力系统规划问题中,精确的工业园区柔性负荷景生成具有重要意义。考虑到单工业园区柔性负荷的柔性负荷运行规律功率序列具有时间自相关性,区域电网多工业园区柔性负荷的柔性负荷运行规律功率序列具有空间相关性,因此生成具有时空依赖结构的工业园区柔性负荷景有利于更好地模拟柔性负荷运行规律的随机过程。
发明内容
为了解决背景技术提出的技术问题,本发明提供一种基于生成对抗网络的柔性负荷场景生成和缩减方法,目的在于提升工业园区内多类型柔性负荷感知能力,并且降低碳排放、其他污染气体及颗粒物排放对环境的影响。
为了达到上述目的,本发明采用以下技术方案实现:
一种基于生成对抗网络的柔性负荷场景生成和缩减方法,包括如下步骤:
步骤1:随机初始化生成器网络参数,从正态高斯分布中提取随机噪声,将噪声批量输入生成器网络,生成器生成样本;
步骤2:随机初始化鉴别器网络参数,归一化处理真实样本,将生成样本和真实样本批量输入鉴别器网络,鉴别器输出判别值;
步骤3:计算生成器与鉴别器的损失函数,采用RMSprop优化算法更新生成器与鉴别器的权重参数;若训练未结束,则返回步骤1进行下一轮训练;
步骤4:当训练次数达到给定次数时,停止训练并保存生成器网络最优的参数;输入随机噪声,生成器输出工业园区柔性负荷运行场景;
步骤5:为提高计算速度,采取同步回代场景缩减方法生成典型具有时空相关性的各工业园区柔性负荷出力场景。
进一步地,所述的步骤1和步骤2具体包括如下:
设历史柔性负荷运行规律数据的分布为真实分布Pr,可作为真实样本输入网络进行训练;设随机噪声z的分布为PZ,随机噪声可以被轻易获取,为了方便后续对原理的阐述,设生成器网络为G(·,θ(G)),其中θ(G)代表生成器网络的参数;设鉴别器网络为D(·,θ(D)),其中θ(D)代表鉴别器网络的参数;
生成器:在训练过程中,生成器获取随机噪声作为输入,输出为生成样本即场景,设为G(z,θ(G)),生成分布PG,生成器的目标是尽可能输出遵循真实分布Pr的场景;
鉴别器:鉴别器和生成器同时进行训练,鉴别器的输入来自真实样本和生成器的输出,输出值Preal反映输入样本属于真实样本的程度:
Preal=D(x;θ(D)) (1)
其中x代表鉴别器的输入,鉴别器的目标是尽可能区分真实分布Pr与生成分布PZ。
进一步地,所述的步骤3具体包括如下:
在GAN模型训练方面,应用沃瑟斯坦Wasserstein距离作为鉴别器的损失函数,Wasserstein距离W(Pr,PG)直接衡量真实分布与生成分布之间的差异,
其中Pr为真实分布,PG为生成分布,x代表鉴别器的负荷数据输入,sup代表最小上界,生成样本输出即场景设为G,随机噪声z的分布为PZ,,鉴别器网络为D,E表示对应分布的期望值;鉴别器函数需要满足1-Lipschitz约束,即:
D(x1)-D(x2)|≤|x1-x2| (3)
x1和x2为两种负荷历史时序数据,应用Wasserstein距离作为衡量分布差异的指标要求鉴别器网络满足Lipschitz约束;
梯度惩罚项GP以及一致性项CT使得鉴别器满足在数据采样点以及真实域样本处的Lipschitz约束;本方法提出改进一致性项;进一步控制鉴别器的倒数第二层可以略微提高性能;改进一致性项ICT的形式如下:控制鉴别器的倒数第二层改进一致性项的形式如下:
将本方法提出的改进一致性项ICT同上述梯度惩罚项GP和一致性项CT结合起来,能够保证鉴别器网络在全局范围内均能满足Lipschitz约束,最终鉴别器的损失函数LICT如下:
鉴于生成域样本小概率不满足Lipschitz约束,因此,参数λ3应小于参数λ2;在训练的后期,生成域样本几乎等同于真实域样本;通过实验验证,略微下调λ2并设置λ3≈0.1λ2能够取得较好的训练效果。
进一步地,所述的步骤5具体包括如下
场景生成过程形成了大量的离散化场景来近似工业园区柔性负荷出力过程,但在概率测度P下的场景集过于庞大,因此引入场景缩减概念,采用一个仅含有少数场景组成的概率测度Q,来近似P下的场景,获取最佳简化场景集即为场景缩减过程;采用同步回代缩减方法,是通过迭代的方法在每一步中缩减一个场景,同时改变其他场景的概率,直到场景集剩下指定数目的场景;
首先用Kantorovich康托洛维奇距离定义两场景之间的距离,即场景之间的2-范数如下:
负荷出力的随机过程可视为一个随时间变化的向量P=(P1,P2,…,Pt)T,t为预测长度,Ci为聚类算法第i个类簇场景集合,s(i)和s(j)分别为场景集合Ci和Cj中的场景;和分别为s(i)和s(j)在场景集合Ci和Cj中的概率;d(s(i),s(j))为场景s(i)和s(j)的欧氏距离;具体场景缩减步骤如下:
1)确定原始场景概率:在原始场景个数为N,且每个场景具有相同的概率1/N;
通过计算概率距离找出与其他场景距离最近的场景,同时考虑计算距离与概率,使得保留下来的场景概率大且具有代表性;
3)改变场景的总数以及相应场景对应概率:场景总数N=N-1,将剔除场景的概率加到离该场景最近的场景上,保证保留场景概率和为1;
4)若剩余场景总数N大于指定保留场景个数,返回步骤1),直到缩减至指定保留场景个数。
进一步地,在所述步骤5中,生成回代场景的好坏可通过相应的评价指标来评估,在传统的ES指标中考虑概率距离并结合BS指标进行场景评价,ES指标Et如下式:
其中:pt为实测工业园区柔性负荷场出力;为工业园区柔性负荷场预测场景出力;Pi和Pj为场景概率;由上式可看出,ES指标着重于工业园区柔性负荷场景与实测值累积分布函数的距离,其值越小,则表明两者越接近,那么生成场景的更符合实际;
为从不同的方面描述生成场景的好坏,进一步引入BS指标,BS指标结合了事件诊断的方法,首先定义需要诊断的事件,从两个方面来考虑,一是工业园区柔性负荷功率场景在确定时间内的波动情况,二是工业园区柔性负荷功率场景大于确定出力的持续时间;BS指标侧重于计算某一事件在场景与实测值中发生概率的差值,故BS指标越小,说明场景与实测值出力的波动特性越接近;针对日前调度场景生成问题,本方法确定如下4个诊断事件:
1)事件1:工业园区柔性负荷功率在1小时的时间内的波动量大于10%;
2)事件2:工业园区柔性负荷功率在2小时的时间内的波动量大于10%;
3)事件3:工业园区柔性负荷功率在4小时的时间内的出力值持续大于30%;
4)事件4:工业园区柔性负荷功率在4小时的时间内的出力值持续大于40%。
与现有技术相比,本发明的有益效果是:
1、本方法提出了一种改进式生成对抗网络,通过增加新的惩罚项来加强训练过程中鉴别器的Lipschitz连续性,从而提高网络捕获柔性负荷运行规律数据时空特性的能力,生成更贴近真实分布的场景,同时避免了过拟合问题的出现。使用实际柔性负荷运行规律数据对所提方法进行测试,本方法具有更高的精度。
2、梯度惩罚项GP和一致性项CT都难以使鉴别器在全域范围内满足Lipschitz约束,从而影响GAN模型的性能。为此,本方法提出了一种改进式生成对抗网络,应用Wasserstein距离作为鉴别器损失函数衡量分布差异的同时,为鉴别器损失函数增加新的惩罚项来加强训练过程中鉴别器的Lipschitz连续性,提高了GAN模型的性能,解决了GAN网络存在的问题,避免了过拟合问题的发生。
3、为从不同的方面描述生成场景的好坏,进一步引入BS指标,BS指标结合了事件诊断的方法,首先要定义需要诊断的事件,主要从两个方面来考虑,一是工业园区柔性负荷功率场景在确定时间内的波动情况,二是工业园区柔性负荷功率场景大于确定出力的持续时间。BS指标侧重于计算某一事件在场景与实测值中发生概率的差值,故BS指标越小,说明场景与实测值出力的波动特性越接近。
附图说明
图1为本发明的模型结构与训练流程图。
具体实施方式
以下结合附图对本发明提供的具体实施方式进行详细说明。
如图1所示,一种基于生成对抗网络的工业园区柔性负荷时空相关场景生成和缩减方法,包括如下步骤:
步骤1:随机初始化生成器网络参数,从正态高斯分布中提取随机噪声,将噪声批量输入生成器网络,生成器生成样本。
步骤2:随机初始化鉴别器网络参数,归一化处理真实样本,将生成样本和真实样本批量输入鉴别器网络,鉴别器输出判别值。
步骤3:计算生成器与鉴别器的损失函数,采用RMSprop优化算法更新生成器与鉴别器的权重参数。若训练未结束,则返回步骤1进行下一轮训练。
步骤4:当训练次数达到给定次数时,停止训练并保存生成器网络最优的参数。输入随机噪声,生成器输出工业园区柔性负荷运行场景。
步骤5:为提高计算速度,采取同步回代场景缩减方法生成典型具有时空相关性的各工业园区柔性负荷出力场景。
以下为具体实施过程:
所述的步骤1及步骤2具体如下:
生成对抗网络(GAN)是近年来极具前景的生成式模型,其强大的拟合能力几乎能够模拟任何数据的真实分布。
假设历史柔性负荷运行规律数据x的分布为Pr,可作为真实样本输入网络进行训练;设随机噪声z的分布为PZ,随机噪声可以被轻易获取(例如从高斯分布中采样)。为了方便后续对原理的阐述,设生成器网络为G(·,θ(G)),其中θ(G)代表生成器网络的参数;设鉴别器网络为D(·,θ(D)),其中θ(D)代表鉴别器网络的参数。
Preal=D(x;θ(D)) (1)
其中x代表鉴别器的输入,鉴别器的目标是尽可能区分真实分布Pr与生成分布PG。
所述的步骤3具体如下:
在明确生成器与鉴别器的目标之后,需要为其设置损失函数来指导生成器与鉴别器的训练。损失函数的形式如下。
式中,E表示对应分布的期望值。生成器希望增大鉴别器对生成样本的输出值;鉴别器希望减小其对生成样本的输出值,并增大其对真实样本的输出值。因此,构造极大极小博弈值函数V(G,D)。
理论上,生成器与鉴别器最终可以实现纳什均衡,即生成器能够根据历史柔性负荷运行规律数据的分布生成使鉴别器无法辨别的工业园区柔性负荷场景。
在GAN模型训练方面,应用Wasserstein距离作为鉴别器的损失函数,能够有效解决GAN训练不稳定,模式崩溃等问题。Wasserstein距离直接衡量真实分布与生成分布之间的差异。
D(x1)-D(x2)|≤|x1-x2| (6)
x1和x2为两种负荷历史时序数据,应用Wasserstein距离作为衡量分布差异的指标要求鉴别器网络满足Lipschitz约束。因此,确保鉴别器网络更好地满足Lipschitz条件成为提升网络性能的关键。
梯度惩罚项GP以及一致性项CT使得鉴别器满足在数据采样点以及真实域样本处的Lipschitz约束。然而通过实验发现,在给定历史柔性负荷运行规律数据的情况下,尽管生成样本普遍小于真实样本,但是在训练的早期,鉴别器网络在部分生成域样本处也存在不满足Lipschitz约束的情况,影响生成场景的质量。因此,针对此问题,本方法提出改进一致性项。控制鉴别器的倒数第二层可以略微提高性能。改进一致性项(improved consistterms,ICT)的形式如下:
其中G(z)',G(z)”为生成域样本处的采样点,d代表在输入空间上的l2度量,D_(·)代表鉴别器的倒数第二层,M'是一个有界常数。
将本方法提出的改进一致性项ICT同上述梯度惩罚项GP和一致性项CT结合起来,就能够保证鉴别器网络在全局范围内均能满足Lipschitz约束,从而提升网络的性能。最终鉴别器的损失函数如下:
特别地,鉴于生成域样本小概率不满足Lipschitz约束,因此,参数λ3应小于参数λ2;在训练的后期,生成域样本几乎等同于真实域样本,因此,惩罚项参数λ2与λ3的和不应过大。通过实验验证,略微下调λ2并设置λ3=0.1λ2能够取得较好的训练效果。
所述的步骤4具体如下:
本方法设计的网络结构受DCGAN(Deep Convolutional GAN)结构和基于Wasserstein距离的GAN(WGAN)结构的启发。
生成器输入为随机噪声,输出需要经过Sigmoid函数使其限定在[0,1]范围之内;真实样本经过归一化处理后与生成器的输出一同作为鉴别器的输入。生成器网络隐含层采用RELU激活函数;鉴别器网络的隐含层采用LeakyRELU激活函数。Dropout应用于鉴别器网络的每个隐含层的输出,一致性项中的常数M'设置为0。生成器和鉴别器采用RMSprop优化算法更新权重,鉴别器每更新4次,生成器更新1次。所有的网络程序可基于python3.5以及开源软件库tensorflow编写,使用两个RTX 2080Ti GPU来加速深度学习的训练过程。
所述的步骤5具体如下:
场景生成过程形成了大量的离散化场景来近似工业园区柔性负荷出力过程,但在概率测度P下的场景集过于庞大,因此引入场景缩减概念,采用一个仅含有少数场景组成的概率测度Q,来近似P下的场景,获取最佳简化场景集即为场景缩减过程。
本方法采用同步回代缩减方法,其原理为:通过迭代的方法在每一步中缩减一个场景,同时改变其他场景的概率,直到场景集剩下指定数目的场景。
首先用Kantorovich距离定义两场景之间的距离,即场景之间的2-范数如下:
具体场景缩减步骤如下:
(1)确定原始场景概率:在原始场景个数为N,且每个场景具有相同的概率1/N。
通过计算概率距离找出与其他场景距离最近的场景,同时考虑计算距离与概率,使得保留下来的场景概率大且具有代表性。
(3)改变场景的总数以及相应场景对应概率:场景总数N=N-1,将剔除场景的概率加到离该场景最近的场景上,保证保留场景概率和为1。
(4)若剩余场景总数N大于指定保留场景个数,返回步骤(1),直到缩减至指定保留场景个数。
生成场景的好坏可通过相应的评价指标来评估,在传统的ES(energy score)指标中考虑概率距离并结合BS(brier score)指标进行场景评价。ES指标如下式:
其中:pt为实测工业园区柔性负荷场出力;为工业园区柔性负荷场预测场景出力;Pi,Pj为场景概率。由上式可看出,ES指标着重于工业园区柔性负荷场景与实测值累积分布函数的距离,其值越小,则表明两者越接近,那么生成场景的更符合实际。
为从不同的方面描述生成场景的好坏,进一步引入BS指标,BS指标结合了事件诊断的方法,首先要定义需要诊断的事件,主要从两个方面来考虑,一是工业园区柔性负荷功率场景在确定时间内的波动情况,二是工业园区柔性负荷功率场景大于确定出力的持续时间。BS指标侧重于计算某一事件在场景与实测值中发生概率的差值,故BS指标越小,说明场景与实测值出力的波动特性越接近。针对日前调度场景生成问题,本方法确定如下4个诊断事件:
(1)事件1:工业园区柔性负荷功率在1小时的时间内的波动量大于10%;
(2)事件2:工业园区柔性负荷功率在2小时的时间内的波动量大于10%;
(3)事件3:工业园区柔性负荷功率在4小时的时间内的出力值持续大于30%;
(4)事件4:工业园区柔性负荷功率在4小时的时间内的出力值持续大于40%。
在含有大规模柔性负荷运行规律的电力系统规划问题中,多工业园区柔性负荷存在协同出力的情况。地理邻近的工业园区柔性负荷通常处于同一风带,彼此柔性负荷运行规律密切相关。当柔性负荷运行规律急剧变化时,多工业园区柔性负荷的共同作用会使得发电斜坡出现较大的正方向或负方向,对电力系统运行造成潜在损害;并且同一工业园区柔性负荷的连续时刻出力也存在时间关联,忽略不同时刻柔性负荷的相关性是错误不可行的。因此,在场景生成的过程中,考虑柔性负荷运行规律的时空依赖结构是有必要的。
考虑到存在N个区域电网邻近的柔性负荷运行规律,对于每个工业园区柔性负荷j,历史发电数据{xtj}都可以由按时间索引的向量表示,t=1…T,j=1…N。当给定历史发电数据{xtj}作为训练集时,生成的场景应能够描述与训练样本相同的随机过程,并呈现出在训练过程中学习到的所有可能的模式,同时捕获与训练样本一致的时空相关性。
以上实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。
Claims (5)
1.一种基于生成对抗网络的柔性负荷场景生成和缩减方法,其特征在于,包括如下步骤:
步骤1:随机初始化生成器网络参数,从正态高斯分布中提取随机噪声,将噪声批量输入生成器网络,生成器生成样本;
步骤2:随机初始化鉴别器网络参数,归一化处理真实样本,将生成样本和真实样本批量输入鉴别器网络,鉴别器输出判别值;
步骤3:计算生成器与鉴别器的损失函数,采用RMSprop优化算法更新生成器与鉴别器的权重参数;若训练未结束,则返回步骤1进行下一轮训练;
步骤4:当训练次数达到给定次数时,停止训练并保存生成器网络最优的参数;输入随机噪声,生成器输出工业园区柔性负荷运行场景;
步骤5:为提高计算速度,采取同步回代场景缩减方法生成典型具有时空相关性的各工业园区柔性负荷出力场景。
2.根据权利要求1所述的一种基于生成对抗网络的柔性负荷场景生成和缩减方法,其特征在于,所述的步骤1和步骤2具体包括如下:
设历史柔性负荷运行规律数据的分布为真实分布Pr,可作为真实样本输入网络进行训练;设随机噪声z的分布为PZ,随机噪声可以被轻易获取,为了方便后续对原理的阐述,设生成器网络为G(·,θ(G)),其中θ(G)代表生成器网络的参数;设鉴别器网络为D(·,θ(D)),其中θ(D)代表鉴别器网络的参数;
生成器:在训练过程中,生成器获取随机噪声作为输入,输出为生成样本即场景,设为G(z,θ(G)),生成分布PG,生成器的目标是尽可能输出遵循真实分布Pr的场景;
鉴别器:鉴别器和生成器同时进行训练,鉴别器的输入来自真实样本和生成器的输出,输出值Preal反映输入样本属于真实样本的程度:
Preal=D(x;θ(D)) (1)
其中x代表鉴别器的输入,鉴别器的目标是尽可能区分真实分布Pr与生成分布PZ。
3.根据权利要求1所述的一种基于生成对抗网络的柔性负荷场景生成和缩减方法,其特征在于,所述的步骤3具体包括如下:
在GAN模型训练方面,应用沃瑟斯坦Wasserstein距离作为鉴别器的损失函数,Wasserstein距离W(Pr,PG)直接衡量真实分布与生成分布之间的差异:
其中Pr为真实分布,PG为生成分布,x代表鉴别器的负荷数据输入,sup代表最小上界,生成样本输出即场景设为G,随机噪声z的分布为PZ,鉴别器网络为D,E表示对应分布的期望值;鉴别器函数需要满足1-Lipschitz约束,即:
D(x1)-D(x2)|≤|x1-x2| (3)
x1和x2为两种负荷历史时序数据,应用Wasserstein距离作为衡量分布差异的指标要求鉴别器网络满足Lipschitz约束;
梯度惩罚项GP以及一致性项CT使得鉴别器满足在数据采样点以及真实域样本处的Lipschitz约束;本方法提出改进一致性项;进一步控制鉴别器的倒数第二层可以略微提高性能;改进一致性项ICT的形式如下:控制鉴别器的倒数第二层改进一致性项的形式如下:
其中G(z)',G(z)”为生成域样本处的采样点,d代表在输入空间上的l2度量,D_(·)代表鉴别器的倒数第二层,M'是一个有界常数;
将本方法提出的改进一致性项ICT同上述梯度惩罚项GP和一致性项CT结合起来,能够保证鉴别器网络在全局范围内均能满足Lipschitz约束,最终鉴别器的损失函数LICT如下:
鉴于生成域样本小概率不满足Lipschitz约束,因此,参数λ3应小于参数λ2;在训练的后期,生成域样本几乎等同于真实域样本;通过实验验证,略微下调λ2并设置λ3≈0.1λ2能够取得较好的训练效果。
4.根据权利要求1所述的一种基于生成对抗网络的柔性负荷场景生成和缩减方法,其特征在于,所述的步骤5具体包括如下
场景生成过程形成了大量的离散化场景来近似工业园区柔性负荷出力过程,但在概率测度P下的场景集过于庞大,因此引入场景缩减概念,采用一个仅含有少数场景组成的概率测度Q,来近似P下的场景,获取最佳简化场景集即为场景缩减过程;采用同步回代缩减方法,是通过迭代的方法在每一步中缩减一个场景,同时改变其他场景的概率,直到场景集剩下指定数目的场景;
首先用Kantorovich康托洛维奇距离定义两场景之间的距离,即场景之间的2-范数如下:
负荷出力的随机过程可视为一个随时间变化的向量P=(P1,P2,…,Pt)T,t为预测长度,Ci为聚类算法第i个类簇场景集合,s(i)和s(j)分别为场景集合Ci和Cj中的场景;和分别为s(i)和s(j)在场景集合Ci和Cj中的概率;d(s(i),s(j))为场景s(i)和s(j)的欧氏距离;具体场景缩减步骤如下:
1)确定原始场景概率:在原始场景个数为N,且每个场景具有相同的概率1/N;
通过计算概率距离找出与其他场景距离最近的场景,同时考虑计算距离与概率,使得保留下来的场景概率大且具有代表性;
3)改变场景的总数以及相应场景对应概率:场景总数N=N-1,将剔除场景的概率加到离该场景最近的场景上,保证保留场景概率和为1;
4)若剩余场景总数N大于指定保留场景个数,返回步骤1),直到缩减至指定保留场景个数。
5.根据权利要求4所述的一种基于生成对抗网络的柔性负荷场景生成和缩减方法,其特征在于:在所述步骤5中,生成回代场景的好坏可通过相应的评价指标来评估,在传统的ES指标中考虑概率距离并结合BS指标进行场景评价,ES指标Et如下式:
其中:pt为实测工业园区柔性负荷场出力;为工业园区柔性负荷场预测场景出力;Pi和Pj为场景概率;由上式可看出,ES指标着重于工业园区柔性负荷场景与实测值累积分布函数的距离,其值越小,则表明两者越接近,那么生成场景的更符合实际;
为从不同的方面描述生成场景的好坏,进一步引入BS指标,BS指标结合了事件诊断的方法,首先定义需要诊断的事件,从两个方面来考虑,一是工业园区柔性负荷功率场景在确定时间内的波动情况,二是工业园区柔性负荷功率场景大于确定出力的持续时间;BS指标侧重于计算某一事件在场景与实测值中发生概率的差值,故BS指标越小,说明场景与实测值出力的波动特性越接近;针对日前调度场景生成问题,本方法确定如下4个诊断事件:
1)事件1:工业园区柔性负荷功率在1小时的时间内的波动量大于10%;
2)事件2:工业园区柔性负荷功率在2小时的时间内的波动量大于10%;
3)事件3:工业园区柔性负荷功率在4小时的时间内的出力值持续大于30%;
4)事件4:工业园区柔性负荷功率在4小时的时间内的出力值持续大于40%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111426934.8A CN114372554A (zh) | 2021-11-28 | 2021-11-28 | 一种基于生成对抗网络的柔性负荷场景生成和缩减方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111426934.8A CN114372554A (zh) | 2021-11-28 | 2021-11-28 | 一种基于生成对抗网络的柔性负荷场景生成和缩减方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114372554A true CN114372554A (zh) | 2022-04-19 |
Family
ID=81138864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111426934.8A Pending CN114372554A (zh) | 2021-11-28 | 2021-11-28 | 一种基于生成对抗网络的柔性负荷场景生成和缩减方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372554A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109120652A (zh) * | 2018-11-09 | 2019-01-01 | 重庆邮电大学 | 基于差分wgan网络安全态势预测 |
CN109978165A (zh) * | 2019-04-04 | 2019-07-05 | 重庆大学 | 一种融合自注意力机制的生成对抗网络方法 |
US20190295302A1 (en) * | 2018-03-22 | 2019-09-26 | Northeastern University | Segmentation Guided Image Generation With Adversarial Networks |
CN110852597A (zh) * | 2019-11-07 | 2020-02-28 | 东南大学 | 基于生成对抗网络的用电高峰时段居民负荷占比计算方法 |
US20200372297A1 (en) * | 2019-05-23 | 2020-11-26 | Robert Bosch Gmbh | Method for training a generative adversarial network (gan), generative adversarial network, computer program, machine-readable memory medium, and device |
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
- 2021-11-28 CN CN202111426934.8A patent/CN114372554A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190295302A1 (en) * | 2018-03-22 | 2019-09-26 | Northeastern University | Segmentation Guided Image Generation With Adversarial Networks |
CN109120652A (zh) * | 2018-11-09 | 2019-01-01 | 重庆邮电大学 | 基于差分wgan网络安全态势预测 |
CN109978165A (zh) * | 2019-04-04 | 2019-07-05 | 重庆大学 | 一种融合自注意力机制的生成对抗网络方法 |
US20200372297A1 (en) * | 2019-05-23 | 2020-11-26 | Robert Bosch Gmbh | Method for training a generative adversarial network (gan), generative adversarial network, computer program, machine-readable memory medium, and device |
CN110852597A (zh) * | 2019-11-07 | 2020-02-28 | 东南大学 | 基于生成对抗网络的用电高峰时段居民负荷占比计算方法 |
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 |
Non-Patent Citations (1)
Title |
---|
周立君 等: "一种基于GAN和自适应迁移学习的样本生成方法", 应用光学, no. 01, 15 January 2020 (2020-01-15), pages 130 - 136 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | Planning of distributed renewable energy systems under uncertainty based on statistical machine learning | |
CN106779165B (zh) | 基于城市空气质量预测技术的电力系统环境调度方法 | |
Ge et al. | Data-driven spatial-temporal prediction of electric vehicle load profile considering charging behavior | |
CN111144728A (zh) | 基于深度强化学习的热电联产系统经济调度方法 | |
Padmanaban et al. | Electric vehicles and IoT in smart cities | |
CN105790266A (zh) | 一种微电网并行多目标鲁棒优化调度集成控制方法 | |
Noorollahi et al. | A scenario-based approach for optimal operation of energy hub under different schemes and structures | |
Dai et al. | Robust energy management for a corporate energy system with shift-working V2G | |
Jiao et al. | Tri-stage optimal dispatch for a microgrid in the presence of uncertainties introduced by EVs and PV | |
Mirjalili et al. | A comparative study of machine learning and deep learning methods for energy balance prediction in a hybrid building-renewable energy system | |
Liu et al. | Design and evaluation of micro energy network considering P2G‐based storage system using two‐stage stochastic programming | |
Twum-Duah et al. | A comparison of direct and indirect flexibilities on the self-consumption of an office building: The case of predis-mhi, a smart office building | |
Peng et al. | CO2 emission coupled power generation mix evolution: A system dynamics approach | |
Gao et al. | Multi-energy sharing optimization for a building cluster towards net-zero energy system | |
Tong et al. | An intelligent scheduling control method for smart grid based on deep learning | |
CN113723793A (zh) | 园区综合能源系统的实现方法、装置、设备和介质 | |
Khodadadi et al. | Data-Driven hierarchical energy management in multi-integrated energy systems considering integrated demand response programs and energy storage system participation based on MADRL approach | |
Wang et al. | Research on short‐term and mid‐long term optimal dispatch of multi‐energy complementary power generation system | |
WO2024055526A1 (zh) | 一种电动汽车充电负荷的预测方法及系统 | |
He et al. | Coordinated planning of charging swapping stations and active distribution network based on EV spatial‐temporal load forecasting | |
Dong et al. | Low Carbon Economic Dispatch of Integrated Energy System Considering Power Supply Reliability and Integrated Demand Response. | |
Zhang et al. | Research on integrated energy system of power grid based on artificial intelligence algorithm of machine learning | |
CN114372554A (zh) | 一种基于生成对抗网络的柔性负荷场景生成和缩减方法 | |
Zhang et al. | Energy economy and energy structure optimization countermeasures based on big data mining | |
Wang et al. | A load profile management integrated power dispatch using a Newton-like particle swarm optimization method |
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 |