CN115758131B - 基于校正条件生成对抗网络的风电场景数据生成方法、装置及系统 - Google Patents

Abstract

本发明公开了一种基于校正条件生成对抗网络的风电场景数据生成方法、装置及系统，包括将获取到的预测风电数据和真实风电数据划分为训练集和测试集；获取预设的校正条件生成对抗网络，所述校正条件生成对抗网络包括条件校正器、判别器和生成器；所述条件校正器用于对接收到的数据进行校正，其输出端分别与所述判别器和生成器相连；利用所述训练集训练所述校正条件生成对抗网络，直至判别器和生成器之间达到Nash均衡；利用训练好的校正条件生成对抗网络输出风电场景数据。本发明能够获得更加准确的风电场景数据。

Description

基于校正条件生成对抗网络的风电场景数据生成方法、装置 及系统

技术领域

本发明属于风电出力场景数据生成领域，具体涉及一种基于校正条件生成对抗网络的风电场景数据生成方法、装置及系统。

背景技术

风电出力场景是电力系统规划、运行的数据基础。统计学方法描述风电出力的不确定性成为了常用方法。统计学方法采用先验的统计模型，通过拟合风电历史数据并求解模型的参数，再进行抽样以生成风电出力场景。统计理论下的风电场景生成方法包括：蒙特卡洛抽样、场景树、动态场景树和马尔可夫链等。采用统计理论描述风电出力需假设固定及先验的概率模型，而风电出力的模糊性和随机性难以满足不变的概率模型，且概率模型的参数维度决定了该方法难以全面地描述风电不确定性出力的高维特征，生成场景数据存在特征模态单一、波动范围大、精度欠佳等问题。

发明内容

针对上述问题，本发明提出一种基于校正条件生成对抗网络的风电场景数据生成方法、装置及系统，充分考虑了风电历史预测数据的准确性，在生成对抗网络中设计条件校正器，能够准确识别风电预测失准事件和风电爬坡事件，对作为条件信息的风电历史预测数据进行清洗，保证条件信息的高度可参考性。

为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

第一方面，本发明提供了一种基于校正条件生成对抗网络的风电场景数据生成方法，包括：

将获取到的预测风电数据和真实风电数据划分为训练集和测试集；

获取预设的校正条件生成对抗网络，所述校正条件生成对抗网络包括条件校正器、判别器和生成器；所述条件校正器用于对接收到的数据进行校正，其输出端分别与所述判别器和生成器相连；

利用所述训练集训练所述校正条件生成对抗网络，直至判别器和生成器之间达到Nash均衡；

利用所述训练集和测试集对训练好的校正条件生成对抗网络完成交叉验证；

利用训练好的校正条件生成对抗网络输出风电场景数据。

可选地，所述利用所述训练集训练所述校正条件生成对抗网络，直至判别器和生成器之间达到Nash均衡，包括以下步骤：

将所述训练集中的预测风电数据和真实风电数据均输入至所述条件校正器，由所述条件校正器对训练集中的数据进行校正，获得校正条件数据，并将所述校正条件数据分别发送至判别器和生成器；

将所述训练集中的真实风电数据输入至所述判别器；

利用所述生成器的多层卷积不断提取校正条件数据的分布特征，得到生成数据；

利用所述判别器的多层卷积完成校正条件数据与生成数据之间的分类监督学习任务，通过与生成器的反复博弈，直至达到Nash均衡。

可选地，所述条件校正器包括第一层网络和第二层网络；

将训练集中的预测风电数据分为预测失准事件A1和预测合理事件A2；

当所述训练集输入至所述条件校正器后，利用所述第一层网络根据预测误差，判断预测失准事件A1是否发生；

当判断完预测失准事件A1后，利用所述第二层网络基于改进旋转门算法识别出预测失准事件A1下的风电爬坡事件A3；

将预测风电数据中识别为风电爬坡事件A3的数据片段保留，剩余数据片段利用对应的真实风电数据替换，生成新的预测风电数据，用作条件标签输入至生成器和判别器。

可选地，所述利用所述第一层网络根据预测误差，判断预测失准事件A1是否发生，具体包括：

基于训练集中的预测风电数据和真实风电数据，计算出预测误差；

当所述预测误差满足时，则判定发生预测失准事件A1，其中，T^e为预测误差持续时长；t为风电预测时间点；Δt为风电预测的时间间隔；RMSE为均方根误差，y_t，分别为t时刻风电功率的实际值和预测值，m为样本长度；p_t为风电功率；为预测误差满足上限时可接受的时长；

当所述预测误差满足时，则判定发生预测合理事件A2。

可选地，所述利用所述第二层网络基于改进旋转门算法识别出预测失准事件A1下的风电爬坡事件A3，具体包括：

将训练集中的真实风电数据输入至旋转门算法模块；

利用旋转门算法模块将真实风电数据划分为若干个阶段，并根据风电爬坡事件A3的定义判断每个阶段是否有风电爬坡事件A3发生；其中，风电爬坡事件A3定义具体为：风电功率的变化幅度与额定功率相比满足第一设定比例，则记为爬坡事件，或风电功率的变化幅度与额定功率相比满足第二设定比例且持续时间满足预设阈值，则记为爬坡事件；

利用旋转门算法模块输出整个真实风电数据的判断结果，完成风电爬坡事件A3的识别；

所述将预测风电数据中识别为风电爬坡事件A3的数据片段保留，具体为：

将所述判断结果按时段对应到预测风电数据，获得预测风电数据中识别为风电爬坡事件A3的数据片段；

保留预测风电数据中识别为风电爬坡事件A3的数据片段。

可选地，所述判别器和生成器中的卷积均采用膨胀卷积。

第二方面，本发明提供了一种基于校正条件生成对抗网络的风电场景数据生成装置，其特征在于，包括：

数据划分模块，被配置为用于将获取到的预测风电数据和真实风电数据划分为训练集和测试集；

获取模块，被配置为用于获取预设的校正条件生成对抗网络，所述校正条件生成对抗网络包括条件校正器、判别器和生成器；所述条件校正器用于对接收到的数据进行校正，其输出端分别与所述判别器和生成器相连；

训练模块，被配置为用于利用所述训练集训练所述校正条件生成对抗网络，直至判别器和生成器之间达到Nash均衡；

交叉验证模块，被配置为用于利用所述训练集和测试集对训练好的校正条件生成对抗网络完成交叉验证；

风电场景数据输出模块，被配置为用于利用训练好的校正条件生成对抗网络输出风电场景数据。

可选地，所述训练模块包括：

校正子模块，被配置为用于将所述训练集中的预测风电数据和真实风电数据均输入至所述条件校正器，由所述条件校正器对训练集中的数据进行校正，获得校正条件数据，并将所述校正条件数据分别发送至判别器和生成器；

数据输入模块，被配置为用于将所述训练集中的真实风电数据输入至所述判别器；

数据生成模块，被配置为用于利用所述生成器的多层卷积不断提取校正条件数据的分布特征，得到生成数据；

数据判别模块，利用所述判别器的多层卷积完成校正条件数据与生成数据之间的分类监督学习任务，通过与生成器的反复博弈，直至达到Nash均衡。

可选地，所述条件校正器包括第一层网络和第二层网络；

将训练集中的预测风电数据分为预测失准事件A1和预测合理事件A2；

当所述训练集输入至所述条件校正器后，利用所述第一层网络根据预测误差，判断预测失准事件A1是否发生；

当判断完预测失准事件A1后，利用所述第二层网络基于改进旋转门算法识别出预测失准事件A1下的风电爬坡事件A3；

将预测风电数据中识别为风电爬坡事件A3的数据片段保留，剩余数据片段利用对应的真实风电数据替换，生成新的预测风电数据，用作条件标签输入至生成器和判别器。

可选地，所述利用所述第一层网络根据预测误差，判断预测失准事件A1是否发生，具体包括：

基于训练集中的预测风电数据和真实风电数据，计算出预测误差；

当所述预测误差满足时，则判定发生预测失准事件A1，其中，T^e为预测误差持续时长；t为风电预测时间点；Δt为风电预测的时间间隔；RMSE为均方根误差，y_t，分别为t时刻风电功率的实际值和预测值，m为样本长度；p_t为风电功率；为预测误差满足上限时可接受的时长；

当所述预测误差满足时，则判定发生预测合理事件A2。

可选地，所述利用所述第二层网络基于改进旋转门算法识别出预测失准事件A1下的风电爬坡事件A3，具体包括：

将训练集中的真实风电数据输入至旋转门算法模块；

利用旋转门算法模块将真实风电数据划分为若干个阶段，并根据风电爬坡事件A3的定义判断每个阶段是否有风电爬坡事件A3发生；其中，风电爬坡事件A3定义具体为：风电功率的变化幅度与额定功率相比满足第一设定比例，则记为爬坡事件，或风电功率的变化幅度与额定功率相比满足第二设定比例且持续时间满足预设阈值，则记为爬坡事件；

利用旋转门算法模块输出整个真实风电数据的判断结果，完成风电爬坡事件A3的识别；

所述将预测风电数据中识别为风电爬坡事件A3的数据片段保留，具体为：

将所述判断结果按时段对应到预测风电数据，获得预测风电数据中识别为风电爬坡事件A3的数据片段；

保留预测风电数据中识别为风电爬坡事件A3的数据片段。

第三方面，本发明提供了一种基于校正条件生成对抗网络的风电场景数据生成系统，包括存储介质和处理器；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述方法的步骤。

与现有技术相比，本发明的有益效果：

本发明提出一种基于校正条件生成对抗网络的风电场景数据生成方法、装置及系统，充分考虑了风电历史预测数据的准确性，在生成对抗网络中设计条件校正器，利用预测误差准确识别出风电预测失准事件，并利用改进旋转门算法识别处风电爬坡事件，实现对标签信息的准确性加以判别，进而实现对作为条件信息的风电历史预测数据进行清洗，保证条件信息的高度可参考，提升校正条件生成对抗网络训练的稳定性和收敛性，缓解校正条件生成对抗网络崩溃的问题，最终获得更加准确的风电场景数据。

附图说明

为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：

图1为本发明一种实施例的条件生成对抗网络图的结构示意图；

图2为本发明一种实施例的校正条件生成对抗网络图的结构示意图；

图3为本发明一种实施例的膨胀卷积操作示意图；

图4为本发明一种实施例的条件校正器工作原理示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。

下面结合附图对本发明的应用原理作详细的描述。

为实现风电的高效消纳，刻画风电出力的间歇性、随机性和波动性成为有待解决的关键问题。目前以生成对抗网络为代表的深度学习在数据和场景生成方面极具技术优势。利用生成对抗网络能学习训练数据中的高维流形特征，能一定程度解决风电时序数据建模和生成困难的问题，但是最终生成的风电场景数据准确性不高。为此，本发明充分考虑了风电历史预测数据的准确性，在生成对抗网络中设计条件校正器，能够准确识别风电预测失准事件和风电爬坡事件，对作为条件信息的风电历史预测数据进行清洗，保证条件信息的高度可参考性，最终能够获得更加准确的风电场景数据。

实施例1

本发明实施例中提供了一种基于校正条件生成对抗网络的风电场景数据生成方法，包括以下步骤：

(1)将获取到的预测风电数据和真实风电数据划分为训练集和测试集；

(2)获取预设的校正条件生成对抗网络，所述校正条件生成对抗网络包括条件校正器、判别器和生成器；所述条件校正器用于对接收到的数据进行校正，其输出端分别与所述判别器和生成器相连；

(3)利用所述训练集训练所述校正条件生成对抗网络，直至判别器和生成器之间达到Nash均衡；

(4)利用所述训练集和测试集对训练好的校正条件生成对抗网络完成交叉验证；

(5)利用训练好的校正条件生成对抗网络输出风电场景数据。

在本发明实施例的一种具体实施方式中，所述将获取到的预测风电数据和真实风电数据划分为训练集和测试集，可以通过以下子步骤实现：

分别采集预测风电数据(即历史预测数据)和真实风电数据(即历史实测数据)，所述预测风电数据和真实风电数据的样本维度须相同，按1:4的比例随机分配测试解和样本集的样本数量。在具体实施过程中，所述1:4的比例可以根据实际情况进行修改。

在本发明实施例的一种具体实施方式中，所述校正条件生成对抗网络可以通过以下步骤来构建：

a)构建条件生成对抗网络：

条件生成对抗网络包括两个深度神经网络：判别器和生成器。所述生成器的通过学习预测风电数据的潜在分布将随机噪声信号映射到生成样本中，判别器尽可能判断输入数据是真实风电数据还是条件信息(即预测风电数据)下生成的数据。

如图1所示，预测风电数据为条件信息c(也可以称为标签信息c)，该条件信息输入判别器使其区别于常规的无监督生成对抗网络。生成器和判别器的内部层次结构均可包括卷积层、池化层和全连接层，以实现卷积、激活函数和批标准化操作，完成对风电时序和幅值特征信息的提取和识别。

随机噪声信号z和条件信息c合成输入生成器，而生成器将生成含条件信息的场景样本判别器有两个任务：

第一、判断生成数据是否满足条件信息c；

第二、判断生成数据的分布与真实风电数据的分布之间的概率距离。可采用Wasserstein距离描述，该概率距离W定义如下：

式中：表示满足风电实测功率分布和预测功率分布的联合概率密度分布；为分布间的概率测度。根据1-Lipschitz连续和梯度罚函数变换，该概率测度下判别器的目标函数表示如下：

式中：E表示不同分布的期望值；D(～)为判别器的目标函数。上式可理解为一个带条件信息的极大极小值博弈问题，生成器希望提升生成样本被判别器判断为真的概率，而判别器希望尽可能提升其自身判断出生成器生成的样本为假的概率，经过反复博弈，生成器可生成符合条件信息的并接近真实风电样本的场景数据。判别器和生成器中均有卷积操作，本发明实施例中为提升卷积操作捕捉风电出力在纵向和横向相关性的能力，引入膨胀卷积。通过修改膨胀率，不同的膨胀率对应不同的感受野，即卷积核中填充0，进而获得样本的高维信息。图3为不同膨胀率的卷积示意。

b)构建条件校正器

条件信息作为生成器的输入是具有标签作用的。在实际风电预测问题中，风电本身的随机性、模糊性，以及预测间隔等问题都会造成预测精度不理想。若采用预测精度较差的数据作为条件信息输入生成器，将引入错误的标签信息，导致生成器生成偏离实际的场景数据。因此，本发明在条件生成对抗网络的基础上设计条件校正器构成如图2的校正条件生成对抗网络。

对比图1，图2中风电历史预测数据不再直接输入生成器，而是先与真实风电数据x联合输入条件校正器，由条件校正器进行数据校正，生成校正后的校正风电数据再分别输入生成器和判别器。生成器的多层卷积不断提取校正风电数据的分布特征。同理，判别器也不再使用未经校正的条件信息，同样经过多层卷积操作，完成校正风电数据与生成数据之间的分类监督学习任务。最终，通过反复的博弈可达到Nash均衡，生成器可生成符合校正条件并接近真实风电数据的风电场景数据。

在实际应用过程中，可以基于改进旋转门算法构建条件校正器，条件校正器构造方法如下：

首先对预测误差e_t进行如下定义：

e_t＝P_t ^real-P_t ^pre (3)

式中：P_t ^real、P_t ^pre分别为t时刻风电功率的实际值和预测值，时间分辨率为15分钟，即t＝15min，(也可以根据实际需要进行适应性设计)。要求预测的月均方根误差率应小于20％，具体到分配到每个预测间隔内的预测误差方根误差率也应低于20％。

当所述预测误差满足时，则判定发生预测失准事件A1，其中，T^e为预测误差持续时长，t为风电预测时间点；Δt为风电预测的时间间隔；RMSE为均方根误差，y_t，分别为t时刻风电功率的实际值和预测值，m为样本长度；p_t为风电功率；为预测误差满足上限时可接受的时长。

当所述预测误差满足时，则判定发生预测合理事件A2。

预测失准事件A1定义中需要排除一类特殊情况，即风电爬坡事件。风电爬坡事件A3是指短时间风电功率急剧的上升和下降的情况，可由下式表示：

式中：为爬坡事件的门槛值。风电爬坡是一类小概率突发事件，且难以挖掘其统计规律，这种情况下实际风电出力往往会极大地偏离合理的风电波动区间。

根据以上对预测事件的划分，为校正条件信息，图4设计了基于预测误差的条件校正器。

图4中的条件校正器有两层网络构成，分别定义为第一层网络和第二层网络，首先根据预测误差判断预测失准事件A1是否发生，当判断完预测失准事件A1后，启动改进旋转门算法，用于识别预测失准事件A1下的风电爬坡事件A3。即当所述训练集输入至所述条件校正器后，利用所述第一层网络根据预测误差，判断预测失准事件A1是否发生；当判断完预测失准事件A1后，利用所述第二层网络基于改进旋转门算法识别出预测失准事件A1下的风电爬坡事件A3。

改进旋转门算法可将风电时序的趋势化特征识别。首先需构造得分函数S，而爬坡事件的检测可转换为求解得分函数最大值的动态优化问题，该问题的目标函数J及其约束表示如下：

S(i,j)＝(j-i)²×A3(i,j) (10)

式中：目标函数J(i,j)在子区间内需取得最大值；S(i,k)是子区间中的得分值。爬坡趋势需满足式(9)。得分函数可具体表达为式(10)。A3(i,j)为子区间(i,j)上的爬坡事件标志位，为0-1变量，取值为1是代表爬坡事件发生，而取0时则在该子区间上没有发生爬坡事件。

改进旋转门算法的主要流程如下：将训练集中的真实风电数据输入至旋转门算法模块；

利用旋转门算法模块将真实风电数据划分为若干个阶段，并根据风电爬坡事件A3的定义判断每个阶段是否有风电爬坡事件A3发生；其中，风电爬坡事件A3定义具体为：风电功率的变化幅度与额定功率相比满足第一设定比例，则记为爬坡事件，或风电功率的变化幅度与额定功率相比满足第二设定比例且持续时间满足预设阈值，则记为爬坡事件；在具体实施过程中，可以做如下设置：风电功率的变化幅度大于额定功率的25％，记为风电爬坡事件；或风电功率的变化幅度大于额定功率的20％且持续时间大于4小时，记为风电爬坡事件。

所述旋转门算法模块输出整个真实风电数据的判断结果，完成风电爬坡事件A3的识别；将判断结果按时段对应到预测风电数据，并对预测风电数据进行校正操作。

校正操作如下：将所述判断结果按时段对应到预测风电数据，获得预测风电数据中识别为风电爬坡事件A3的数据片段；保留预测风电数据中识别为风电爬坡事件A3的数据片段，剩余预测风电数据片段被真实风电数据替换，获得新的预测风电数据，所述新的预测风电数据用作校正条件标签输入生成器和判别器。具体地，在进行数据拼接得到校正条件数据时，当预测失准时使用真实风电数据替代预测风电数据，如图2中以替代而风电爬坡事件A3和预测合理A2的时段内仍将预测数据作为条件输入生成器和判别器。在实际应用过程中，可以采用Python编程语言，基于Pytorch框架搭建本发明实施例中的校正条件生成对抗网络。

在本发明实施例的一种具体实施方式中，所述利用所述训练集训练所述校正条件生成对抗网络，直至判别器和生成器之间达到Nash均衡，包括以下步骤：

将所述训练集中的预测风电数据和真实风电数据均输入至所述条件校正器，由所述条件校正器对训练集中的数据进行校正，获得校正条件数据，并将所述校正条件数据分别发送至判别器和生成器；

将所述训练集中的真实风电数据输入至所述判别器；

利用所述生成器的多层卷积不断提取校正条件数据的分布特征，得到生成数据；

利用所述判别器的多层卷积完成校正条件数据与生成数据之间的分类监督学习任务，通过与生成器的反复博弈，直至达到Nash均衡。

在本发明实施例的一种具体实施方式中，所述利用所述训练集和测试集对训练好的校正条件生成对抗网络完成交叉验证，具体包括以下步骤：

基于CUDA的模型并行加速训练；

a)准备CUDA设备，选择CUDA11版本；

b)准备CUDA环境，安装cuDNN；

c)利用CUDA指令读取数据，开始训练；

d)完成k-flod交叉验证，k取10，k-1份用于训练，1份用于验证，把每次模型的性能记录下来。

实施例2

基于与实施例1相同的发明构思，本发明实施例中提供了一种基于校正条件生成对抗网络的风电场景数据生成装置，包括：

数据划分模块，被配置为用于将获取到的预测风电数据和真实风电数据划分为训练集和测试集；

获取模块，被配置为用于获取预设的校正条件生成对抗网络，所述校正条件生成对抗网络包括条件校正器、判别器和生成器；所述条件校正器用于对接收到的数据进行校正，其输出端分别与所述判别器和生成器相连；

训练模块，被配置为用于利用所述训练集训练所述校正条件生成对抗网络，直至判别器和生成器之间达到Nash均衡；

风电场景数据输出模块，被配置为用于利用训练好的校正条件生成对抗网络输出风电场景数据。

本发明实施例中的基于校正条件生成对抗网络的风电场景数据生成装置，充分考虑了风电历史预测数据的准确性，在生成对抗网络中设计条件校正器，利用预测误差准确识别出风电预测失准事件，并利用改进旋转门算法识别处风电爬坡事件，实现对标签信息的准确性加以判别，进而实现对作为条件信息的风电历史预测数据进行清洗，保证条件信息的高度可参考，提升校正条件生成对抗网络训练的稳定性和收敛性，缓解校正条件生成对抗网络崩溃的问题，最终获得更加准确的风电场景数据。

在本发明实施例的一种具体实施方式中，所述将获取到的预测风电数据和真实风电数据划分为训练集和测试集，可以通过以下子步骤实现：

分别采集预测风电数据(即历史预测数据)和真实风电数据(即历史实测数据)，所述预测风电数据和真实风电数据的样本维度须相同，按1:4的比例随机分配测试解和样本集的样本数量。在具体实施过程中，所述1:4的比例可以根据实际情况进行修改。

在本发明实施例的一种具体实施方式中，所述校正条件生成对抗网络可以通过以下步骤来构建：

a)构建条件生成对抗网络：

条件生成对抗网络包括两个深度神经网络：判别器和生成器。所述生成器的通过学习预测风电数据的潜在分布将随机噪声信号映射到生成样本中，判别器尽可能判断输入数据是真实风电数据还是条件信息(即预测风电数据)下生成的数据。

如图1所示，预测风电数据为条件信息c(也可以称为标签信息c)，该条件信息输入判别器使其区别于常规的无监督生成对抗网络。生成器和判别器的内部层次结构均可包括卷积层、池化层和全连接层，以实现卷积、激活函数和批标准化操作，完成对风电时序和幅值特征信息的提取和识别。

随机噪声信号z和条件信息c合成输入生成器，而生成器将生成含条件信息的场景样本判别器有两个任务：

第一、判断生成数据是否满足条件信息c；

第二、判断生成数据的分布与真实风电数据的分布之间的概率距离。可采用Wasserstein距离描述，该概率距离W定义如下：

式中：表示满足风电实测功率分布和预测功率分布的联合概率密度分布；为分布间的概率测度。根据1-Lipschitz连续和梯度罚函数变换，该概率测度下判别器的目标函数表示如下：

式中：E表示不同分布的期望值；D(～)为判别器的目标函数。上式可理解为一个带条件信息的极大极小值博弈问题，生成器希望提升生成样本被判别器判断为真的概率，而判别器希望尽可能提升其自身判断出生成器生成的样本为假的概率，经过反复博弈，生成器可生成符合条件信息的并接近真实风电样本的场景数据。判别器和生成器中均有卷积操作，本发明实施例中为提升卷积操作捕捉风电出力在纵向和横向相关性的能力，引入膨胀卷积。通过修改膨胀率，不同的膨胀率对应不同的感受野，即卷积核中填充0，进而获得样本的高维信息。图3为不同膨胀率的卷积示意。

b)构建条件校正器

条件信息作为生成器的输入是具有标签作用的。在实际风电预测问题中，风电本身的随机性、模糊性，以及预测间隔等问题都会造成预测精度不理想。若采用预测精度较差的数据作为条件信息输入生成器，将引入错误的标签信息，导致生成器生成偏离实际的场景数据。因此，本发明在条件生成对抗网络的基础上设计条件校正器构成如图2的校正条件生成对抗网络。

对比图1，图2中风电历史预测数据不再直接输入生成器，而是先与真实风电数据x联合输入条件校正器，由条件校正器进行数据校正，生成校正后的校正风电数据再分别输入生成器和判别器。生成器的多层卷积不断提取校正风电数据的分布特征。同理，判别器也不再使用未经校正的条件信息，同样经过多层卷积操作，完成校正风电数据与生成数据之间的分类监督学习任务。最终，通过反复的博弈可达到Nash均衡，生成器可生成符合校正条件并接近真实风电数据的风电场景数据。

在实际应用过程中，可以基于改进旋转门算法构建条件校正器，条件校正器构造方法如下：

首先对预测误差e_t进行如下定义：

e_t＝P_t ^real-P_t ^pre (3)

式中：P_t ^real、P_t ^pre分别为t时刻风电功率的实际值和预测值，时间分辨率为15分钟，即t＝15min，(也可以根据实际需要进行适应性设计)。要求预测的月均方根误差率应小于20％，具体到分配到每个预测间隔内的预测误差方根误差率也应低于20％。

当所述预测误差满足时，则判定发生预测失准事件A1，其中，T^e为预测误差持续时长，t为风电预测时间点；Δt为风电预测的时间间隔；RMSE为均方根误差，y_t，分别为t时刻风电功率的实际值和预测值，m为样本长度；p_t为风电功率；为预测误差满足上限时可接受的时长。

当所述预测误差满足时，则判定发生预测合理事件A2。

预测失准事件A1定义中需要排除一类特殊情况，即风电爬坡事件。风电爬坡事件A3是指短时间风电功率急剧的上升和下降的情况，可由下式表示：

式中：为爬坡事件的门槛值。风电爬坡是一类小概率突发事件，且难以挖掘其统计规律，这种情况下实际风电出力往往会极大地偏离合理的风电波动区间。

根据以上对预测事件的划分，为校正条件信息，图4设计了基于预测误差的条件校正器。

图4中的条件校正器有两层网络构成，分别定义为第一层网络和第二层网络，首先根据预测误差判断预测失准事件A1是否发生，当判断完预测失准事件A1后，启动改进旋转门算法，用于识别预测失准事件A1下的风电爬坡事件A3。即当所述训练集输入至所述条件校正器后，利用所述第一层网络根据预测误差，判断预测失准事件A1是否发生；当判断完预测失准事件A1后，利用所述第二层网络基于改进旋转门算法识别出预测失准事件A1下的风电爬坡事件A3。

改进旋转门算法可将风电时序的趋势化特征识别。首先需构造得分函数S，而爬坡事件的检测可转换为求解得分函数最大值的动态优化问题，该问题的目标函数J及其约束表示如下：

S(i,j)＝(j-i)²×A3(i,j) (10)

式中：目标函数J(i,j)在子区间内需取得最大值；S(i,k)是子区间中的得分值。爬坡趋势需满足式(9)。得分函数可具体表达为式(10)。A3(i,j)为子区间(i,j)上的爬坡事件标志位，为0-1变量，取值为1是代表爬坡事件发生，而取0时则在该子区间上没有发生爬坡事件。

改进旋转门算法的主要流程如下：将训练集中的真实风电数据输入至旋转门算法模块；

利用旋转门算法模块将真实风电数据划分为若干个阶段，并根据风电爬坡事件A3的定义判断每个阶段是否有风电爬坡事件A3发生；其中，风电爬坡事件A3定义具体为：风电功率的变化幅度与额定功率相比满足第一设定比例，则记为爬坡事件，或风电功率的变化幅度与额定功率相比满足第二设定比例且持续时间满足预设阈值，则记为爬坡事件；在具体实施过程中，可以做如下设置：风电功率的变化幅度大于额定功率的25％，记为风电爬坡事件；或风电功率的变化幅度大于额定功率的20％且持续时间大于4小时，记为风电爬坡事件。

所述旋转门算法模块输出整个真实风电数据的判断结果，完成风电爬坡事件A3的识别；将判断结果按时段对应到预测风电数据，并对预测风电数据进行校正操作。

校正操作如下：将所述判断结果按时段对应到预测风电数据，获得预测风电数据中识别为风电爬坡事件A3的数据片段；保留预测风电数据中识别为风电爬坡事件A3的数据片段，剩余预测风电数据片段被真实风电数据替换，获得新的预测风电数据，所述新的预测风电数据用作校正条件标签输入生成器和判别器。具体地，在进行数据拼接得到校正条件数据时，当预测失准时使用真实风电数据替代预测风电数据，如图2中以替代而风电爬坡事件A3和预测合理A2的时段内仍将预测数据作为条件输入生成器和判别器。在实际应用过程中，可以采用Python编程语言，基于Pytorch框架搭建本发明实施例中的校正条件生成对抗网络。

在本发明实施例的一种具体实施方式中，所述训练模块包括：

校正子模块，被配置为用于将所述训练集中的预测风电数据和真实风电数据均输入至所述条件校正器，由所述条件校正器对训练集中的数据进行校正，获得校正条件数据，并将所述校正条件数据分别发送至判别器和生成器；

数据输入模块，被配置为用于将所述训练集中的真实风电数据输入至所述判别器；

数据生成模块，被配置为用于利用所述生成器的多层卷积不断提取校正条件数据的分布特征，得到生成数据；

数据判别模块，利用所述判别器的多层卷积完成校正条件数据与生成数据之间的分类监督学习任务，通过与生成器的反复博弈，直至达到Nash均衡。

在本发明实施例的一种具体实施方式中，所述基于校正条件生成对抗网络的风电场景数据生成装置，还包括交叉验证模块，所述交叉验证模块被配置为利用所述训练集和测试集对训练好的校正条件生成对抗网络完成交叉验证，具体包括以下步骤：

基于CUDA的模型并行加速训练；

a)准备CUDA设备，选择CUDA11版本；

b)准备CUDA环境，安装cuDNN；

c)利用CUDA指令读取数据，开始训练；

d)完成k-flod交叉验证，k取10，k-1份用于训练，1份用于验证，把每次模型的性能记录下来。

实施例3

基于与实施例1相同的发明构思，本发明实施例中提供了一种基于校正条件生成对抗网络的风电场景数据生成系统，包括存储介质和处理器；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于校正条件生成对抗网络的风电场景数据生成方法，其特征在于，包括：

将获取到的预测风电数据和真实风电数据划分为训练集和测试集；

获取预设的校正条件生成对抗网络，所述校正条件生成对抗网络包括条件校正器、判别器和生成器；所述条件校正器用于对接收到的数据进行校正，其输出端分别与所述判别器和生成器相连；

利用所述训练集训练所述校正条件生成对抗网络，直至判别器和生成器之间达到Nash均衡；

利用所述训练集和测试集对训练好的校正条件生成对抗网络完成交叉验证；

利用训练好的校正条件生成对抗网络输出风电场景数据；

所述条件校正器包括第一层网络和第二层网络；

将训练集中的预测风电数据分为预测失准事件A1和预测合理事件A2；

当所述训练集输入至所述条件校正器后，利用所述第一层网络根据预测误差，判断预测失准事件A1是否发生；

当判断完预测失准事件A1后，利用所述第二层网络基于改进旋转门算法识别出预测失准事件A1下的风电爬坡事件A3；

将预测风电数据中识别为风电爬坡事件A3的数据片段保留，剩余数据片段利用对应的真实风电数据替换，生成新的预测风电数据，用作条件标签输入至生成器和判别器；所述利用所述第二层网络基于改进旋转门算法识别出预测失准事件A1下的风电爬坡事件A3，具体包括：

将训练集中的真实风电数据输入至旋转门算法模块；

利用旋转门算法模块将真实风电数据划分为若干个阶段，并根据风电爬坡事件A3的定义判断每个阶段是否有风电爬坡事件A3发生；其中，风电爬坡事件A3的定义具体为：风电功率的变化幅度与额定功率相比满足第一设定比例，则记为爬坡事件，或风电功率的变化幅度与额定功率相比满足第二设定比例，且持续时间满足预设阈值，则记为爬坡事件；

利用旋转门算法模块输出真实风电数据的判断结果，完成风电爬坡事件A3的识别；

所述将预测风电数据中识别为风电爬坡事件A3的数据片段保留，具体为：

将所述判断结果按时段对应到预测风电数据，获得预测风电数据中识别为风电爬坡事件A3的数据片段；

保留预测风电数据中识别为风电爬坡事件A3的数据片段。

2.根据权利要求1所述的一种基于校正条件生成对抗网络的风电场景数据生成方法，其特征在于：所述利用所述训练集训练所述校正条件生成对抗网络，直至判别器和生成器之间达到Nash均衡，包括以下步骤：

将所述训练集中的预测风电数据和真实风电数据均输入至所述条件校正器，由所述条件校正器对训练集中的数据进行校正，获得校正条件数据，并将所述校正条件数据分别发送至判别器和生成器；

将所述训练集中的真实风电数据输入至所述判别器；

利用所述生成器的多层卷积不断提取校正条件数据的分布特征，得到生成数据；

利用所述判别器的多层卷积完成校正条件数据与生成数据之间的分类监督学习任务，通过与生成器的反复博弈，直至达到Nash均衡。

3.根据权利要求1所述的一种基于校正条件生成对抗网络的风电场景数据生成方法，其特征在于：所述利用所述第一层网络根据预测误差，判断预测失准事件A1是否发生，具体包括：

基于训练集中的预测风电数据和真实风电数据，计算出预测误差；

当所述预测误差满足时，则判定发生预测失准事件A1，其中，T^e为预测误差持续时长；t为风电预测时间点；Δt为风电预测的时间间隔；RMSE为均方根误差，y_t，分别为t时刻风电功率的实际值和预测值，m为样本长度；p_t为风电功率；为预测误差满足上限时可接受的时长；

当所述预测误差满足时，则判定发生预测合理事件A2。

4.根据权利要求1所述的一种基于校正条件生成对抗网络的风电场景数据生成方法，其特征在于：所述判别器和生成器中的卷积均采用膨胀卷积。

5.一种基于校正条件生成对抗网络的风电场景数据生成装置，其特征在于，包括：

数据划分模块，被配置为用于将获取到的预测风电数据和真实风电数据划分为训练集和测试集；

获取模块，被配置为用于获取预设的校正条件生成对抗网络，所述校正条件生成对抗网络包括条件校正器、判别器和生成器；所述条件校正器用于对接收到的数据进行校正，其输出端分别与所述判别器和生成器相连；

训练模块，被配置为用于利用所述训练集训练所述校正条件生成对抗网络，直至判别器和生成器之间达到Nash均衡；

交叉验证模块，被配置为用于利用所述训练集和测试集对训练好的校正条件生成对抗网络完成交叉验证；

风电场景数据输出模块，被配置为用于利用训练好的校正条件生成对抗网络输出风电场景数据；

所述条件校正器包括第一层网络和第二层网络；

将训练集中的预测风电数据分为预测失准事件A1和预测合理事件A2；

当所述训练集输入至所述条件校正器后，利用所述第一层网络根据预测误差，判断预测失准事件A1是否发生；

当判断完预测失准事件A1后，利用所述第二层网络基于改进旋转门算法识别出预测失准事件A1下的风电爬坡事件A3；

将预测风电数据中识别为风电爬坡事件A3的数据片段保留，剩余数据片段利用对应的真实风电数据替换，生成新的预测风电数据，用作条件标签输入至生成器和判别器；所述利用所述第二层网络基于改进旋转门算法识别出预测失准事件A1下的风电爬坡事件A3，具体包括：

将训练集中的真实风电数据输入至旋转门算法模块；

利用旋转门算法模块将真实风电数据划分为若干个阶段，并根据风电爬坡事件A3的定义判断每个阶段是否有风电爬坡事件A3发生；其中，风电爬坡事件A3的定义具体为：风电功率的变化幅度与额定功率相比满足第一设定比例，则记为爬坡事件，或风电功率的变化幅度与额定功率相比满足第二设定比例，且持续时间满足预设阈值，则记为爬坡事件；

利用旋转门算法模块输出真实风电数据的判断结果，完成风电爬坡事件A3的识别；

所述将预测风电数据中识别为风电爬坡事件A3的数据片段保留，具体为：

将所述判断结果按时段对应到预测风电数据，获得预测风电数据中识别为风电爬坡事件A3的数据片段；

保留预测风电数据中识别为风电爬坡事件A3的数据片段。

6.根据权利要求5所述的一种基于校正条件生成对抗网络的风电场景数据生成装置，其特征在于，所述训练模块包括：

校正子模块，被配置为用于将所述训练集中的预测风电数据和真实风电数据均输入至所述条件校正器，由所述条件校正器对训练集中的数据进行校正，获得校正条件数据，并将所述校正条件数据分别发送至判别器和生成器；

数据输入模块，被配置为用于将所述训练集中的真实风电数据输入至所述判别器；

数据生成模块，被配置为用于利用所述生成器的多层卷积不断提取校正条件数据的分布特征，得到生成数据；

数据判别模块，利用所述判别器的多层卷积完成校正条件数据与生成数据之间的分类监督学习任务，通过与生成器的反复博弈，直至达到Nash均衡。

7.根据权利要求5所述的一种基于校正条件生成对抗网络的风电场景数据生成装置，其特征在于，所述利用所述第一层网络根据预测误差，判断预测失准事件A1是否发生，具体包括：

基于训练集中的预测风电数据和真实风电数据，计算出预测误差；

当所述预测误差满足时，则判定发生预测失准事件A1，其中，T^e为预测误差持续时长；t为风电预测时间点；Δt为风电预测的时间间隔；RMSE为均方根误差，y_t，分别为t时刻风电功率的实际值和预测值，m为样本长度；p_t为风电功率；为预测误差满足上限时可接受的时长；

当所述预测误差满足时，则判定发生预测合理事件A2。

8.一种基于校正条件生成对抗网络的风电场景数据生成系统，其特征在于：包括存储介质和处理器；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1-4中任一项所述方法的步骤。