CN116316890A - 可再生能源出力场景生成方法、装置、设备及介质 - Google Patents
可再生能源出力场景生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116316890A CN116316890A CN202310296231.0A CN202310296231A CN116316890A CN 116316890 A CN116316890 A CN 116316890A CN 202310296231 A CN202310296231 A CN 202310296231A CN 116316890 A CN116316890 A CN 116316890A
- Authority
- CN
- China
- Prior art keywords
- target
- output
- renewable energy
- information
- historical
- 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 69
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000008485 antagonism Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 abstract description 28
- 230000006870 function Effects 0.000 description 28
- 238000012549 training Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
-
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种可再生能源出力场景生成方法、装置、设备及介质。该方法包括:获取目标可再生能源在预设时间段内的目标出力数据;目标出力数据通过对目标可再生能源的输出功率进行预测得到;将目标出力数据按时间顺序进行排序,得到目标可再生能源的目标出力序列;基于预设条件生成对抗网络,根据目标出力序列和目标噪声数据确定目标可再生能源的出力场景;预设条件生成对抗网络用于描述从噪声数据到可再生能源出力场景的映射关系。本技术方案,无需假设可再生能源分布情况,充分考虑了可再生能源的出力数据在时间上的前后关系,并基于预设条件生成对抗网络生成可再生能源的出力场景,提高了可再生能源出力场景生成的准确性和可靠性。
Description
技术领域
本发明涉及新能源场景生成技术领域,尤其涉及一种可再生能源出力场景生成方法、装置、设备及介质。
背景技术
电力系统中的规划与调度问题可以看作最优机组组合问题。随着风电和光伏等新能源设备的大量接入,其出力具有强随机性和不稳定性的特点,导致最优机组组合问题难以求解。在上述背景下,场景生成技术应运而生,它可以将符合某种概率分布的不确定样本变成了大量符合这种概率分布的确定样本。
现有技术中,针对光伏和风电输出功率的场景生成方法有抽样方法和人工智能方法等。抽样方法假设光照和风速符合某种分布,通过对其与输出功率建模生成新能源出力场景。人工智能方法不对样本分布做出假设,生成场景分布取决于学习机学习所用数据质量与学习机学习质量。
然而,抽样方法需要假设风速或光照符合某种分布,而现实中的风速与光照的真实分布可能与假设分布不一致,使得所求最优解不一定最优。人工智能方法仅依照原有历史数据进行场景生成,未考虑数据在时间上的前后关系。虽然每次生成的场景不同,但是生成的场景总是相似的。这种场景生成与功率预测的不协调性将导致系统所求最优解偏离真实情况。
发明内容
本发明提供了一种可再生能源出力场景生成方法、装置、设备及介质,不需要假设可再生能源分布情况,能够充分考虑可再生能源的出力数据在时间上的前后关系,并基于预设条件生成对抗网络生成可再生能源的出力场景,提高了可再生能源出力场景生成的准确性和可靠性。
根据本发明的一方面,提供了一种可再生能源出力场景生成方法,所述方法包括:
获取目标可再生能源在预设时间段内的目标出力数据;所述目标出力数据通过对所述目标可再生能源的输出功率进行预测得到;
将所述目标出力数据按时间顺序进行排序,得到所述目标可再生能源的目标出力序列;
基于预设条件生成对抗网络,根据所述目标出力序列和目标噪声数据确定所述目标可再生能源的出力场景;所述预设条件生成对抗网络用于描述从噪声数据到可再生能源出力场景的映射关系。
根据本发明的另一方面,提供了一种可再生能源出力场景生成装置,包括:
目标出力数据确定模块,用于获取目标可再生能源在预设时间段内的目标出力数据;所述目标出力数据通过对所述目标可再生能源的输出功率进行预测得到;
目标出力序列确定模块,用于将所述目标出力数据按时间顺序进行排序,得到所述目标可再生能源的目标出力序列;
出力场景生成模块,用于基于预设条件生成对抗网络,根据所述目标出力序列和目标噪声数据确定所述目标可再生能源的出力场景;所述预设条件生成对抗网络用于描述从噪声数据到可再生能源出力场景的映射关系。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的可再生能源出力场景生成方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的可再生能源出力场景生成方法。
本发明实施例的技术方案,获取目标可再生能源在预设时间段内的目标出力数据;目标出力数据通过对目标可再生能源的输出功率进行预测得到;将目标出力数据按时间顺序进行排序,得到目标可再生能源的目标出力序列;基于预设条件生成对抗网络,根据目标出力序列和目标噪声数据确定目标可再生能源的出力场景;预设条件生成对抗网络用于描述从噪声数据到可再生能源出力场景的映射关系。本技术方案,不需要假设可再生能源分布情况,能够充分考虑可再生能源的出力数据在时间上的前后关系,并基于预设条件生成对抗网络生成可再生能源的出力场景,提高了可再生能源出力场景生成的准确性和可靠性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,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讲,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是根据本发明实施例一提供的一种可再生能源出力场景生成方法的流程图;
图2是根据本发明实施例一提供的一种编码器构建方法的示意图;
图3是根据本发明实施例一提供的一种生成器构建方法的示意图;
图4是根据本发明实施例二提供的一种可再生能源出力场景生成方法的流程图;
图5是根据本发明实施例三提供的一种可再生能源出力场景生成装置的结构示意图;
图6是实现本发明实施例的一种可再生能源出力场景生成方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种可再生能源出力场景生成方法的流程图,本实施例可适用于生成真实的可再生能源出力场景的情况,该方法可以由可再生能源出力场景生成装置来执行,该可再生能源出力场景生成装置可以采用硬件和/或软件的形式实现,该可再生能源出力场景生成装置可配置于具有数据处理能力的电子设备中。如图1所示,该方法包括:
S110,获取目标可再生能源在预设时间段内的目标出力数据;目标出力数据通过对目标可再生能源的输出功率进行预测得到。
其中,目标可再生能源可以是指用于生成可再生能源出力场景的能源。示例性的,目标可再生能源中可以包括风电和光伏等新能源。预设时间段可以是指预先设定的数据预测时间段,具体可以根据实际需求设定。例如,可以将预设时间段设置为当日的第二天(即0点到24点)。
其中,目标出力数据可以是指通过预测得到的目标可再生能源在预设时间段内的输出功率。示例性的,可以根据目标可再生能源在历史时间段内的历史出力数据及其在预设时间段内的天气预报信息,经过预测得到目标可再生能源在预设时间段内每间隔预设时长对应的目标出力数据。其中,历史时间段可以是指当前时刻之前(即历史时刻)的时段。历史出力数据可以是指目标可再生能源在历史时间段内的出力数据。预设时长可以是指预先设定的预测间隔时长,具体可以根据实际需求设定。例如,预设时长可以设置为5分钟或者15分钟等。
S120,将目标出力数据按时间顺序进行排序,得到目标可再生能源的目标出力序列。
其中,目标出力序列可以是指通过将目标出力数据按照时间顺序进行排序所得到的出力序列。
本实施例中,在获取目标可再生能源在预设时间段内的目标出力数据之后,可以将目标出力数据按照时间先后顺序进行排序,得到形如一维向量的形式,即确定目标可再生能源对应的目标出力序列。
S130,基于预设条件生成对抗网络,根据目标出力序列和目标噪声数据确定目标可再生能源的出力场景;预设条件生成对抗网络用于描述从噪声数据到可再生能源出力场景的映射关系。
其中,预设条件生成对抗网络可以是指预先建立的条件生成对抗网络,可以用于描述从噪声数据到可再生能源出力场景的映射关系。其中,目标噪声数据可以是指随机生成的满足预设噪声分布的噪声数据,其可以作为预设条件生成对抗网络的输入参数之一。其中,预设噪声分布可以是指预先设定的用于预设条件生成对抗网络模型训练的噪声分布,如正态分布等。例如,目标噪声数据可以是分布在(0,1)区间内的一维正态分布向量。
具体的,预设条件生成对抗网络属于生成对抗网络(GANs)的一种,但其属于无监督生成式模型,具体可以包括生成器G、判别器D、编码器EC和解码器DC。其中,预设条件生成对抗网络通过生成器与判别器之间的博弈学习提高出力场景生成的真实性。编码器可以用于对目标出力数据进行特征提取,得到目标出力序列所对应的特征信息。解码器可以用于对特征信息进行解码,并根据解码结果指导编码器的训练。示例性的,预设条件生成对抗网络中的所有部件均可以采用隐含层全连接神经网络,激活函数为ReLU函数。其中,为使判别器具有更好效果,可以采用Leaky ReLU函数作为激活函数。
本实施例中,在得到目标可再生能源的目标出力序列之后,可以通过编码器对目标出力序列进行特征提取,所得到的编码值作为预设条件生成对抗网络的标签信息,将标签信息与目标噪声数据一起输入到生成器中,根据生成器输出结果即可得到目标可再生能源的出力场景。
本发明实施例的技术方案,获取目标可再生能源在预设时间段内的目标出力数据;目标出力数据通过对目标可再生能源的输出功率进行预测得到;将目标出力数据按时间顺序进行排序,得到目标可再生能源的目标出力序列;基于预设条件生成对抗网络,根据目标出力序列和目标噪声数据确定目标可再生能源的出力场景;预设条件生成对抗网络用于描述从噪声数据到可再生能源出力场景的映射关系。本技术方案,不需要假设可再生能源分布情况,能够充分考虑可再生能源的出力数据在时间上的前后关系,并基于预设条件生成对抗网络生成可再生能源的出力场景,提高了可再生能源出力场景生成的准确性和可靠性。
在本实施例中,可选的,预设条件生成对抗网络中包括编码器和解码器;编码器的构建过程,包括:获取候选可再生能源在历史时间段内的历史出力数据,将历史出力数据按时间顺序排序得到历史出力序列;通过编码器对历史出力序列进行特征提取,得到历史出力序列的历史特征信息;通过解码器对历史特征信息进行解码,得到历史出力序列对应的候选出力序列;解码器与编码器具有相同网络结构;根据历史出力序列与候选出力序列确定编码器损失信息;若编码器损失信息小于预设损失阈值,则编码器构建完成。
其中,候选可再生能源可以是指用于预设条件生成对抗网络模型训练的可再生能源。历史出力序列可以是指通过将历史出力数据按照时间顺序排序得到的出力序列。历史特征信息可以是指通过编码器对历史出力序列进行特征提取得到的特征信息。其中,特征信息可以根据编码均值和编码方差确定。候选出力序列可以是指通过解码器对历史特征信息进行解码得到的出力序列。编码器损失信息可以是指在编码器构建过程中产生的训练损失信息。预设损失阈值可以是指预先设定的编码器损失信息的参考值,具体可以根据实际需求设定。
图2为本发明实施例一提供的一种编码器构建方法的示意图。其中,Xreal表示历史出力序列;EC和DC分别表示编码器和解码器;z表示编码器输出的编码值(即历史特征信息),其中,μ和δ2分别为编码均值和编码方差,δ表示编码标准差;z~(μ,δ2)表示编码值z为符合编码均值μ和编码方差δ2概率分布的一组向量;表示候选出力序列;LossVAE表示编码器训练损失函数,即指导编码器进行网络参数更新的损失函数,具体可表示为其中,网络参数可以包括网络中每个节点的偏置参数和节点与节点之间的权重参数。噪声数据R取长度为与标签信息(编码均值)具有相同数量级的一维正态分布,即满足R~N(0.5,0.1)。
具体的,编码器训练的目的是,通过更新网络参数使得LossVAE最小。其中,在LossVAE公式中,第一项为重建误差,目的是当编码值靠近编码均值时,解码器输出的出力序列靠近输入的出力序列。具体的,/>可以用于表征编码器的输入与输出向量之间的均方误差,具体可以表示为/>在LossVAE公式中,第二项β×KL[N(μ,δ),N(0.5,0.1)]为求KL散度,目的是减小两概率分布的差异,此处为强制编码器返回的分布接近正态分布。其中,权重参数β可以用于平衡重建误差和KL散度的大小关系。具体的,KL散度可以表示为
如图2所示,本实施例中,在构建预设条件生成对抗网络中的编码器时,首先获取候选可再生能源在历史时间段内的历史出力数据,并将历史出力数据按照时间先后顺序排序得到历史出力序列Xreal。然后通过编码器EC对历史出力序列Xreal进行特征提取,得到历史出力序列Xreal的历史特征信息z~(μ,δ2)。其中,历史特征信息根据编码均值和编码方差得到。进而通过解码器DC对历史特征信息z~(μ,δ2)进行解码,得到历史出力序列Xreal对应的候选出力序列再根据历史出力序列与候选出力序列,基于编码器训练损失函数LossVAE确定编码器损失信息,并将编码器损失信息与预设损失阈值进行比较,根据比较结果判断编码器是否训练完成。具体的,若编码器损失信息小于预设损失阈值,则表示编码器构建完成,此时可以停止编码器训练(即编码器网络参数保持不变);若编码器损失信息大于或等于预设损失阈值,则表示编码器构建未完成,此时需要继续根据编码器损失信息对编码器进行网络参数更新。
需要说明的是,解码器与编码器具有相同的网络结构。其中,解码器与编码器结构与现有的变分自编码器(VAE)结构一致,其特点为编码值相近的点在解码后呈现的时间序列相似,利用此特点可以构成指导判别器学习的分类损失函数。其中,编码器输出层的μ部分设置激活函数为Sigmoid函数,δ部分不设置激活函数,解码器输出层不设置激活函数。在前向传播过程中,编码器输出编码值z的均值与方差,解码器输入的编码值z为符合上述均值与方差概率分布的一组向量,然后通过解码器还原出一组与输入相似的新数据其中,μ=(μ1,μ2,...,μn),δ=(δ1,δ2,...,δn),z=(z1,z2,...,zn),且z符合正态分布,即其中,为了使编码值z之间距离最大值与预设条件生成对抗网络具有相同数量级,需要设置编码值z基本全落在(0,1)区间内。
本方案通过这样的设置,在预设条件生成对抗网络中增加了编码器和解码器,并将编码器构建过程作为预设条件生成对抗网络训练过程的一个环节,可以通过编码器对目标出力数据进行编码,得到目标出力数据对应的标签信息,并将标签信息和噪声数据一起作为可再生能源出力场景生成的依据,提高了可再生能源出力场景生成的真实性。
在本实施例中,可选的,预设条件生成对抗网络中还包括生成器和判别器;生成器的构建过程,包括:根据历史出力序列和历史特征信息,确定判别器的判别损失信息和分类损失信息;判别损失信息用于指导判别器学习;根据判别损失信息和分类损失信息确定生成器损失信息;生成器损失信息用于指导生成器学习;若生成器与判别器达到纳什均衡,则生成器构建完成。
其中,判别损失信息和分类损失信息可以分别是指判别器对数据进行判别和分类时对应的损失信息。其中,判别损失信息可以用于指导判别器学习,即指导判别器的网络参数更新,且判别损失信息和分类损失信息可作为确定生成器损失信息的参数依据。生成器损失信息可以是指生成器在训练过程中产生的损失信息,可以用于指导生成器学习,即指导生成器的网络参数更新。
本实施例中,在构建完编码器之后,需要进一步构建生成器。具体的,首先根据历史出力序列和历史特征信息,确定出判别器的判别损失信息和分类损失信息。然后根据判别损失信息和分类损失信息,确定生成器损失信息。若确定生成器与判别器达到纳什均衡,则表明生成器构建完成。
本方案通过这样的设置,可以通过生成器与判别器之间的博弈学习,训练得到预设条件生成对抗网络,提高了出力场景生成的真实性。
在本实施例中,可选的,根据历史出力序列和历史特征信息,确定判别器的判别损失信息,包括:根据历史特征信息中的编码均值,确定与历史出力序列对应的历史标签信息;将历史标签信息和候选噪声数据输入至生成器中,根据生成器输出结果确定候选可再生能源的候选出力场景;将历史出力序列和候选出力场景输入至判别器中,根据判别器输出结果确定判别器的判别损失信息。
其中,历史标签信息可以是指与历史出力序列对应的标签信息。候选噪声数据可以作为生成器训练的输入参数之一。需要说明的是,目标噪声数据与候选噪声数据符合相同的分布特征。候选出力场景可以是指生成器生成的出力场景。
图3为本发明实施例一提供的一种生成器构建方法的示意图。其中,R表示候选噪声数据;C表示历史标签信息(可根据历史特征信息中的编码均值确定);G和D分别表示生成器和判别器;Xfake表示生成器输出(即候选出力场景);P(S|X)表示判别器输入数据为X时所对应的判别结果,可用于指导生成器和判别器进行学习。具体的,P(S=real|X)表示输入数据为X时,判别器判定X是历史出力数据的概率;P(S=real|X)表示输入数据为X时,判别器判定X是生成器输出数据的概率。LS为判别器的判别损失函数,具体可表示为LS=-E[logP(S=real|Xreal)]-E[logP(S=fake|Xfake)]。其中,判别器训练的目的是,通过更新判别器网络参数使得LS最小。LC为判别器的分类损失函数,具体可表示为LC=||EC(Xfake)-C||2。其中,EC(Xfake)表示由编码器对生成器生成的数据(即Xfake)进行编码得到的编码均值。LG表示生成器损失函数,可以根据LS和LC进行确定。其中,生成器学习的目的是,通过更新生成器网络参数使LG最小。
需要说明的是,判别器仅用于判断输入数据是否是生成器生成数据,其结构与生成器结构基本对称。具体的,判别器输出层仅有两个神经元,一个表示判别器输入数据是否为真实数据,另一个表示判别器输入数据是否是生成数据,激活函数为Softmax函数。示例性的,判别器学习过程中的判别损失函数可以是交叉熵损失函数。判别器的分类损失函数由编码器给出,生成器生成的环境数据作为编码器输入层,通过计算编码器输出的编码值z与标签信息C的均方根误差来计算分类损失,计算所用函数可为RMSELoss函数。
如图3所示,本实施例中,通过编码器对历史出力序列Xreal进行特征提取得到历史出力序列Xreal的历史特征信息z~(μ,δ2)之后,可以直接将历史特征信息z中的编码均值μ确定为历史出力序列Xreal的历史标签信息C。然后将历史标签信息C和候选噪声数据R一起输入至生成器G中,根据生成器输出结果即可确定候选可再生能源的候选出力场景Xfake。进而将历史出力序列Xreal和候选出力场景Xfake一起输入到判别器D中,可以得到判别器输出结果P(S|X)。再基于判别器的判别损失函数LS,可以确定判别器的判别损失信息。
本方案通过这样的设置,可以基于判别器的判别损失函数,根据历史出力序列和候选出力场景,快速准确地确定判别器的判别损失信息,以便根据判别损失信息指导判别器训练。
在本实施例中,可选的,根据历史出力序列和历史特征信息,确定判别器的分类损失信息,包括:通过编码器对候选出力场景进行特征提取,得到候选出力场景的候选特征信息;根据候选特征信息中的编码均值和历史特征信息中的编码均值,确定判别器的分类损失信息。
其中,候选特征信息可以是指通过编码器对候选出力场景进行特征提取得到的特征信息。如图3所示,本实施例中,根据生成器输出结果确定候选可再生能源的候选出力场景Xfake之后,可以将候选出力场景Xfake输入编码器中,通过编码器对候选出力场景Xfake进行特征提取,得到候选出力场景的候选特征信息(包括编码均值和编码方差)。进而可以基于判别器的分类损失函数LC,根据候选特征信息中的编码均值和历史特征信息中的编码均值,确定出判别器的分类损失信息。
本方案通过这样的设置,可以基于判别器的分类损失函数,根据候选特征信息中的编码均值和历史特征信息中的编码均值,快速准确地确定出判别器的分类损失信息,以便根据分类损失信息指导生成器训练。
在本实施例中,可选的,根据判别损失信息和分类损失信息确定生成器损失信息,包括:根据分类损失信息与损失权重系数的乘积确定第一损失信息;根据第一损失信息与判别损失信息的差值确定第二损失信息;根据第二损失信息确定生成器损失信息。
其中,损失权重系数可以是指预先设定的用于对分类损失信息和判别损失信息权重进行调节的系数。第一损失信息可以根据分类损失信息与损失权重系数的乘积进行确定。第二损失信息可以根据第一损失信息与判别损失信息的差值确定。
本实施例中,在确定判别损失信息和分类损失信息之后,可以进一步根据判别损失信息和分类损失信息确定生成器损失信息。具体的,首先可根据分类损失信息与损失权重系数的乘积确定第一损失信息,然后可根据第一损失信息与判别损失信息的差值确定第二损失信息,进而可根据第二损失信息确定生成器损失信息。示例性的,可以通过公式LG=γLc-Ls确定生成器损失信息。其中,γ表示损失权重系数,可以根据实际需求设定。
本方案通过这样的设置,可以根据判别损失信息和分类损失信息快速确定出生成器损失信息,以便根据生成器损失信息指导生成器训练。
实施例二
图4为本发明实施例二提供的一种可再生能源出力场景生成方法的流程图,本实施例以上述实施例为基础进行优化。具体优化为:基于预设条件生成对抗网络,根据目标出力序列和目标噪声数据确定目标可再生能源的出力场景,包括:通过预设条件生成对抗网络中的编码器对目标出力序列进行特征提取,得到与目标出力序列对应的目标标签信息;根据目标标签信息和目标噪声数据,通过预设条件生成对抗网络中的生成器确定目标可再生能源的出力场景。
如图4所示,本实施例的方法具体包括如下步骤:
S210,获取目标可再生能源在预设时间段内的目标出力数据;目标出力数据通过对目标可再生能源的输出功率进行预测得到。
S220,将目标出力数据按时间顺序进行排序,得到目标可再生能源的目标出力序列。
其中,S210-S220的具体实现方式可以参见S110-S120中的详细描述,此处不再赘述。
S230,通过预设条件生成对抗网络中的编码器对目标出力序列进行特征提取,得到与目标出力序列对应的目标标签信息。
其中,预设条件生成对抗网络的整个训练过程为无监督训练。在进行模型训练时,首先根据历史出力序列对编码器进行多轮训练。编码器训练完成后,编码器与解码器的网络结构将固定不变,不随后续模型训练更改网络参数。编码器训练完成后,还需要依次对判别器和生成器进行训练,如此反复,直到判别器和生成器达到纳什均衡,即生成器生成的出力数据分布与历史出力数据分布相同,判别器无法判别生成器生成的数据是否为真实数据。其中,预设条件生成对抗网络的目标标签信息是通过编码器对目标出力序列进行特征提取得到的编码均值。
S240,根据目标标签信息和目标噪声数据,通过预设条件生成对抗网络中的生成器确定目标可再生能源的出力场景。
本实施例中,在得到与目标出力序列对应的目标标签信息之后,可以将目标标签信息和目标噪声数据一起输入到预设条件生成对抗网络中的生成器中,根据生成器输出结果即可确定目标可再生能源的出力场景。
本发明实施例的技术方案,通过预设条件生成对抗网络中的编码器对目标出力序列进行特征提取,得到与目标出力序列对应的目标标签信息;根据目标标签信息和目标噪声数据,通过预设条件生成对抗网络中的生成器确定目标可再生能源的出力场景。本技术方案,不需要假设可再生能源分布情况,能够充分考虑可再生能源的出力数据在时间上的前后关系,并基于预设条件生成对抗网络生成可再生能源的出力场景,提高了可再生能源出力场景生成的准确性和可靠性。
在本实施例中,可选的,通过预设条件生成对抗网络中的编码器对目标出力序列进行特征提取,得到与目标出力序列对应的目标标签信息,包括:通过预设条件生成对抗网络中的编码器对目标出力序列进行特征提取,得到目标出力序列的目标特征信息;根据目标特征信息中的编码均值,确定与目标出力序列对应的目标标签信息。
其中,目标特征信息可以是指通过编码器对目标出力序列进行特征提取得到的特征信息。其中,特征信息可以包括编码均值和编码方差。
本实施例中,可以将目标出力序列输入到预设条件生成对抗网络中的编码器中,通过编码器对目标出力序列进行特征提取,得到目标出力序列的目标特征信息(包括编码均值和编码方差)。然后可以将目标特征信息中的编码均值,直接确定为目标出力序列的目标标签信息。
本方案通过这样的设置,通过编码器对目标出力序列进行特征提取,可以快速确定出与目标出力序列对应的目标标签信息,并将目标标签信息作为模型输入参数之一,提高了出力场景生成的真实性。
在本实施例中,可选的,根据目标标签信息和目标噪声数据,通过预设条件生成对抗网络中的生成器确定目标可再生能源的出力场景,包括:对目标标签信息和目标噪声数据进行拼接处理,得到目标拼接信息;将目标拼接信息输入至预设条件生成对抗网络的生成器中,根据生成器输出结果确定目标可再生能源的出力场景。
其中,目标拼接信息可以是指通过对目标标签信息和目标噪声数据进行拼接处理得到的拼接信息。示例性的,目标标签信息为长度为m的一维向量,可以表示为C=(c1,c2,...,cm),其可以通过编码器输出的编码均值得到。目标噪声数据为分布在(0,1)区间内的一维正态分布向量,可以表示为R=(r1,r2,...,rn)。在该情况下,将目标标签信息C与目标噪声数据R进行拼接处理,可以得到目标拼接信息为(c1,...,cm,r1,...,rn)。将该目标拼接信息输入到生成器中,可以根据生成器预先训练得到的噪声数据到新能源出力场景的映射关系Xfake=G(c1,...,cm,r1,...,rn),确定目标可再生能源的出力场景。其中,Xfake是一个长度与训练集数据长度相等的一维向量。
本方案通过这样的设置,可以通过预设条件生成对抗网络中的生成器,根据目标标签信息和目标噪声数据,快速准确地确定出目标可再生能源的出力场景,提高了可再生能源出力场景生成的准确性和可靠性。
实施例三
图5为本发明实施例三提供的一种可再生能源出力场景生成装置的结构示意图,该装置可执行本发明任意实施例所提供的可再生能源出力场景生成方法,具备执行方法相应的功能模块和有益效果。如图5所示,该装置包括:
目标出力数据确定模块310,用于获取目标可再生能源在预设时间段内的目标出力数据;所述目标出力数据通过对所述目标可再生能源的输出功率进行预测得到;
目标出力序列确定模块320,用于将所述目标出力数据按时间顺序进行排序,得到所述目标可再生能源的目标出力序列;
出力场景生成模块330,用于基于预设条件生成对抗网络,根据所述目标出力序列和目标噪声数据确定所述目标可再生能源的出力场景;所述预设条件生成对抗网络用于描述从噪声数据到可再生能源出力场景的映射关系。
可选的,所述预设条件生成对抗网络中包括编码器和解码器;所述装置还包括:
历史出力序列确定模块,用于获取候选可再生能源在历史时间段内的历史出力数据,将所述历史出力数据按时间顺序排序得到历史出力序列;
历史特征信息确定模块,用于通过所述编码器对所述历史出力序列进行特征提取,得到所述历史出力序列的历史特征信息;
候选出力序列确定模块,用于通过所述解码器对所述历史特征信息进行解码,得到所述历史出力序列对应的候选出力序列;所述解码器与所述编码器具有相同网络结构;
编码器损失信息确定模块,用于根据所述历史出力序列与所述候选出力序列确定编码器损失信息;
编码器构建完成模块,用于若所述编码器损失信息小于预设损失阈值,则所述编码器构建完成。
可选的,所述预设条件生成对抗网络中还包括生成器和判别器;所述装置还包括:
判别器损失信息确定模块,用于根据所述历史出力序列和所述历史特征信息,确定所述判别器的判别损失信息和分类损失信息;所述判别损失信息用于指导判别器学习;
生成器损失信息确定模块,用于根据所述判别损失信息和所述分类损失信息确定生成器损失信息;所述生成器损失信息用于指导生成器学习;
生成器构建完成模块,用于若所述生成器与所述判别器达到纳什均衡,则所述生成器构建完成。
可选的,所述判别器损失信息确定模块,用于:
根据所述历史特征信息中的编码均值,确定与所述历史出力序列对应的历史标签信息;
将所述历史标签信息和候选噪声数据输入至所述生成器中,根据生成器输出结果确定所述候选可再生能源的候选出力场景;
将所述历史出力序列和所述候选出力场景输入至所述判别器中,根据判别器输出结果确定所述判别器的判别损失信息。
可选的,所述判别器损失信息确定模块,还用于:
通过所述编码器对所述候选出力场景进行特征提取,得到所述候选出力场景的候选特征信息;
根据所述候选特征信息中的编码均值和所述历史特征信息中的编码均值,确定所述判别器的分类损失信息。
可选的,所述生成器损失信息确定模块,用于:
根据所述分类损失信息与损失权重系数的乘积确定第一损失信息;
根据所述第一损失信息与所述判别损失信息的差值确定第二损失信息;
根据所述第二损失信息确定生成器损失信息。
可选的,所述出力场景生成模块330,包括:
目标标签信息确定单元,用于通过预设条件生成对抗网络中的编码器对所述目标出力序列进行特征提取,得到与所述目标出力序列对应的目标标签信息;
出力场景确定单元,用于根据所述目标标签信息和目标噪声数据,通过所述预设条件生成对抗网络中的生成器确定所述目标可再生能源的出力场景。
可选的,所述目标标签信息确定单元,用于:
通过预设条件生成对抗网络中的编码器对所述目标出力序列进行特征提取,得到所述目标出力序列的目标特征信息;
根据所述目标特征信息中的编码均值,确定与所述目标出力序列对应的目标标签信息。
可选的,所述出力场景确定单元,用于:
对所述目标标签信息和目标噪声数据进行拼接处理,得到目标拼接信息;
将所述目标拼接信息输入至所述预设条件生成对抗网络的生成器中,根据生成器输出结果确定所述目标可再生能源的出力场景。
本发明实施例所提供的一种可再生能源出力场景生成装置可执行本发明任意实施例所提供的一种可再生能源出力场景生成方法,具备执行方法相应的功能模块和有益效果。
实施例四
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如可再生能源出力场景生成方法。
在一些实施例中,可再生能源出力场景生成方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的可再生能源出力场景生成方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行可再生能源出力场景生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种可再生能源出力场景生成方法,其特征在于,所述方法包括:
获取目标可再生能源在预设时间段内的目标出力数据;所述目标出力数据通过对所述目标可再生能源的输出功率进行预测得到;
将所述目标出力数据按时间顺序进行排序,得到所述目标可再生能源的目标出力序列;
基于预设条件生成对抗网络,根据所述目标出力序列和目标噪声数据确定所述目标可再生能源的出力场景;所述预设条件生成对抗网络用于描述从噪声数据到可再生能源出力场景的映射关系。
2.根据权利要求1所述的方法,其特征在于,所述预设条件生成对抗网络中包括编码器和解码器;所述编码器的构建过程,包括:
获取候选可再生能源在历史时间段内的历史出力数据,将所述历史出力数据按时间顺序排序得到历史出力序列;
通过所述编码器对所述历史出力序列进行特征提取,得到所述历史出力序列的历史特征信息;
通过所述解码器对所述历史特征信息进行解码,得到所述历史出力序列对应的候选出力序列;所述解码器与所述编码器具有相同网络结构;
根据所述历史出力序列与所述候选出力序列确定编码器损失信息;
若所述编码器损失信息小于预设损失阈值,则所述编码器构建完成。
3.根据权利要求2所述的方法,其特征在于,所述预设条件生成对抗网络中还包括生成器和判别器;所述生成器的构建过程,包括:
根据所述历史出力序列和所述历史特征信息,确定所述判别器的判别损失信息和分类损失信息;所述判别损失信息用于指导判别器学习;
根据所述判别损失信息和所述分类损失信息确定生成器损失信息;所述生成器损失信息用于指导生成器学习;
若所述生成器与所述判别器达到纳什均衡,则所述生成器构建完成。
4.根据权利要求3所述的方法,其特征在于,根据所述历史出力序列和所述历史特征信息,确定所述判别器的判别损失信息,包括:
根据所述历史特征信息中的编码均值,确定与所述历史出力序列对应的历史标签信息;
将所述历史标签信息和候选噪声数据输入至所述生成器中,根据生成器输出结果确定所述候选可再生能源的候选出力场景;
将所述历史出力序列和所述候选出力场景输入至所述判别器中,根据判别器输出结果确定所述判别器的判别损失信息。
5.根据权利要求4所述的方法,其特征在于,根据所述历史出力序列和所述历史特征信息,确定所述判别器的分类损失信息,包括:
通过所述编码器对所述候选出力场景进行特征提取,得到所述候选出力场景的候选特征信息;
根据所述候选特征信息中的编码均值和所述历史特征信息中的编码均值,确定所述判别器的分类损失信息。
6.根据权利要求3-5中任一项所述的方法,其特征在于,根据所述判别损失信息和所述分类损失信息确定生成器损失信息,包括:
根据所述分类损失信息与损失权重系数的乘积确定第一损失信息;
根据所述第一损失信息与所述判别损失信息的差值确定第二损失信息;
根据所述第二损失信息确定生成器损失信息。
7.根据权利要求6所述的方法,其特征在于,基于预设条件生成对抗网络,根据所述目标出力序列和目标噪声数据确定所述目标可再生能源的出力场景,包括:
通过预设条件生成对抗网络中的编码器对所述目标出力序列进行特征提取,得到与所述目标出力序列对应的目标标签信息;
根据所述目标标签信息和目标噪声数据,通过所述预设条件生成对抗网络中的生成器确定所述目标可再生能源的出力场景。
8.根据权利要求7所述的方法,其特征在于,通过预设条件生成对抗网络中的编码器对所述目标出力序列进行特征提取,得到与所述目标出力序列对应的目标标签信息,包括:
通过预设条件生成对抗网络中的编码器对所述目标出力序列进行特征提取,得到所述目标出力序列的目标特征信息;
根据所述目标特征信息中的编码均值,确定与所述目标出力序列对应的目标标签信息。
9.根据权利要求7所述的方法,其特征在于,根据所述目标标签信息和目标噪声数据,通过所述预设条件生成对抗网络中的生成器确定所述目标可再生能源的出力场景,包括:
对所述目标标签信息和目标噪声数据进行拼接处理,得到目标拼接信息;
将所述目标拼接信息输入至所述预设条件生成对抗网络的生成器中,根据生成器输出结果确定所述目标可再生能源的出力场景。
10.一种可再生能源出力场景生成装置,其特征在于,所述装置包括:
目标出力数据确定模块,用于获取目标可再生能源在预设时间段内的目标出力数据;所述目标出力数据通过对所述目标可再生能源的输出功率进行预测得到;
目标出力序列确定模块,用于将所述目标出力数据按时间顺序进行排序,得到所述目标可再生能源的目标出力序列;
出力场景生成模块,用于基于预设条件生成对抗网络,根据所述目标出力序列和目标噪声数据确定所述目标可再生能源的出力场景;所述预设条件生成对抗网络用于描述从噪声数据到可再生能源出力场景的映射关系。
11.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的可再生能源出力场景生成方法。
12.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-9中任一项所述的可再生能源出力场景生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310296231.0A CN116316890A (zh) | 2023-03-23 | 2023-03-23 | 可再生能源出力场景生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310296231.0A CN116316890A (zh) | 2023-03-23 | 2023-03-23 | 可再生能源出力场景生成方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116316890A true CN116316890A (zh) | 2023-06-23 |
Family
ID=86818540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310296231.0A Pending CN116316890A (zh) | 2023-03-23 | 2023-03-23 | 可再生能源出力场景生成方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116316890A (zh) |
-
2023
- 2023-03-23 CN CN202310296231.0A patent/CN116316890A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN114820871B (zh) | 字体生成方法、模型的训练方法、装置、设备和介质 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN115145812A (zh) | 测试用例生成方法、装置、电子设备和存储介质 | |
CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
CN117009903A (zh) | 一种数据异常检测方法、装置、设备及存储介质 | |
CN111080037A (zh) | 一种基于深度神经网络的短期电力负荷预测方法及装置 | |
CN116128148A (zh) | 光伏电站出力预测网络训练方法、预测方法、装置及设备 | |
CN116316890A (zh) | 可再生能源出力场景生成方法、装置、设备及介质 | |
CN112667394B (zh) | 一种计算机资源利用率优化方法 | |
CN115601042A (zh) | 信息识别方法、装置、电子设备及存储介质 | |
CN114444606A (zh) | 模型训练和数据分类方法及装置 | |
CN113554280A (zh) | 电网系统调度模型的训练方法、装置、设备和存储介质 | |
CN113627655A (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN116776926B (zh) | 一种对话模型的优化部署方法、装置、设备及介质 | |
CN116737888B (zh) | 对话生成模型的训练方法和答复文本的确定方法、装置 | |
CN117130280B (zh) | 泵房控制方法、装置、电子设备及存储介质 | |
CN115131709B (zh) | 视频类别预测方法、视频类别预测模型的训练方法及装置 | |
CN117763091A (zh) | 一种基于权重修正的设备故障检测方法及相关组件 | |
CN116842193A (zh) | 文本处理方法、训练方法、生成方法、装置和电子设备 | |
CN116960957A (zh) | 车辆充电负荷预测方法、装置、电子设备及存储介质 | |
CN117687993A (zh) | 一种数据迁移方法、装置、设备以及存储介质 | |
CN116307159A (zh) | 一种负荷预测方法、装置、电子设备和存储介质 | |
CN117934137A (zh) | 一种基于模型融合的不良资产回收预测方法、装置及设备 | |
CN116029427A (zh) | 一种工业区的用电负荷预测方法以及系统 |
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 |