CN116842409A - 新能源发电场景生成方法、装置、计算机设备和存储介质 - Google Patents
新能源发电场景生成方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116842409A CN116842409A CN202311087439.8A CN202311087439A CN116842409A CN 116842409 A CN116842409 A CN 116842409A CN 202311087439 A CN202311087439 A CN 202311087439A CN 116842409 A CN116842409 A CN 116842409A
- Authority
- CN
- China
- Prior art keywords
- new energy
- power generation
- energy power
- data
- scene
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 527
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000009826 distribution Methods 0.000 claims description 65
- 239000000203 mixture Substances 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 31
- 230000003068 static effect Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 9
- 238000013506 data mapping Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 17
- 238000005315 distribution function Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000004138 cluster model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (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)
Abstract
本申请涉及一种新能源发电场景生成方法、装置、计算机设备和存储介质。所述方法包括:对多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇;针对每个新能源发电场景聚类簇,基于新能源发电场景聚类簇中的关联新能源发电场景的出力信息,确定关联新能源发电场景的真实出力数据;基于真实出力数据,对新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于新能源发电场景聚类簇的目标新能源发电场景生成模型;将第一随机噪声数据,输入目标新能源发电场景生成模型中,得到新能源发电场景聚类簇对应的模拟新能源发电场景。采用本方法,能够提高电力系统调度的可靠性。
Description
技术领域
本申请涉及电网技术领域,特别是涉及一种新能源发电场景生成方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在新能源技术高速发展的同时,新能源技术也对电力系统的稳定运行带来了巨大挑战。相关技术中,通常采用基于概率模型的新能源场景生成方法来刻画新能源发电场景,以提升电力系统调度的可靠性。
基于概率模型的新能源场景生成方法的基本思想是,假设新能源发电场景的真实出力数据满足特定的概率分布,通过基于概率分布的抽样,从新能源发电场景的真实出力数据中,得到能够模拟新能源出力变化的采样出力数据,进而生成符合新能源出力变化的新能源发电场景。
然而,新能源发电具有随机性、波动性以及间歇性的特点,仅仅依赖于新能源发电场景的真实出力数据得到的新能源发电场景,并不能精准地刻画新能源出力变化;因此,基于概率模型的新能源发电场景生成方法会导致电力系统调度的可靠性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高电力系统调度的可靠性的新能源发电场景生成方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种新能源发电场景生成方法。所述方法包括:
基于多个新能源发电场景的出力信息,对所述多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇;
针对每个新能源发电场景聚类簇,基于所述新能源发电场景聚类簇中的关联新能源发电场景的出力信息,确定所述关联新能源发电场景的真实出力数据;所述真实出力数据至少包括静态出力数据和动态出力数据;
基于所述关联新能源发电场景的真实出力数据,对所述新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于所述新能源发电场景聚类簇的目标新能源发电场景生成模型;
将第一随机噪声数据,输入所述目标新能源发电场景生成模型中,得到所述新能源发电场景聚类簇对应的模拟新能源发电场景。
在其中一个方法中,所述基于所述关联新能源发电场景的真实出力数据,对所述新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于所述新能源发电场景聚类簇的目标新能源发电场景生成模型,包括:
对所述关联新能源发电场景的真实出力数据进行特征提取处理,得到所述关联新能源发电场景的真实出力特征数据;
基于所述真实出力特征数据,训练所述初始新能源发电场景生成模型中的初始数据判别器,得到目标数据判别器;
基于所述目标数据判别器,训练所述初始新能源发电场景生成模型中的初始数据生成器,得到目标数据生成器;
基于所述目标数据判别器和所述目标数据生成器,得到对应于所述新能源发电场景聚类簇的目标新能源发电场景生成模型。
在其中一个方法中,所述基于所述真实出力特征数据,训练所述初始新能源发电场景生成模型中的初始数据判别器,得到目标数据判别器,包括:
将第二随机噪声数据输入所述初始数据生成器中,得到所述新能源发电场景聚类簇的初始模拟出力特征数据;
将所述初始模拟出力特征数据和所述关联新能源发电场景的真实出力特征数据作为第一输入信息,输入所述初始数据判别器中,得到所述第一输入信息与所述真实出力特征数据之间的第一相似度;
基于所述第一相似度的分布信息与所述初始模拟出力特征数据的分布信息之间的第一差异信息,以及所述第一相似度的分布信息与所述真实出力特征数据的分布信息之间的第二差异信息,对所述初始数据判别器进行训练,得到所述目标数据判别器。
在其中一个方法中,所述基于所述目标数据判别器,训练所述初始新能源发电场景生成模型中的初始数据生成器,得到目标数据生成器,包括:
将所述初始模拟出力特征数据和所述关联新能源发电场景的真实出力特征数据作为第二输入信息,输入所述目标数据判别器中,得到所述第二输入信息和所述真实出力特征数据之间的第二相似度;
基于所述第二相似度的分布信息,以及所述初始模拟出力特征数据的分布信息与所述真实出力特征数据的分布信息之间的第三差异信息,对所述初始数据生成器进行训练,得到所述目标数据生成器。
在其中一个方法中,所述将第一随机噪声数据,输入所述目标新能源发电场景生成模型中,得到所述新能源发电场景聚类簇对应的模拟新能源发电场景,包括:
将第一随机噪声数据输入所述目标新能源发电场景生成模型中的目标数据生成器中,得到所述新能源发电场景聚类簇的目标模拟出力特征数据;
基于所述目标新能源发电场景生成模型,对所述目标模拟出力特征数据进行数据映射处理,得到对应于所述新能源发电场景聚类簇的模拟出力数据;
基于对应于所述新能源发电场景聚类簇的模拟出力数据,生成所述新能源发电场景聚类簇对应的模拟新能源发电场景。
在其中一个方法中,所述基于多个新能源发电场景的出力信息,对所述多个新能源发电场景进行聚类处理,包括:
基于所述多个新能源发电场景的出力信息,初始化待训练的高斯混合聚类模型中的各个子高斯模型的模型参数;
针对每个新能源发电场景,基于所述新能源发电场景的出力信息,确定所述新能源发电场景与所述各个子高斯模型之间的匹配度;
基于所述每个新能源发电场景与每个子高斯模型之间的匹配度,更新所述各个子高斯模型的模型参数,得到训练完成的高斯混合聚类模型;所述训练完成的高斯混合聚类模型中的各个子高斯模型的模型参数满足预设模型参数条件;
基于所述训练完成的高斯混合聚类模型,和所述多个新能源发电场景的出力信息,对所述多个新能源发电场景进行聚类处理。
在其中一个方法中,在基于多个新能源发电场景的出力信息,对所述多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇之前,还包括:
获取新能源发电场景在预设的多个时间区间下的出力值;
根据所述新能源发电场景在预设的多个时间区间下的出力值,确定所述新能源发电场景的最大出力值、日均出力值、日峰谷差率以及日出力波动率;
将所述新能源发电场景的最大出力值、日均出力值、日峰谷差率以及日出力波动率,确认为所述新能源发电场景的出力信息。
第二方面,本申请还提供了一种新能源发电场景生成装置。所述装置包括:
聚类处理模块,用于基于多个新能源发电场景的出力信息,对所述多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇;
信息确定模块,用于针对每个新能源发电场景聚类簇,基于所述新能源发电场景聚类簇中的关联新能源发电场景的出力信息,确定所述关联新能源发电场景的真实出力数据;所述真实出力数据至少包括静态出力数据和动态出力数据;
模型训练模块,用于基于所述关联新能源发电场景的真实出力数据,对所述新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于所述新能源发电场景聚类簇的目标新能源发电场景生成模型;
场景生成模块,用于将第一随机噪声数据,输入所述目标新能源发电场景生成模型中,得到所述新能源发电场景聚类簇对应的模拟新能源发电场景。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
基于多个新能源发电场景的出力信息,对所述多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇;
针对每个新能源发电场景聚类簇,基于所述新能源发电场景聚类簇中的关联新能源发电场景的出力信息,确定所述关联新能源发电场景的真实出力数据;所述真实出力数据至少包括静态出力数据和动态出力数据;
基于所述关联新能源发电场景的真实出力数据,对所述新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于所述新能源发电场景聚类簇的目标新能源发电场景生成模型;
将第一随机噪声数据,输入所述目标新能源发电场景生成模型中,得到所述新能源发电场景聚类簇对应的模拟新能源发电场景。
第四方面,本申请还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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
基于多个新能源发电场景的出力信息,对所述多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇;
针对每个新能源发电场景聚类簇,基于所述新能源发电场景聚类簇中的关联新能源发电场景的出力信息,确定所述关联新能源发电场景的真实出力数据;所述真实出力数据至少包括静态出力数据和动态出力数据;
基于所述关联新能源发电场景的真实出力数据,对所述新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于所述新能源发电场景聚类簇的目标新能源发电场景生成模型;
将第一随机噪声数据,输入所述目标新能源发电场景生成模型中,得到所述新能源发电场景聚类簇对应的模拟新能源发电场景。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
基于多个新能源发电场景的出力信息,对所述多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇;
针对每个新能源发电场景聚类簇,基于所述新能源发电场景聚类簇中的关联新能源发电场景的出力信息,确定所述关联新能源发电场景的真实出力数据;所述真实出力数据至少包括静态出力数据和动态出力数据;
基于所述关联新能源发电场景的真实出力数据,对所述新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于所述新能源发电场景聚类簇的目标新能源发电场景生成模型;
将第一随机噪声数据,输入所述目标新能源发电场景生成模型中,得到所述新能源发电场景聚类簇对应的模拟新能源发电场景。
上述新能源发电场景生成方法、装置、计算机设备、存储介质和计算机程序产品,首先基于多个新能源发电场景的出力信息,对多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇;然后针对每个新能源发电场景聚类簇,基于新能源发电场景聚类簇中的关联新能源发电场景的出力信息,确定关联新能源发电场景的真实出力数据;真实出力数据至少包括静态出力数据和动态出力数据;接着基于关联新能源发电场景的真实出力数据,对新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于新能源发电场景聚类簇的目标新能源发电场景生成模型;最后将第一随机噪声数据,输入目标新能源发电场景生成模型中,得到新能源发电场景聚类簇对应的模拟新能源发电场景。这样,通过对新能源发电场景的聚类,能够实现对不同类型的新能源发电场景的模拟新能源发电场景的针对性生成;通过至少包括静态出力数据和动态出力数据的真实出力数据,能够更全面地刻画新能源发电场景的出力特征,为后续模拟新能源发电场景的生成提供了更可靠的数据依据;通过对初始数据判别器和初始数据生成器的训练,能够得到场景生成准确性更高的目标新能源发电场景生成模型,提高了模拟新能源发电场景的准确性;基于以上过程的新能源发电场景生成方法,能够基于高准确性的模拟新能源发电场景,精准地刻画新能源出力变化,从而能够辅助电力系统调度的决策,提升电力系统调度的可靠性。
附图说明
图1为一个实施例中新能源发电场景生成方法的流程示意图;
图2为一个实施例中模拟出力数据和真实出力数据的分布示意图;
图3为一个实施例中对初始数据判别器和初始数据生成器进行训练的步骤的流程示意图;
图4为一个实施例中得到目标数据判别器的步骤的流程示意图;
图5(a)为一个实施例中真实出力特征数据、初始模拟出力特征数据以及第一相似度的分布示意图;
图5(b)为一个实施例中训练中的初始数据判别器对应的第一相似度的分布示意图;
图5(c)为一个实施例中训练中的初始数据生成器对应的初始模拟出力特征数据的分布示意图;
图5(d)为一个实施例中目标模拟出力特征数据和目标相似度的分布示意图;
图6为一个实施例中得到目标数据生成器的步骤的流程示意图;
图7为另一个实施例中新能源发电场景生成方法的流程示意图;
图8为一个实施例中新能源发电场景生成装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
在一示例性实施例中,如图1所示,提供了一种新能源发电场景生成方法,本实施例以该方法应用于服务器进行举例说明;可以理解的是,该方法也可以应用于终端,还可以应用于包括服务器和终端的系统,并通过服务器和终端之间的交互实现。其中,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现;终端可以但不限于是各种个人计算机、笔记本电脑、智能手机以及平板电脑等。本实施例中,该方法包括以下步骤:
步骤S102,基于多个新能源发电场景的出力信息,对多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇。
其中,每个新能源发电场景用于表征一日内的一个新能源发电机组;出力信息用于表征对应的新能源发电机组在一日内的出力情况,例如该新能源发电机组一日内的最大出力值、日均出力值、日峰谷差率以及日出力波动率等;能够理解的是,新能源发电机组的出力为新能源发电机组的有功功率出力。
具体地,服务器将多个新能源发电场景的出力信息输入聚类模型中,通过聚类模型对多个新能源聚类场景进行聚类处理,得到多个新能源发电场景聚类簇;每个新能源发电场景聚类簇中的新能源聚类场景为该新能源发电场景聚类簇的关联新能源发电场景。
举例说明,服务器可以通过高斯混合聚类模型或K-means(K均值聚类算法)聚类模型对多个新能源发电场景进行聚类,以得到多个新能源发电场景聚类簇。
步骤S104,针对每个新能源发电场景聚类簇,基于新能源发电场景聚类簇中的关联新能源发电场景的出力信息,确定关联新能源发电场景的真实出力数据。
其中,真实出力数据至少包括静态出力数据和动态出力数据;静态出力数据用于表征新能源发电场景在某一时刻下的有功功率出力;动态出力数据用于表征新能源发电场景在某一时间段下的有功功率出力。
具体地,针对每个新能源发电场景聚类簇,服务器基于新能源发电场景聚类簇中的各个关联新能源发电场景的出力信息,分别确定各个关联新能源发电场景用于表征静态出力数据的静态出力向量,和用于表征动态出力数据的动态出力向量,并将各个关联新能源发电场景的静态出力向量和动态出力向量,作为对应的关联新能源发电场景的真实出力数据。
能够理解的是,服务器还可以对各个关联新能源发电场景的真实出力数据进行归一化预处理。
步骤S106,基于关联新能源发电场景的真实出力数据,对新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于新能源发电场景聚类簇对应的目标新能源发电场景生成模型。
其中,初始新能源发电场景生成模型为基于时序生成对抗网络的模型;时序生成对抗网络由四部分组成:嵌入函数、数据生成器、数据判别器以及恢复函数。
其中,数据生成器用于生成模拟新能源发电场景的模拟出力特征数据;数据判别器用于区分新能源发电场景的真实出力特征数据和模拟新能源发电场景的模拟出力特征数据。
具体地,服务器通过初始新能源发电场景生成模型的嵌入函数,对关联新能源发电场景的真实出力数据进行特征提取处理,得到关联新能源发电场景的真实出力特征数据;然后基于关联新能源发电场景的真实出力特征数据,训练该关联新能源发电场景关联的新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器,使得初始数据判别器能够尽可能地区分真实出力特征数据和模拟出力特征数据,同时使得初始数据生成器尽可能地生成与真实出力特征数据相似的模拟出力特征数据,从而得到目标数据判别器和目标数据生成器,进而得到该关联新能源发电场景关联的新能源发电场景聚类簇对应的目标新能源发电场景生成模型。
举例说明,服务器根据关联新能源发电场景关联的新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的数据特征提取器,得到关联新能源发电场景的真实出力特征数据,然后根据真实出力特征数据,在固定初始数据生成器的情况下,对初始数据判别器进行训练,使得初始数据判别器能够尽可能地区分真实出力特征数据和模拟出力特征数据,得到目标数据判别器;然后,服务器在固定目标数据判别器的情况下,对初始数据生成器进行训练,使得初始数据生成器能够尽可能地生成与真实出力特征数据相似的模拟出力特征数据,得到目标数据生成器。其中,数据特征提取器可以用嵌入函数表示。
步骤S108,将第一随机噪声数据,输入目标新能源发电场景生成模型中,得到新能源发电场景聚类簇对应的模拟新能源发电场景。
其中,第一随机噪声数据为随机产生的噪声数据。
具体地,服务器将随机产生的第一随机噪声数据,输入新能源发电场景聚类簇对应的目标新能源发电场景生成模型中的目标数据生成器,得到对应于该新能源发电场景聚类簇的模拟出力数据,然后基于模拟出力数据,得到该新能源发电场景聚类簇对应的模拟新能源发电场景。
如图2为模拟出力数据和真实出力数据的分布示意图,从图2可以看出,模拟出力数据的分布和真实出力数据的分布整体一致,因此基于模拟出力数据得到的模拟新能源发电场景与新能源发电场景也高度相似,从而为电力系统的优化调度提供了丰富的新能源发电场景数据集,调度人员基于丰富的新能源发电场景数据集,能够更好地对电力系统调度进行分析和决策,从而提高电力系统调度的可靠性。
上述实施例提供的新能源发电场景生成方法中,服务器首先基于多个新能源发电场景的出力信息,对多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇;然后针对每个新能源发电场景聚类簇,基于新能源发电场景聚类簇中的关联新能源发电场景的出力信息,确定关联新能源发电场景的真实出力数据;真实出力数据至少包括静态出力数据和动态出力数据;接着基于关联新能源发电场景的真实出力数据,对新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于新能源发电场景聚类簇的目标新能源发电场景生成模型;最后将第一随机噪声数据,输入目标新能源发电场景生成模型中,得到新能源发电场景聚类簇对应的模拟新能源发电场景。这样,通过对新能源发电场景的聚类,服务器能够实现对不同类型的新能源发电场景的模拟新能源发电场景的针对性生成;通过至少包括静态出力数据和动态出力数据的真实出力数据,服务器能够更全面地刻画新能源发电场景的出力特征,为后续模拟新能源发电场景的生成提供了更可靠的数据依据;通过对初始数据判别器和初始数据生成器的训练,服务器能够得到场景生成准确性更高的目标新能源发电场景生成模型,提高了模拟新能源发电场景的准确性;基于以上过程的新能源发电场景生成方法,服务器能够基于高准确性的模拟新能源发电场景,精准地刻画新能源出力变化,从而能够辅助电力系统调度的优化决策,提升电力系统调度的可靠性。
如图3所示,在一示例性实施例中,上述步骤S106,基于关联新能源发电场景的真实出力数据,对新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于新能源发电场景聚类簇的目标新能源发电场景生成模型,具体包括以下步骤:
步骤S302,对关联新能源发电场景的真实出力数据进行特征提取处理,得到关联新能源发电场景的真实出力特征数据。
步骤S304,基于真实出力特征数据,训练初始新能源发电场景生成模型中的初始数据判别器,得到目标数据判别器。
步骤S306,基于目标数据判别器,训练初始新能源发电场景生成模型中的初始数据生成器,得到目标数据生成器。
步骤S308,基于目标数据判别器和目标数据生成器,得到对应于新能源发电场景聚类簇的目标新能源发电场景生成模型。
具体地,服务器首先通过初始新能源发电场景生成模型中的嵌入函数,对关联新能源发电场景的真实出力数据进行特征提取处理,得到关联新能源发电场景的真实出力特征数据;然后,服务器将第二噪声数据输入初始数据生成器中,得到初始模拟出力特征数据,接着,服务器基于初始模拟出力特征数据和真实出力特征数据,训练初始数据判别器,得到判别精度满足预设判别精度条件的目标数据判别器;再接着,服务器将初始模拟出力特征数据和真实出力特征数据,输入至目标数据判别器中,得到初始模拟出力特征数据和真实出力特征数据的判别信息,然后,服务器根据判别信息训练初始数据生成器,得到生成精度满足预设生成精度条件的目标数据生成器;最后,服务器根据目标数据判别器和目标数据生成器,得到对应于新能源发电场景聚类簇的目标新能源发电场景生成模型。
能够理解的是,数据判别器输出的判别信息,为数据判别器判别的输入信息(初始模拟出力特征数据和真实出力特征数据)与真实信息(真实出力特征数据)之间的相似度,相似度用区间[0,1]之间的数值表示;举例说明,数据判别器判别输入信息与真实信息越相似,那么输出的判别信息就接近1,反之,数据判别器判别输入信息与真实信息越不相似,那么输出的判别信息就接近0。
本实施例中,服务器通过对真实出力数据的特征提取处理,能够实现对真实出力数据的降维,从而减少数据处理量;同时,服务器通过对初始数据判别器和初始数据生成器的对抗训练,能够在保证判别精度的前提下,得到能够生成与真实出力特征数据更相似的模拟出力特征数据的目标数据生成器,从而生成与新能源发电场景更相似的模拟新能源发电场景,进而精准地刻画新能源出力变化,辅助了电力系统调度的优化决策,提升了电力系统调度的可靠性。
如图4所示,在一示例性实施例中,上述步骤S304,基于真实出力特征数据,训练初始新能源发电场景生成模型中的初始数据判别器,得到目标数据判别器,具体包括以下步骤:
步骤S402,将第二随机噪声数据输入初始数据生成器中,得到新能源发电场景聚类簇的初始模拟出力特征数据。
步骤S404,将初始模拟出力特征数据和关联新能源发电场景的真实出力特征数据作为第一输入信息,输入初始数据判别器中,得到第一输入信息与真实出力特征数据之间的第一相似度。
步骤S406,基于第一相似度的分布信息与初始模拟出力特征数据的分布信息之间的第一差异信息,以及第一相似度的分布信息与真实出力特征数据的分布信息之间的第二差异信息,对初始数据判别器进行训练,得到目标数据判别器。
其中,第二随机噪声数据为随机产生的噪声数据。
其中,第一相似度可以用初始数据判别器输出的判别信息表示;第一相似度的分布信息可以用初始数据判别器输出的判别信息的分布函数表示。
其中,初始模拟出力特征数据的分布信息可以用初始模拟出力特征数据的分布函数表示,真实出力特征数据的分布信息可以用真实出力特征数据的分布函数表示。
具体地,服务器将随机生成的第二随机噪声数据输入初始数据生成器中,得到新能源发电场景聚类簇的初始模拟出力特征数据;接着,服务器将初始模拟出力特征数据和关联新能源发电场景的真实出力特征数据,作为初始数据判别器的第一输入信息,输入初始数据判别器中,得到第一输入信息的判别信息,即第一输入信息与真实出力特征数据之间的第一相似度;然后,服务器基于第一相似度的分布函数与初始模拟出力特征数据的分布函数,确定第一差异信息,以及,基于第一相似度的分布函数与真实出力特征数据的分布函数,确定第二差异信息;最后,服务器基于第一差异信息和第二差异信息,对初始数据判别器进行训练,直到初始数据判别器能够在第一输入信息中,准确区分初始模拟出力特征数据和真实出力特征数据,从而得到目标数据判别器。
举例说明,图5(a)为真实出力特征数据、初始模拟出力特征数据以及第一相似度的分布示意图,从图5(a)可以看出,初始模拟出力特征数据与真实出力特征数据的区别较大,同时,初始数据判别器得到的判别信息的分布,与初始模拟出力特征数据的分布以及真实出力特征数据的分布也区别较大,因此服务器需要固定初始数据生成器,训练初始数据判别器,以提升初始数据判别器的判别精度,得到目标数据判别器;图5(b)为训练中的初始数据判别器对应的第一相似度的分布示意图,如图5(b)所示的训练中的初始数据判别器已经能够较好地区分初始模拟出力特征数据与真实出力特征数据。
本实施例中,服务器通过初始模拟出力特征数据和真实出力特征数据对初始数据判别器的训练,能够使得数据判别器尽可能地区分初始模拟出力特征数据和真实出力特征数据,从而为后续训练初始数据生成器奠定了基础。
如图6所示,在一示例性实施例中,上述步骤S306,基于目标数据判别器,训练初始新能源发电场景生成模型中的初始数据生成器,得到目标数据生成器,具体包括以下步骤:
步骤S602,将初始模拟出力特征数据和关联新能源发电场景的真实出力特征数据作为第二输入信息,输入目标数据判别器中,得到第二输入信息和真实出力特征数据之间的第二相似度。
步骤S604,基于第二相似度的分布信息,以及初始模拟出力特征数据的分布信息与真实出力特征数据的分布信息之间的第三差异信息,对初始数据生成器进行训练,得到目标数据生成器。
其中,第二相似度可以用目标数据判别器输出的判别信息表示;第二相似度的分布信息可以用目标数据判别器输出的判别信息的分布函数表示。
具体地,服务器将初始模拟出力特征数据和真实出力特征数据作为目标数据判别器的第二输入信息,输入目标数据判别器中,得到第二输入信息的判别信息,即第二输入信息与真实出力特征数据之间的第二相似度;然后,服务器基于初始模拟出力特征数据的分布函数和真实出力特征数据的分布函数,确定第三差异信息,并根据第二相似度和第三差异信息,对初始数据生成器进行训练,直到初始数据生成器能够生成与真实出力特征数据十分相似的初始模拟出力特征数据,从而得到目标数据生成器。
图5(c)为训练中的初始数据生成器对应的初始模拟出力特征数据的分布示意图,可以看出,如图5(c)所示的训练中的初始数据生成器已经能够生成与真实出力特征数据十分相似的初始模拟出力特征数据。
能够理解的是,在通过目标数据生成器得到目标模拟出力特征数据的情况下,服务器将目标模拟出力特征数据和真实出力特征数据作为目标数据判别器的第三输入信息,输入目标数据判别器中,可以得到第三输入信息和真实出力特征数据之间的目标相似度,如图5(d)所示,为目标模拟出力特征数据和目标相似度的分布示意图;在如图5(d)所示的理想状态下,目标数据生成器生成的目标模拟出力特征数据能够与真实出力特征数据保持一致,且目标数据判别器判别的目标相似度较稳定,但无法区分目标模拟出力特征数据和真实出力特征数据。
需要说明的是,在目标新能源发电场景生成模型中,目标数据生成器和目标数据判别器之间的联合损失函数如公式1所示:
(公式1)
其中,D为目标数据生成器,G为目标数据判别器;S为静态出力数据对应的静态出力特征数据,X为动态出力数据对应的动态出力特征数据;E(S,X)为真实出力特征数据的分布函数,D(·)为目标数据生成器生成的目标模拟出力特征数据的分布函数,G(·)为目标数据判别器输出的目标相似度的分布函数;LossE为目标数据生成器和目标数据判别器之间的联合损失函数。
本实施例中,服务器通过目标数据判别器输出的第二相似度,以及初始模拟出力特征数据和真实出力特征数据之间的第三差异信息,对初始数据生成器进行训练,能够使得初始数据生成器生成的初始模拟出力特征数据越来越接近真实出力特征数据,从而使得目标数据判别器越来越无法区分初始模拟出力特征数据与真实出力特征数据;基于以上训练过程,服务器能够得到生成的目标模拟出力特征数据与真实出力特征数据分布一致的目标数据生成器,从而能够生成与新能源发电场景更相似的模拟新能源发电场景,进而精准地刻画新能源出力变化,辅助了电力系统调度的优化决策,提升了电力系统调度的可靠性。
在一示例性实施例中,上述步骤S108,将第一随机噪声数据,输入目标新能源发电场景生成模型中,得到新能源发电场景聚类簇对应的模拟新能源发电场景,具体包括以下内容:将第一随机噪声数据输入目标新能源发电场景生成模型中的目标数据生成器中,得到新能源发电场景聚类簇的目标模拟出力特征数据;基于目标新能源发电场景生成模型,对目标模拟出力特征数据进行数据映射处理,得到对应于新能源发电场景聚类簇的模拟出力数据;基于对应于新能源发电场景聚类簇的模拟出力数据,生成新能源发电场景聚类簇对应的模拟新能源发电场景。
其中,模拟出力数据至少包括静态模拟出力数据和动态模拟出力数据;模拟出力特征数据至少包括对应于静态模拟出力数据的静态模拟出力特征数据,和对应于动态模拟出力数据的动态模拟出力特征数据。
具体地,服务器首先将第一随机噪声数据输入目标新能源发电场景生成模型的目标数据生成器中,得到新能源发电场景聚类簇的目标模拟出力特征数据;然后,服务器基于目标新能源发电场景生成模型的恢复函数,对目标模拟出力特征数据进行数据映射处理,将低维度的目标模拟出力特征数据映射为高维度的模拟出力数据,得到对应于新能源发电场景聚类簇的模拟出力数据;最后,服务器基于对应于新能源发电场景聚类簇的模拟出力数据,生成新能源发电场景聚类簇对应的模拟新能源发电场景。
能够理解的是,服务器还可以基于目标新能源发电场景生成模型的恢复函数,对真实出力特征数据进行数据映射处理,将低维度的真实出力特征数据映射为高维度的映射后模拟出力数据;服务器基于映射后模拟出力数据,也能够进一步丰富新能源发电场景数据集。
需要说明的是,嵌入函数和恢复函数之间的损失函数如公式2所示:
(公式2)
其中,S为静态出力数据对应的静态出力特征数据,X为动态出力数据对应的动态出力特征数据;S′为模拟静态出力数据对应的模拟静态出力特征数据,X′为模拟动态出力数据对应的模拟动态出力特征数据;E(S,X)为真实出力特征数据的分布函数;LossR为嵌入函数和恢复函数之间的联合损失函数。
本实施例中,服务器目标新能源发电场景生成模型,能够得到新能源发电场景聚类簇的目标模拟出力特征数据,并基于对目标模拟出力特征数据的映射出力,能够生成新能源发电场景聚类簇对应的模拟新能源发电场景,从而丰富了新能源发电场景数据集,进而能够精准地刻画新能源出力变化,辅助了电力系统调度的优化决策,提升了电力系统调度的可靠性。
在一示例性实施例中,上述步骤S102,基于多个新能源发电场景的出力信息,对多个新能源发电场景进行聚类处理,具体包括以下内容:基于多个新能源发电场景的出力信息,初始化待训练的高斯混合聚类模型中的各个子高斯模型的模型参数;针对每个新能源发电场景,基于新能源发电场景的出力信息,确定新能源发电场景与各个子高斯模型之间的匹配度;基于每个新能源发电场景与每个子高斯模型之间的匹配度,更新各个子高斯模型的模型参数,得到训练完成的高斯混合聚类模型;基于训练完成的高斯混合聚类模型,和多个新能源发电场景的出力信息,对多个新能源发电场景进行聚类处理。
其中,每个子高斯模型对应于一个新能源发电场景聚类簇。
其中,子高斯模型的模型参数,至少包括子高斯模型的期望、方差(或协方差)、在高斯混合聚类模型中的概率以及在高斯混合聚类模型中的权重。
其中,训练完成的高斯混合聚类模型中的各个子高斯模型的模型参数满足预设模型参数条件;预设模型参数条件为各个模型参数均收敛。
具体地,服务器首先基于多个新能源发电场景的出力信息,初始化待训练的高斯混合聚类模型中的各个子高斯模型的模型参数;然后,针对每个新能源发电场景,服务器基于各个子高斯模型的模型参数以及新能源发电场景的出力信息,确定新能源发电场景与各个子高斯模型之间的后验概率分布,作为与各个子高斯模型之间的匹配度;接着,服务器根据匹配度,更新各个子高斯模型的模型参数,并重复上述“针对每个新能源发电场景,服务器基于各个子高斯模型的模型参数以及新能源发电场景的出力信息,确定新能源发电场景与各个子高斯模型之间的后验概率分布,作为与各个子高斯模型之间的匹配度;接着,服务器根据匹配度,更新各个子高斯模型的模型参数”的步骤,直到各个子高斯模型的各个模型参数均收敛,得到训练完成的高斯混合聚类模型;最后,服务器将多个新能源发电场景的出力信息,输入训练完成的高斯混合聚类模型中,通过训练完成的高斯混合聚类模型,对多个新能源发电场景进行聚类处理。
本实施例中,服务器通过高斯混合聚类模型对多个新能源发电场景进行聚类处理,能够将复杂多变的新能源发电场景的生成问题简化,并使得新能源发电场景的生成更加准确。能够理解的是,高斯混合聚类模型的聚类效果不依赖于聚类数目,因此使得聚类的鲁棒性较高。
在一示例性实施例中,在上述步骤S102,基于多个新能源发电场景的出力信息,对多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇之前,具体还包括以下内容:获取新能源发电场景在预设的多个时间区间下的出力值;根据新能源发电场景在预设的多个时间区间下的出力值,确定新能源发电场景的最大出力值、日均出力值、日峰谷差率以及日出力波动率;将新能源发电场景的最大出力值、日均出力值、日峰谷差率以及日出力波动率,确认为新能源发电场景的出力信息。
其中,最大出力值用于反映新能源发电机组的最大出力水平;日均出力值用于表征新能源发电机组的平均出力水平;日峰谷差率用于表征新能源发电机组在一日内的出力整体变化;日出力波动率用于表征新能源发电机组在一日内的出力变化的不平稳程度。
具体地,服务器首先获取新能源发电场景在对应于一日的预设的多个时间区间下的有功功率出力,然后根据在预设的多个时间区间下的有功功率出力,分别确定能源发电场景一日内的最大出力值、日均出力值、日峰谷差率以及日出力波动率,并将新能源发电场景一日内的最大出力值、日均出力值、日峰谷差率以及日出力波动率,确认为新能源发电场景的出力信息。
举例说明,假设预设时间区间为每小时,那么服务器以每小时为单位,获取新能源发电机组在一日内每小时的有功功率出力,从而得到新能源发电机组在一日内的最大出力值、日均出力值、日峰谷差率以及日出力波动率。
本实施例中,服务器通过新能源发电场景的最大出力值、日均出力值、日峰谷差率以及日出力波动率,能够得到新能源发电场景的出力信息,进而能够基于新能源发电场景的出力信息实现对新能源发电场景的聚类,有利于服务器对复杂多变的新能源发电场景的生成问题进行简化。
在一示例性实施例中,如图7所示,提供了另一种新能源发电场景生成方法,以该方法应用于服务器为例进行说明,包括以下步骤:
步骤S701,基于多个新能源发电场景的出力信息,初始化待训练的高斯混合聚类模型中的各个子高斯模型的模型参数。
步骤S702,针对每个新能源发电场景,基于新能源发电场景的出力信息,确定新能源发电场景与各个子高斯模型之间的匹配度。
步骤S703,基于每个新能源发电场景与每个子高斯模型之间的匹配度,更新各个子高斯模型的模型参数,得到训练完成的高斯混合聚类模型。
步骤S704,基于训练完成的高斯混合聚类模型,和多个新能源发电场景的出力信息,对多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇。
步骤S705,针对每个新能源发电场景聚类簇,基于新能源发电场景聚类簇中的关联新能源发电场景的出力信息,确定关联新能源发电场景的真实出力数据。
步骤S706,对关联新能源发电场景的真实出力数据进行特征提取处理,得到关联新能源发电场景的真实出力特征数据。
步骤S707,将第二随机噪声数据输入初始数据生成器中,得到新能源发电场景聚类簇的初始模拟出力特征数据。
步骤S708,将初始模拟出力特征数据和关联新能源发电场景的真实出力特征数据作为第一输入信息,输入初始数据判别器中,得到第一输入信息与真实出力特征数据之间的第一相似度。
步骤S709,基于第一相似度的分布信息与初始模拟出力特征数据的分布信息之间的第一差异信息,以及第一相似度的分布信息与真实出力特征数据的分布信息之间的第二差异信息,对初始数据判别器进行训练,得到目标数据判别器。
步骤S710,将初始模拟出力特征数据和关联新能源发电场景的真实出力特征数据作为第二输入信息,输入目标数据判别器中,得到第二输入信息和真实出力特征数据之间的第二相似度。
步骤S711,基于第二相似度的分布信息,以及初始模拟出力特征数据的分布信息与真实出力特征数据的分布信息之间的第三差异信息,对初始数据生成器进行训练,得到目标数据生成器。
步骤S712,基于目标数据判别器和目标数据生成器,得到对应于新能源发电场景聚类簇的目标新能源发电场景生成模型。
步骤S713,将第一随机噪声数据输入目标新能源发电场景生成模型中的目标数据生成器中,得到新能源发电场景聚类簇的目标模拟出力特征数据。
步骤S714,基于目标新能源发电场景生成模型,对目标模拟出力特征数据进行数据映射处理,得到对应于新能源发电场景聚类簇的模拟出力数据。
步骤S715,基于对应于新能源发电场景聚类簇的模拟出力数据,生成新能源发电场景聚类簇对应的模拟新能源发电场景。
本实施例中,第一,服务器通过初始模拟出力特征数据和真实出力特征数据对初始数据判别器的训练,能够使得数据判别器尽可能地区分初始模拟出力特征数据和真实出力特征数据,从而为后续训练初始数据生成器奠定了基础;第二,服务器通过目标数据判别器输出的第二相似度,以及初始模拟出力特征数据和真实出力特征数据之间的第三差异信息,对初始数据生成器的训练,能够使得初始数据生成器生成的初始模拟出力特征数据越来越接近真实出力特征数据,从而使得目标数据判别器越来越无法区分初始模拟出力特征数据与真实出力特征数据;第三,服务器基于上述对初始数据判别器和初始数据生成器的对抗训练,能够在保证判别精度的前提下,得到能够生成与真实出力特征数据更相似的模拟出力特征数据的目标数据生成器,从而生成与新能源发电场景更相似的模拟新能源发电场景;此外,服务器通过高斯混合聚类模型对多个新能源发电场景进行聚类处理,能够将复杂多变的新能源发电场景的生成问题简化,并使得新能源发电场景的生成更加准确。基于以上过程的新能源发电场景生成方法,能够基于高准确性的模拟新能源发电场景,精准地刻画新能源出力变化,从而能够辅助电力系统调度的决策,提升电力系统调度的可靠性。
为了更清晰阐明本申请实施例提供的新能源发电场景生成方法,以下以一个具体的实施例对该新能源发电场景生成方法进行具体说明,但应当理解的是,本申请实施例并不限于此。在一示例性实施例中,本申请还提供了一种基于时序生成对抗网络的新能源发电场景聚类与生成方法,具体包括以下步骤:
步骤1:构建基于高斯混合算法的多场景聚类模型。
服务器首先采集新能源发电机组的发电数据,然后确认新能源发电机组每一日的最大出力值、日均出力值、日峰谷差率以及日出力波动率,并将每个新能源发电机组每一日的最大出力值、日均出力值、日峰谷差率以及日出力波动率,作为一个新能源发电场景的出力信息。
然后,服务器根据新能源发电场景的出力信息,更新高斯混合聚类模型中的各个子高斯模型的模型参数,使得模型参数均收敛,得到基于高斯混合算法的多场景聚类模型。
接着,服务器通过基于高斯混合算法的多场景聚类模型,对多个新能源发电场景进行聚类。
步骤2:针对不同类型的场景,构建基于时序生成对抗网络的新能源场景生成模型。
针对不同类型的场景,服务器获取新能源发电场景的真实出力数据,并通过待训练的基于时序生成对抗网络的新能源场景生成模型中的嵌入函数,对真实出力数据进行特征提取,得到新能源发电场景的真实出力特征数据。
然后,服务器将随机噪声输入生成器,得到初始模拟出力特征数据;接着,服务器将真实出力特征数据和初始模拟出力特征数据输入判别器中,得到真实出力特征数据和初始模拟出力特征数据的判别信息。
接着,服务器根据真实出力特征数据、初始模拟出力特征数据以及判别信息三者之间的差异信息,对生成器和判别器进行对抗训练,得到训练完成的基于时序生成对抗网络的新能源场景生成模型。
最后,服务器基于对抗训练后的生成器,得到目标模拟出力特征数据,并通过训练完成的基于时序生成对抗网络的新能源场景生成模型中的恢复函数,对真实出力特征数据和目标模拟出力特征数据进行映射处理,得到场景数据;服务器基于场景数据,生成新能源发电场景。
步骤3:对场景数据进行相关性分析。
服务器首先利用自相关系数法,对场景数据进行时序相关性分析;然后利用皮尔森相关系数法,对场景数据进行空间相关性分析。
本实施例中,第一,服务器基于高斯混合算法的场景聚类,将新能源发电场景的出力信息分成若干个高斯分布,并用每个高斯分布的参数来描述该分布,从而通过对某些特定变量的聚类、分类或者分布拟合,将复杂的现实问题聚类为不同的场景,再在每个场景中应用不同的方法或算法进行解决,使问题的解决更为高效和准确;第二,服务器采用的基于时序生成对抗网络的新能源场景生成模型,一方面,具有高度的可扩展性和适应性,可以同时生成多个与真实数据相似但不完全相同的时间序列数据;另一方面,具有较高的数据分布的覆盖率和稠密度,从而保证了模型的鲁棒性和泛化性能;此外,服务器采用具有计算简单、稳定性好、可解释强和适用范围广的自相关系数法和皮尔森相关系数法对生成的场景数据的时空相关性进行分析,验证了模型的有效性,为提升模型性能提供依据。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的新能源发电场景生成方法的新能源发电场景生成装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个新能源发电场景生成装置实施例中的具体限定可以参见上文中对于新能源发电场景生成方法的限定,在此不再赘述。
在一示例性实施例中,如图8所示,提供了一种新能源发电场景生成装置,包括:聚类处理模块802、信息确定模块804、模型训练模块806和场景生成模块808,其中:
聚类处理模块802,用于基于多个新能源发电场景的出力信息,对多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇。
信息确定模块804,用于针对每个新能源发电场景聚类簇,基于新能源发电场景聚类簇中的关联新能源发电场景的出力信息,确定关联新能源发电场景的真实出力数据;真实出力数据至少包括静态出力数据和动态出力数据。
模型训练模块806,用于基于关联新能源发电场景的真实出力数据,对新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于新能源发电场景聚类簇的目标新能源发电场景生成模型。
场景生成模块808,用于将第一随机噪声数据,输入目标新能源发电场景生成模型中,得到新能源发电场景聚类簇对应的模拟新能源发电场景。
在一示例性实施例中,模型训练模块806,还用于对关联新能源发电场景的真实出力数据进行特征提取处理,得到关联新能源发电场景的真实出力特征数据;基于真实出力特征数据,训练初始新能源发电场景生成模型中的初始数据判别器,得到目标数据判别器;基于目标数据判别器,训练初始新能源发电场景生成模型中的初始数据生成器,得到目标数据生成器;基于目标数据判别器和目标数据生成器,得到对应于新能源发电场景聚类簇的目标新能源发电场景生成模型。
在一示例性实施例中,模型训练模块806,还用于将第二随机噪声数据输入初始数据生成器中,得到新能源发电场景聚类簇的初始模拟出力特征数据;将初始模拟出力特征数据和关联新能源发电场景的真实出力特征数据作为第一输入信息,输入初始数据判别器中,得到第一输入信息与真实出力特征数据之间的第一相似度;基于第一相似度的分布信息与初始模拟出力特征数据的分布信息之间的第一差异信息,以及第一相似度的分布信息与真实出力特征数据的分布信息之间的第二差异信息,对初始数据判别器进行训练,得到目标数据判别器。
在一示例性实施例中,模型训练模块806,还用于将初始模拟出力特征数据和关联新能源发电场景的真实出力特征数据作为第二输入信息,输入目标数据判别器中,得到第二输入信息和真实出力特征数据之间的第二相似度;基于第二相似度的分布信息,以及初始模拟出力特征数据的分布信息与真实出力特征数据的分布信息之间的第三差异信息,对初始数据生成器进行训练,得到目标数据生成器。
在一示例性实施例中,场景生成模块808,还用于将第一随机噪声数据输入目标新能源发电场景生成模型中的目标数据生成器中,得到新能源发电场景聚类簇的目标模拟出力特征数据;基于目标新能源发电场景生成模型,对目标模拟出力特征数据进行数据映射处理,得到对应于新能源发电场景聚类簇的模拟出力数据;基于对应于新能源发电场景聚类簇的模拟出力数据,生成新能源发电场景聚类簇对应的模拟新能源发电场景。
在一示例性实施例中,聚类处理模块802,还用于基于多个新能源发电场景的出力信息,初始化待训练的高斯混合聚类模型中的各个子高斯模型的模型参数;针对每个新能源发电场景,基于新能源发电场景的出力信息,确定新能源发电场景与各个子高斯模型之间的匹配度;基于每个新能源发电场景与每个子高斯模型之间的匹配度,更新各个子高斯模型的模型参数,得到训练完成的高斯混合聚类模型;训练完成的高斯混合聚类模型中的各个子高斯模型的模型参数满足预设模型参数条件;基于训练完成的高斯混合聚类模型,和多个新能源发电场景的出力信息,对多个新能源发电场景进行聚类处理。
在一示例性实施例中,新能源发电场景生成装置还包括信息获取模块,用于获取新能源发电场景在预设的多个时间区间下的出力值;根据新能源发电场景在预设的多个时间区间下的出力值,确定新能源发电场景的最大出力值、日均出力值、日峰谷差率以及日出力波动率;将新能源发电场景的最大出力值、日均出力值、日峰谷差率以及日出力波动率,确认为新能源发电场景的出力信息。
上述新能源发电场景生成装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一示例性实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储新能源发电场景的出力数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种新能源发电场景生成方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一示例性实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一示例性实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一示例性实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种新能源发电场景生成方法,其特征在于,所述方法包括:
基于多个新能源发电场景的出力信息,对所述多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇;
针对每个新能源发电场景聚类簇,基于所述新能源发电场景聚类簇中的关联新能源发电场景的出力信息,确定所述关联新能源发电场景的真实出力数据;所述真实出力数据至少包括静态出力数据和动态出力数据;
基于所述关联新能源发电场景的真实出力数据,对所述新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于所述新能源发电场景聚类簇的目标新能源发电场景生成模型;
将第一随机噪声数据,输入所述目标新能源发电场景生成模型中,得到所述新能源发电场景聚类簇对应的模拟新能源发电场景。
2.根据权利要求1所述的方法,其特征在于,所述基于所述关联新能源发电场景的真实出力数据,对所述新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于所述新能源发电场景聚类簇的目标新能源发电场景生成模型,包括:
对所述关联新能源发电场景的真实出力数据进行特征提取处理,得到所述关联新能源发电场景的真实出力特征数据;
基于所述真实出力特征数据,训练所述初始新能源发电场景生成模型中的初始数据判别器,得到目标数据判别器;
基于所述目标数据判别器,训练所述初始新能源发电场景生成模型中的初始数据生成器,得到目标数据生成器;
基于所述目标数据判别器和所述目标数据生成器,得到对应于所述新能源发电场景聚类簇的目标新能源发电场景生成模型。
3.根据权利要求2所述的方法,其特征在于,所述基于所述真实出力特征数据,训练所述初始新能源发电场景生成模型中的初始数据判别器,得到目标数据判别器,包括:
将第二随机噪声数据输入所述初始数据生成器中,得到所述新能源发电场景聚类簇的初始模拟出力特征数据;
将所述初始模拟出力特征数据和所述关联新能源发电场景的真实出力特征数据作为第一输入信息,输入所述初始数据判别器中,得到所述第一输入信息与所述真实出力特征数据之间的第一相似度;
基于所述第一相似度的分布信息与所述初始模拟出力特征数据的分布信息之间的第一差异信息,以及所述第一相似度的分布信息与所述真实出力特征数据的分布信息之间的第二差异信息,对所述初始数据判别器进行训练,得到所述目标数据判别器。
4.根据权利要求3所述的方法,其特征在于,所述基于所述目标数据判别器,训练所述初始新能源发电场景生成模型中的初始数据生成器,得到目标数据生成器,包括:
将所述初始模拟出力特征数据和所述关联新能源发电场景的真实出力特征数据作为第二输入信息,输入所述目标数据判别器中,得到所述第二输入信息和所述真实出力特征数据之间的第二相似度;
基于所述第二相似度的分布信息,以及所述初始模拟出力特征数据的分布信息与所述真实出力特征数据的分布信息之间的第三差异信息,对所述初始数据生成器进行训练,得到所述目标数据生成器。
5.根据权利要求1所述的方法,其特征在于,所述将第一随机噪声数据,输入所述目标新能源发电场景生成模型中,得到所述新能源发电场景聚类簇对应的模拟新能源发电场景,包括:
将第一随机噪声数据输入所述目标新能源发电场景生成模型中的目标数据生成器中,得到所述新能源发电场景聚类簇的目标模拟出力特征数据;
基于所述目标新能源发电场景生成模型,对所述目标模拟出力特征数据进行数据映射处理,得到对应于所述新能源发电场景聚类簇的模拟出力数据;
基于对应于所述新能源发电场景聚类簇的模拟出力数据,生成所述新能源发电场景聚类簇对应的模拟新能源发电场景。
6.根据权利要求1所述的方法,其特征在于,所述基于多个新能源发电场景的出力信息,对所述多个新能源发电场景进行聚类处理,包括:
基于所述多个新能源发电场景的出力信息,初始化待训练的高斯混合聚类模型中的各个子高斯模型的模型参数;
针对每个新能源发电场景,基于所述新能源发电场景的出力信息,确定所述新能源发电场景与所述各个子高斯模型之间的匹配度;
基于所述每个新能源发电场景与每个子高斯模型之间的匹配度,更新所述各个子高斯模型的模型参数,得到训练完成的高斯混合聚类模型;所述训练完成的高斯混合聚类模型中的各个子高斯模型的模型参数满足预设模型参数条件;
基于所述训练完成的高斯混合聚类模型,和所述多个新能源发电场景的出力信息,对所述多个新能源发电场景进行聚类处理。
7.根据权利要求1至6任一项所述的方法,其特征在于,在基于多个新能源发电场景的出力信息,对所述多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇之前,还包括:
获取新能源发电场景在预设的多个时间区间下的出力值;
根据所述新能源发电场景在预设的多个时间区间下的出力值,确定所述新能源发电场景的最大出力值、日均出力值、日峰谷差率以及日出力波动率;
将所述新能源发电场景的最大出力值、日均出力值、日峰谷差率以及日出力波动率,确认为所述新能源发电场景的出力信息。
8.一种新能源发电场景生成装置,其特征在于,所述装置包括:
聚类处理模块,用于基于多个新能源发电场景的出力信息,对所述多个新能源发电场景进行聚类处理,得到多个新能源发电场景聚类簇;
信息确定模块,用于针对每个新能源发电场景聚类簇,基于所述新能源发电场景聚类簇中的关联新能源发电场景的出力信息,确定所述关联新能源发电场景的真实出力数据;所述真实出力数据至少包括静态出力数据和动态出力数据;
模型训练模块,用于基于所述关联新能源发电场景的真实出力数据,对所述新能源发电场景聚类簇对应的初始新能源发电场景生成模型中的初始数据判别器和初始数据生成器进行训练,得到对应于所述新能源发电场景聚类簇的目标新能源发电场景生成模型;
场景生成模块,用于将第一随机噪声数据,输入所述目标新能源发电场景生成模型中,得到所述新能源发电场景聚类簇对应的模拟新能源发电场景。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311087439.8A CN116842409B (zh) | 2023-08-28 | 2023-08-28 | 新能源发电场景生成方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311087439.8A CN116842409B (zh) | 2023-08-28 | 2023-08-28 | 新能源发电场景生成方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116842409A true CN116842409A (zh) | 2023-10-03 |
CN116842409B CN116842409B (zh) | 2024-02-20 |
Family
ID=88162037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311087439.8A Active CN116842409B (zh) | 2023-08-28 | 2023-08-28 | 新能源发电场景生成方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842409B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114066236A (zh) * | 2021-11-16 | 2022-02-18 | 国家电网公司西南分部 | 风光有功出力场景生成方法、装置、电子设备及存储介质 |
CN115544860A (zh) * | 2022-09-06 | 2022-12-30 | 国网冀北电力有限公司张家口供电公司 | 间歇性分布式电源在复杂运行场景下的出力建模方法 |
CN115659844A (zh) * | 2022-12-05 | 2023-01-31 | 南方电网数字电网研究院有限公司 | 基于风电场动态模型的仿真方法、装置和计算机设备 |
CN116029465A (zh) * | 2023-03-29 | 2023-04-28 | 山东大学 | 转折性天气日前风电功率预测方法、装置、介质及设备 |
CN116245250A (zh) * | 2023-03-16 | 2023-06-09 | 国网河南省电力公司开封供电公司 | 一种用于电力系统优化的场景生成方法 |
US20230196810A1 (en) * | 2021-12-17 | 2023-06-22 | Uif (University Industry Foundation), Yonsei University | Neural ode-based conditional tabular generative adversarial network apparatus and method |
CN116613815A (zh) * | 2023-05-18 | 2023-08-18 | 华中科技大学 | 一种风光荷联合预测方法 |
-
2023
- 2023-08-28 CN CN202311087439.8A patent/CN116842409B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114066236A (zh) * | 2021-11-16 | 2022-02-18 | 国家电网公司西南分部 | 风光有功出力场景生成方法、装置、电子设备及存储介质 |
US20230196810A1 (en) * | 2021-12-17 | 2023-06-22 | Uif (University Industry Foundation), Yonsei University | Neural ode-based conditional tabular generative adversarial network apparatus and method |
CN115544860A (zh) * | 2022-09-06 | 2022-12-30 | 国网冀北电力有限公司张家口供电公司 | 间歇性分布式电源在复杂运行场景下的出力建模方法 |
CN115659844A (zh) * | 2022-12-05 | 2023-01-31 | 南方电网数字电网研究院有限公司 | 基于风电场动态模型的仿真方法、装置和计算机设备 |
CN116245250A (zh) * | 2023-03-16 | 2023-06-09 | 国网河南省电力公司开封供电公司 | 一种用于电力系统优化的场景生成方法 |
CN116029465A (zh) * | 2023-03-29 | 2023-04-28 | 山东大学 | 转折性天气日前风电功率预测方法、装置、介质及设备 |
CN116613815A (zh) * | 2023-05-18 | 2023-08-18 | 华中科技大学 | 一种风光荷联合预测方法 |
Non-Patent Citations (1)
Title |
---|
QING LI: "A Multi-step ahead photovoltaic power forecasting model based on TimeGAN, Soft DTW-based K-medoids clustering, and a CNN-GRU hybrid neural network", 《ENERGY REPORTS》, pages 1 - 17 * |
Also Published As
Publication number | Publication date |
---|---|
CN116842409B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Adversarial multiview clustering networks with adaptive fusion | |
CN110609916A (zh) | 视频图像数据检索方法、装置、设备和存储介质 | |
Li et al. | Self-taught low-rank coding for visual learning | |
CN107194378B (zh) | 一种基于混合字典学习的人脸识别方法及装置 | |
CN112686775A (zh) | 基于孤立森林算法的电力网络攻击检测方法及系统 | |
CN111143838B (zh) | 数据库用户异常行为检测方法 | |
CN111352965A (zh) | 序列挖掘模型的训练方法、序列数据的处理方法及设备 | |
CN113011889A (zh) | 账号异常识别方法、系统、装置、设备及介质 | |
CN116015932B (zh) | 入侵检测网络模型生成方法以及数据流量入侵检测方法 | |
CN109121133B (zh) | 一种位置隐私保护方法及装置 | |
CN111432003A (zh) | 应用于云计算的数据推送方法、装置、电子设备及系统 | |
CN114004364A (zh) | 采样优化方法、装置、电子设备及存储介质 | |
CN116958267B (zh) | 位姿处理方法、装置、电子设备及存储介质 | |
Zhang et al. | Face alignment based on fusion subspace and 3D fitting | |
CN116842409B (zh) | 新能源发电场景生成方法、装置、计算机设备和存储介质 | |
CN116010831A (zh) | 一种基于潜在决策结果的组合聚类场景缩减方法及系统 | |
Zhou et al. | Online nonparametric Bayesian analysis of parsimonious Gaussian mixture models and scenes clustering | |
CN115601629A (zh) | 模型训练方法、图像识别方法、介质、装置和计算设备 | |
Bond et al. | An unsupervised machine learning approach for ground‐motion spectra clustering and selection | |
CN117332703B (zh) | 人工地震波生成方法、设备及存储介质 | |
CN112214534B (zh) | 对有缺失的数据进行近似查询的方法、系统及存储介质 | |
CN114757194A (zh) | 超矩形几何嵌入细粒度命名实体的建模、识别方法及系统 | |
Eita | Building Reliable Frameworks for 3D Object Classification Based on Bayesian and Deep Learning Approaches | |
CN118035747A (zh) | 一种融合集成学习与知识蒸馏的模型建立方法 | |
CN116187325A (zh) | 一种数据检测方法及其系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |