CN117370825A - 基于注意力条件生成对抗网络的长期场景生成方法及系统 - Google Patents

基于注意力条件生成对抗网络的长期场景生成方法及系统 Download PDF

Info

Publication number
CN117370825A
CN117370825A CN202311314763.9A CN202311314763A CN117370825A CN 117370825 A CN117370825 A CN 117370825A CN 202311314763 A CN202311314763 A CN 202311314763A CN 117370825 A CN117370825 A CN 117370825A
Authority
CN
China
Prior art keywords
data
long
term
scene
generating
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
Application number
CN202311314763.9A
Other languages
English (en)
Inventor
李晖
刘栋
于昊洋
王智冬
孙珂
吴雄
曹滨睿
秦继朔
李凡
郭国栋
章程
王丹
薛雅玮
刘忠健
游沛羽
张柯欣
梁涵卿
陶太堃
司远
胡天宇
吴聪
孙广增
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Economic And Technological Research Institute Co LtdB412 State Grid Office
Xian Jiaotong University
Original Assignee
State Grid Economic And Technological Research Institute Co LtdB412 State Grid Office
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Economic And Technological Research Institute Co LtdB412 State Grid Office, Xian Jiaotong University filed Critical State Grid Economic And Technological Research Institute Co LtdB412 State Grid Office
Priority to CN202311314763.9A priority Critical patent/CN117370825A/zh
Publication of CN117370825A publication Critical patent/CN117370825A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于注意力条件生成对抗网络的长期场景生成方法及系统，其包括：基于K‑means聚类算法进行典型日的聚类，得到原始年数据聚类结果；利用原始年数据聚类结果计算得到聚类转移矩阵，由聚类转移矩阵利用马尔科夫链蒙特卡洛模拟法生成每日集群的长期年度序列；以月份和原始年数据聚类结果作为条件数据训练对抗性网络ACGAN，训练得到满足目标函数的对抗性网络ACGAN，将长期年度序列中每天的信息输入训练后的对抗性网络ACGAN，生成风能和光伏能源的日内场景，进而由日内场景得到长期年度场景。本发明能更好地捕捉风能和光伏能源的相关性特征以及历史数据中的特征。

Description

基于注意力条件生成对抗网络的长期场景生成方法及系统
技术领域
本发明涉及一种电力系统技术领域，特别是关于一种基于注意力条件生成对抗网络的长期场景生成方法及系统。
背景技术
由于全球对二氧化碳排放的日益担忧，包括风能和太阳能在内的可再生能源被认为是实现低碳发展的一种很有前途的方法。然而，由于可再生能源的波动性和间歇性，可再生能源装机容量的增加将给基于可再生能源的系统的优化运行和规划带来巨大挑战。一个巨大的挑战是如何生成准确合理的场景，这将直接影响能源系统的运营商和规划者生成的决策。在生成的场景中应充分考虑风能和太阳能的时间特征。此外，由于风能和光伏发电的输出受到天气条件的影响，可再生能源的输出彼此之间存在强烈的相关性。
许多研究人员关注可再生能源的场景生成方法，目前采用的主要方法基于蒙特卡罗方法的场景生成方法、逆变换采样方法开发多元正态分布的协方差矩阵、、通过广义动态因素模型来生成相关的负荷和风况、准蒙特卡罗方法和Copula模型、吉布斯采样方法、聚类方法、蒙特卡罗采样和联合概率密度函数、机会约束规划模型等。上述方法依赖于可再生能源的时间和空间特征模型。生成的场景的质量可能会受到模型准确性的影响。由于模型是使用历史数据拟合的，因此过拟合问题可能是一项艰巨的任务。此外，上述模型很难捕捉可再生能源的长期相关性特征，也很难生成现实的长期情景。
近年来，随着深度学习技术的发展，深度生成对抗性网络在可再生能源场景生成方面显示出巨大的潜力，有文献提出了一个条件GAN模型生成可再生能源的场景并采用生成的场景来生成具有混合储能系统的光伏电站的最优规划结果。利用条件信息，条件GAN模型可以比传统的GAN模型更可控。与传统的GAN模型相比，条件GAN模型可以在给定条件信息的情况下捕捉风力发电和光伏发电的时间和空间相关性特征，采用生成对抗性网络的渐进增长来生成质量更高的可再生能源场景。目前现有的很多方法是基于新的GAN模型进行的。然而，这些改进的基于GAN的方法大多侧重于短期场景生成。考虑到GAN模型复杂的内部结构，专注于短期场景是合理的，因为直接生成长期场景需要更复杂和无法实现的GAN模型。然而，使用长期甚至年度情景的最优运营和规划模型可以更好地捕捉季节特征的影响。此外，大多数现有的GAN模型都是使用梯度下降优化模型直接训练的。这可能导致收敛过程缓慢和时空特征的不完全识别。
发明内容
针对上述问题，本发明的目的是提供一种基于注意力条件生成对抗网络的长期场景生成方法及系统，其能更好地捕捉风能和光伏能源的相关性特征以及历史数据中的特征。
为实现上述目的，本发明采取以下技术方案：一种基于注意力条件生成对抗网络的长期场景生成方法，其包括：基于K-means聚类算法进行典型日的聚类，得到原始年数据聚类结果；利用原始年数据聚类结果计算得到聚类转移矩阵，由聚类转移矩阵利用马尔科夫链蒙特卡洛模拟法生成每日集群的长期年度序列；以月份和原始年数据聚类结果作为条件数据训练对抗性网络ACGAN，训练得到满足目标函数的对抗性网络ACGAN，将长期年度序列中每天的信息输入训练后的对抗性网络ACGAN，生成风能和光伏能源的日内场景，进而由日内场景得到长期年度场景。
进一步，基于K-means聚类算法进行典型日的聚类，包括：
采用欧几里得距离来度量每日不同数据之间的关系，通过K-means聚类算法得到聚类典型天数，进而得到每个聚类的日曲线特征。
进一步，聚类转移矩阵，为：
其中,表示聚类i到聚类j的转移概率，/>表示第m个月的聚类转移矩阵，k为集群个数。
进一步，对抗性网络ACGAN的目标函数，为：
式中，p(Idata)为真实数据的分布，p(Iran)为随机数据的分布，G为生成器，D为判别器，Idata为服从原始数据分布的数据，E为均值函数，Icon为条件数据，Iran为服从随机分布的随机数据，V(D,G)为所述基于注意力条件生成对抗网络的目标函数。
进一步，对抗性网络ACGAN的基本层由全连接层、注意力层和归一化层组成。
进一步，对抗性网络ACGAN分为判别器模型和生成器模型；
在判别器模型中包括两个网络Dc和Dt：Dc用于计算输入的可再生能源在日间场景下的条件数据，Dt用于判断输入曲线是否是真实数据；
在生成器模型中包括两个网络Gc和Gd：Gc用于生成条件表示，该条件表示显示条件信息的高维表示，Gd用于生成具有条件信息的随机日间场景。
进一步，在判别器模型中，采用具有Wasserstein距离和梯度惩罚的损失函数。
一种基于注意力条件生成对抗网络的长期场景生成系统，其包括：K-means聚类典型日模块，基于K-means聚类算法进行典型日的聚类，得到原始年数据聚类结果；长期序列获取模块，利用原始年数据聚类结果计算得到聚类转移矩阵，由聚类转移矩阵利用马尔科夫链蒙特卡洛模拟法生成每日集群的长期年度序列；场景生成模块，以月份和原始年数据聚类结果作为条件数据训练对抗性网络ACGAN，训练得到满足目标函数的对抗性网络ACGAN，将长期年度序列中每天的信息输入训练后的对抗性网络ACGAN，生成风能和光伏能源的日内场景，进而由日内场景得到长期年度场景。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
本发明由于采取以上技术方案，其具有以下优点：
本发明基于注意力的条件生成对抗性网络的长期场景生成方法，是一种风能和光伏能源的长期相关情景生成方法，包括两个过程，年度序列生成和日内场景生成。通过k-means聚类算法和MCMC方法来生成年度序列。年序列中的每日信息包括ACGAN模型的条件数据，并考虑到历史数据中的时间特征。在给定条件数据的情况下，通过ACGAN模型为年度序列中的每一天生成日内场景。案例研究是在真实世界的数据集上进行的，结果表明，本发明可以更好地捕捉风能和光伏能源的相关性特征以及历史数据中的特征。
附图说明
图1是本发明实施例中基于注意力的条件生成对抗性网络的长期场景生成方法框图；
图2是本发明实施例中ACGAN模型的结构框图；
图3是本发明实施例中ACGAN模型中注意力层的计算步骤图；
图4是本发明实施例中风能和光伏能源的归一化历史数据图；
图5是本发明实施例中ACGAN模型在无梯度惩罚情况时的训练过程及损失值；
图6a是本发明实施例中基于ACGAN模型生成的8月份第5集群日内场景；
图6b是本发明实施例中基于ACGAN模型生成的9月份第3集群日内场景；
图6c是本发明实施例中基于ACGAN模型生成的10月份第15集群日内场景；
图7a是本发明实施例中基于本发明的方法生成的长期场景对比结果；
图7b是本发明实施例中基于Copula方法生成的长期场景对比结果；
图7c是本发明实施例中基于MCMC方法生成的长期场景对比结果；
图7d是本发明实施例中基于传统GAN方法生成的长期场景结果；
图8是本发明实施例中计算机设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
针对现有技术中大多数GAN模型采用梯度下降优化模型直接训练，而导致的收敛过程缓慢和时空特征的不完全识别的问题，本发明提供一种基于注意力条件生成对抗网络的长期场景生成方法及系统，包括：使用马尔科夫链蒙特卡洛模拟法生成每日集群的年度序列，采用ACGAN模型生成风能和光伏能源的日内场景。ACGAN模型捕获了日内场景的短期相关特征，对于每一组数据，所关注的特征可能是不同的，并且开发了基于注意力的网络来捕获这些特征。为了加快训练过程，提高情景生成的质量，在判别器的损失函数中加入了梯度惩罚。此外，本发明通过数值算例验证了该方法在真实数据集和多能系统随机最优调度模型上的有效性。
在本发明的一个实施例中，提供一种基于注意力条件生成对抗网络的长期场景生成方法。充分考虑了风能和太阳能之间的相关性。长期场景生成方法分为两个过程，典型日的长期序列生成和风能和太阳能的日内场景生成。首先，将风能和太阳能的历史数据根据k-means聚类划分为不同的典型日，可以捕捉到不同集群之间的转移分布。其次，通过马尔科夫链蒙特卡洛模拟法(MCMC)方法来生成典型日的长期序列，根据长期序列生成日内场景，从而生成风能和太阳能的长期场景。
本实施例中，如图1所示，该方法包括以下步骤：
1)基于K-means聚类算法进行典型日的聚类，得到原始年数据聚类结果；
2)利用原始年数据聚类结果计算得到聚类转移矩阵，由聚类转移矩阵利用马尔科夫链蒙特卡洛模拟法生成每日集群的长期年度序列；
3)以月份和原始年数据聚类结果作为条件数据训练对抗性网络ACGAN，训练得到满足目标函数的对抗性网络ACGAN，将长期年度序列中每天的信息输入训练后的对抗性网络ACGAN，生成风能和光伏能源的日内场景，进而由日内场景得到长期年度场景。
上述步骤1)中，基于K-means聚类算法进行典型日的聚类，包括：
采用欧几里得距离来度量每日不同数据之间的关系，通过K-means聚类算法得到聚类典型天数，进而得到每个聚类的日曲线特征。在每种类型中，可再生能源的日输出曲线应该是相似的。
具体的，基于K-means聚类算法进行典型日的聚类，包括以下步骤：
1.1)输入风能和太阳能的历史数据，将历史数据分成Nh个每日数据其中/>Nh为一年中的天数，/>为第Nh个每日数据，分别为第d天时刻t的风电、光伏出力结果。
历史数据为：
1.2)设置集群个数k，生成k个聚类{C1,C2,...,Ck}。
1.3)从中随机选取k个每日数据作为聚类中心，即/>
1.4)计算Dn和之间的距离,即/>i＝1,...,k；对于Dn找到第i个聚类Ci,满足/>
1.5)判断是否满足收敛条件，满足，则输出结果；不满足，返回步骤1.4)。
上述步骤2)中，将k种类型的风能和太阳能发电情景聚类后，可以将原始的年数据转换成一个矩阵，每列代表一个k维的独热编码。独热编码表示每日数据的对应聚类，如式(1)所示。
基于该矩阵，转换矩阵可以捕获不同类型可再生能源发电情景之间的时间相关转换。转移矩阵将不同聚类的时间相关特征看作是一个随机的转移过程。
聚类转移矩阵，为：
其中,表示聚类i到聚类j的转移概率，/>表示从聚类i到聚类j的转换次数，/>表示聚类的独热编码，/>表示第m个月的聚类转移矩阵，k为集群个数。
需要注意的是，由于聚类算法中没有考虑可再生能源数据的月特征，因此采用过渡矩阵来考虑月特征。具体而言，获得每个月的过渡矩阵，以捕捉可再生能源的月级特征。
上述步骤3)中，基于ACGAN的条件数据计算。
条件数据包括月份和对应的聚类信息，具体如下:
其中,表示第d天的条件数据,/>表示第d天当月的独热编码。条件数据表明日内情景生成的目标。在公式(4)中，构造条件数据，并通过聚类信息控制生成情景的形状。在公式(5)中，生成的情景应该匹配当月的特性，这限制了情景的月级特征。
本实施例中，对抗性网络ACGAN的基本层由全连接层、注意力层和归一化层组成。
对于给定的d维输入向量，这些层和激活函数的计算步骤如下：
在公式(6)中，全连接层使用可训练参数Wn和bn来生成其输出。在公式(6)中,注意力层的输出通过相应的可训练和/>计算。对于一个给定的x，矩阵/>和/>生成查询向量和键向量。然后，通过SoftMax激活函数和/>的乘子以及/>的过渡，计算出x中每个特征的注意力分数。结合注意力分数，注意力层使用Vn AT生成的值向量生成输出，注意力层的计算如图3所示。在公式(8)中，归一化层是为了将输入数据归一化成均匀分布而开发的。
上述步骤3)中，对抗性网络ACGAN分为判别器模型和生成器模型；
在判别器模型中包括两个网络Dc和Dt：
Dc用于计算输入的可再生能源在日间场景下的条件数据，采用具有注意力层的聚类分类器和月份分类器；通过比较函数得到所获得的条件数据和输入的条件数据之间的相似性。比较结果指示输入曲线是否与条件数据匹配。
Dt用于判断输入曲线是否是真实数据。
判别器模型的输出是两个判断的乘积，指示输入曲线是否为真实数据并与条件值匹配。上述判别模型的过程如下所示：
其中，为条件数据，/>为日间场景数据，θD为判别器模型参数，/>为Gc中的参数，/>为Dt中的参数。在公式(9)中，将比较函数的输出与Dt网络的输出相乘，就可以得到判别器的输出。比较函数的输出如公式(10)所示，该公式通过比较这些向量的角度和二范数来计算/>和/>的相似性。
在生成器模型中包括两个网络Gc和Gd：Gc用于生成条件表示，该条件表示显示条件信息的高维表示，Gd用于生成具有条件信息的随机日间场景。
生成器生成的数据如下所示：
其中，为输入条件数据，/>为输入随机数据，θG为生成器模型参数，/>为Gc中的参数，/>为Gt中的参数。在公式(11)中，给出了生成器模型的参数。在给定输入条件数据的情况下，由Gc得到条件表示。将输入的随机数据和条件表示相结合，通过Gd得到生成的日间场景。
上述步骤3)中，对抗性网络ACGAN的目标函数，为：
式中，p(Idata)为真实数据的分布，p(Iran)为随机数据的分布，G为生成器，D为判别器，Idata为服从原始数据分布的数据，E为均值函数，Icon为条件数据，Iran为服从随机分布的随机数据，V(D,G)为所述基于注意力条件生成对抗网络的目标函数。
判别器要判断输入数据是否为真，是否与条件数据匹配。生成器的目标是生成能够通过判别器测试的数据。ACGAN模型的训练过程可以用一个游戏来描述。判别器应该找出真实数据与生成器生成的数据之间的差异。生成器应该生成接近真实数据的场景。最后，找到ACGAN模型的纳什均衡。
本实施例中，在判别器模型中，采用具有Wasserstein距离和梯度惩罚的损失函数。
对于两个随机变量x，x'，Wasserstein距离定义为：
其中，π(x,x′)为x，x'的联合分布。然而，等式(13)中的计算是非常复杂的。使用Kantorovich-Rubinstein对偶，可以得到以下计算：
其中，‖fD‖L≤1表示判别器模型应为1-Lipschitz函数。注意，判别器模型的1-Lipschitz限制对于从公式(13)过渡到公式(14)是必要的。在公式14中，得到了具有Wasserstein距离的ACGAN的值函数。与公式(12)中的潜在不连续目标相比，在大多数假设下，Wasserstein距离在任何地方都是连续的，这使得生成器的优化更加容易。为了加强鉴别器模型的1-Lipschitz限制，引入了梯度惩罚：
其中，表示沿真实数据中的点与生成数据中的点之间的直线均匀采样的分布，λ表示惩罚常数。ACGAN的目标如式(15)所示。
上述步骤3)中，长期场景生成。如图1所示，k个聚类是从给定的原始年度数据中获得的，然后得到月聚类转移矩阵。使用MCMC方法，可以根据转移矩阵获得每年的天数序列。在这个序列中，应该包括每天相应的聚类，还可以进一步得到曲线的目标指标。结合月份的信息，可以得到每天的条件数据。利用训练好的ACGAN模型，可以生成可再生能源的年曲线。
上述各步骤中，本发明还包括评估的步骤：构建生成场景的评估指标，对比与本发明方法不同的三种广泛使用的方法验证所提模型的有效性。
评估指标构建：
考虑到场景生成方法的目标是生成相似但又不同的场景，对生成场景的评估应包括从原始数据中捕获的特征和所生成场景的多样性。生成场景的评估指标Energy Score(ES),Brier Score(BS),Pinball Score(PB),Cosine Similarity(CS)和一天内距离的Best Matching Gap(BMG)如下:
式中，T为已生成场景的长度，一般为8760，Nsc为已生成风能和光伏相关场景的个数，y为原始数据，为已生成数据，/>为所有已生成场景中的第m个已生成场景，/>为t时刻的所有场景，/>表示数据/>中事件是否在t时刻发生，/>为t时刻所有场景的分位数值τ，‖·‖2表示数据的欧几里得范数值，/>表示与d同月的天数。
在公式(16)中，通过计算原始数据和生成数据之间的差以及原始数据之间的差值来计算ES。在ES的计算中考虑了依赖结构，并量化了场景的准确性和扩展性。ES产生负向量化(生成的场景质量越高，对应的ES值越低)。在公式(17)中，通过比较表I中所示的相应事件的平均发生次数来计算BS。BS对已生成的场景进行面向应用的评估。能源系统主要考虑风能的大爬坡事件和长期事件。在公式(18)中，通过计算每次场景分布中的特征来计算PB。PB生成一个负向量化，用于测量生成的场景与原始数据之间的差值。在公式(19)中，通过计算风能和光伏能量角度的余弦值来生成风能和光伏能量生成场景之间的相关性。在公式(20)中，用于找出第d天的欧氏最接近的生成场景，/>还可用于评估如何在生成的场景中捕获原始场景中的特征。
实施例，采用中国某省的数据进行对比说明。在本实施例中，风能和光伏能源的测量输出被开发来形成数据集，并用装机容量对数据进行归一化。风能和光伏能源的归一化数据如图4所示。本发明的方法的参数设置如表2所示。Adam优化器是为了优化ACGAN模型而开发的。
表2本发明方法的参数表
生成器和判别器在训练过程中的损失值，如图5所示。在训练过程的早期阶段，判别器可以准确地找出生成的数据，且损耗接近于零，而发生器的损耗是巨大的。经过300个时期的训练，生成器学习真实数据的分布，并生成具有更高质量的场景。在这个过程中，发生器的损耗减小，判别器的损耗增大。最后，达到了ACGAN的平衡。ACGAN模型可以高质量地生成风能和光伏能源的日内场景。
ACGAN为不同月份的不同集群生成的几个日内场景，如图6a至图6c所示。可以注意到，生成的日内场景可以完全捕捉原始数据的特征。生成的场景可以覆盖原始历史数据。其中，8月份第5集群光伏能源的原始日内情景更具随机性。此外，10月份第15集群中风能和光伏能源的原始场景相比于其他集群要低得多。这些特征在ACGAN模型中被完全捕捉到，并且生成的当天场景是随机和相似的。
不同场景生成方法的对比结果，如图7a至图7d所示。将本发明的长期场景生成方法与几种广泛使用的长期场景生成方法进行了比较，包括Copula、MCMC和传统的GAN模型。生成的年度数据如图7a至图7d所示。生成场景的评价指标如表3所示。
表3不同场景生成方法的评价结果
与其他方法相比，本发明的方法可以生成质量更高的场景。在图7a至图7d中，可以注意到，长期场景生成方法可以更好地捕捉历史数据中的特征。针对风能场景，所提出的方法和MCMC模型可以生成具有更高质量的日内场景。Copula模型未能生成合理的日内情景，并且在生成的场景中引入了更多的波动性。传统的GAN模型由于其结构难以训练，也无法生成具有差异的场景。传统的GAN学习有限的信息，这导致了类似的生成场景。对于光伏发电的场景，本发明的方法可以更好地处理原始光伏发电的日内和季节特征。还可以注意到，本发明的方法在光伏能源相关指标上表现更好。MCMC方法生成的PV场景比原始数据连续的时间更长，这与真实数据不同。其他方法无法生成高质量的PV场景。对于整个场景，本发明的方法可以更好地处理相关性特征。
在本发明的一个实施例中，提供一种基于注意力条件生成对抗网络的长期场景生成系统，其包括：
K-means聚类典型日模块，基于K-means聚类算法进行典型日的聚类，得到原始年数据聚类结果；
长期序列获取模块，利用原始年数据聚类结果计算得到聚类转移矩阵，由聚类转移矩阵利用马尔科夫链蒙特卡洛模拟法生成每日集群的长期年度序列；
场景生成模块，以月份和原始年数据聚类结果作为条件数据训练对抗性网络ACGAN，训练得到满足目标函数的对抗性网络ACGAN，将长期年度序列中每天的信息输入训练后的对抗性网络ACGAN，生成风能和光伏能源的日内场景，进而由日内场景得到长期年度场景。
上述实施例中，基于K-means聚类算法进行典型日的聚类，包括：
采用欧几里得距离来度量每日不同数据之间的关系，通过K-means聚类算法得到聚类典型天数，进而得到每个聚类的日曲线特征。
上述实施例中，聚类转移矩阵，为：
其中,表示聚类i到聚类j的转移概率，/>表示第m个月的聚类转移矩阵，k为集群个数。
上述实施例中，对抗性网络ACGAN的目标函数，为：
式中，p(Idata)为真实数据的分布，p(Iran)为随机数据的分布，G为生成器，D为判别器，Idata为服从原始数据分布的数据，E为均值函数，Icon为条件数据，Iran为服从随机分布的随机数据，V(D,G)为所述基于注意力条件生成对抗网络的目标函数。
上述实施例中，对抗性网络ACGAN的基本层由全连接层、注意力层和归一化层组成。
上述实施例中，对抗性网络ACGAN分为判别器模型和生成器模型；
在判别器模型中包括两个网络Dc和Dt：Dc用于计算输入的可再生能源在日间场景下的条件数据，Dt用于判断输入曲线是否是真实数据；
在生成器模型中包括两个网络Gc和Gd：Gc用于生成条件表示，该条件表示显示条件信息的高维表示，Gd用于生成具有条件信息的随机日间场景。
上述实施例中，在判别器模型中，采用具有Wasserstein距离和梯度惩罚的损失函数。
本实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
如图8所示，在本发明一实施例中提供的计算设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。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、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。该计算机程序被处理器执行时以实现基于注意力的条件生成对抗性网络的长期场景生成方法。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的一个实施例中，提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法。
在本发明的一个实施例中，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法。
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本发明是参照根据本发明实施例的方法、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。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于注意力条件生成对抗网络的长期场景生成方法，其特征在于，包括：
基于K-means聚类算法进行典型日的聚类，得到原始年数据聚类结果；
利用原始年数据聚类结果计算得到聚类转移矩阵，由聚类转移矩阵利用马尔科夫链蒙特卡洛模拟法生成每日集群的长期年度序列；
以月份和原始年数据聚类结果作为条件数据训练对抗性网络ACGAN，训练得到满足目标函数的对抗性网络ACGAN，将长期年度序列中每天的信息输入训练后的对抗性网络ACGAN，生成风能和光伏能源的日内场景，进而由日内场景得到长期年度场景。
2.如权利要求1所述基于注意力条件生成对抗网络的长期场景生成方法，其特征在于，基于K-means聚类算法进行典型日的聚类，包括：
采用欧几里得距离来度量每日不同数据之间的关系，通过K-means聚类算法得到聚类典型天数，进而得到每个聚类的日曲线特征。
3.如权利要求1所述基于注意力条件生成对抗网络的长期场景生成方法，其特征在于，聚类转移矩阵，为：
其中,表示聚类i到聚类j的转移概率，/>表示第m个月的聚类转移矩阵，k为集群个数。
4.如权利要求1所述基于注意力条件生成对抗网络的长期场景生成方法，其特征在于，对抗性网络ACGAN的目标函数，为：
式中，p(Idata)为真实数据的分布，p(Iran)为随机数据的分布，G为生成器，D为判别器，Idata为服从原始数据分布的数据，E为均值函数，Icon为条件数据，Iran为服从随机分布的随机数据，V(D,G)为所述基于注意力条件生成对抗网络的目标函数。
5.如权利要求1所述基于注意力条件生成对抗网络的长期场景生成方法，其特征在于，对抗性网络ACGAN的基本层由全连接层、注意力层和归一化层组成。
6.如权利要求1所述基于注意力条件生成对抗网络的长期场景生成方法，其特征在于，对抗性网络ACGAN分为判别器模型和生成器模型；
在判别器模型中包括两个网络Dc和Dt：Dc用于计算输入的可再生能源在日间场景下的条件数据，Dt用于判断输入曲线是否是真实数据；
在生成器模型中包括两个网络Gc和Gd：Gc用于生成条件表示，该条件表示显示条件信息的高维表示，Gd用于生成具有条件信息的随机日间场景。
7.如权利要求6所述基于注意力条件生成对抗网络的长期场景生成方法，其特征在于，在判别器模型中，采用具有Wasserstein距离和梯度惩罚的损失函数。
8.一种基于注意力条件生成对抗网络的长期场景生成系统，其特征在于，包括：
K-means聚类典型日模块，基于K-means聚类算法进行典型日的聚类，得到原始年数据聚类结果；
长期序列获取模块，利用原始年数据聚类结果计算得到聚类转移矩阵，由聚类转移矩阵利用马尔科夫链蒙特卡洛模拟法生成每日集群的长期年度序列；
场景生成模块，以月份和原始年数据聚类结果作为条件数据训练对抗性网络ACGAN，训练得到满足目标函数的对抗性网络ACGAN，将长期年度序列中每天的信息输入训练后的对抗性网络ACGAN，生成风能和光伏能源的日内场景，进而由日内场景得到长期年度场景。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。
10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
CN202311314763.9A 2023-10-11 2023-10-11 基于注意力条件生成对抗网络的长期场景生成方法及系统 Pending CN117370825A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311314763.9A CN117370825A (zh) 2023-10-11 2023-10-11 基于注意力条件生成对抗网络的长期场景生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311314763.9A CN117370825A (zh) 2023-10-11 2023-10-11 基于注意力条件生成对抗网络的长期场景生成方法及系统

Publications (1)

Publication Number Publication Date
CN117370825A true CN117370825A (zh) 2024-01-09

Family

ID=89392227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311314763.9A Pending CN117370825A (zh) 2023-10-11 2023-10-11 基于注意力条件生成对抗网络的长期场景生成方法及系统

Country Status (1)

Country Link
CN (1) CN117370825A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018120428A1 (zh) * 2016-12-29 2018-07-05 平安科技（深圳）有限公司 个性化场景预测方法、装置、设备和存储介质
CN110909911A (zh) * 2019-09-29 2020-03-24 中国农业大学 考虑时空相关性的多维时序数据的聚合方法
CN113191918A (zh) * 2021-03-31 2021-07-30 重庆大学 基于时序生成对抗网络的月度风光发电功率场景分析方法
CN114707292A (zh) * 2022-01-21 2022-07-05 东北电力大学 含电动汽车配电网电压稳定性分析方法
CN115841280A (zh) * 2022-12-12 2023-03-24 广西电网有限责任公司电力科学研究院 一种光伏月度场景生成方法和系统
US20230136352A1 (en) * 2021-10-29 2023-05-04 Economic and Technological Research Institute of State Grid Liaoning Electric Power Co., Ltd. Method and system for predicting a day-ahead wind power of wind farms
CN116070458A (zh) * 2023-02-24 2023-05-05 国网内蒙古东部电力有限公司经济技术研究院 基于rac-gan的新建风电场场景生成方法
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018120428A1 (zh) * 2016-12-29 2018-07-05 平安科技（深圳）有限公司 个性化场景预测方法、装置、设备和存储介质
CN110909911A (zh) * 2019-09-29 2020-03-24 中国农业大学 考虑时空相关性的多维时序数据的聚合方法
CN113191918A (zh) * 2021-03-31 2021-07-30 重庆大学 基于时序生成对抗网络的月度风光发电功率场景分析方法
US20230136352A1 (en) * 2021-10-29 2023-05-04 Economic and Technological Research Institute of State Grid Liaoning Electric Power Co., Ltd. Method and system for predicting a day-ahead wind power of wind farms
CN114707292A (zh) * 2022-01-21 2022-07-05 东北电力大学 含电动汽车配电网电压稳定性分析方法
CN115841280A (zh) * 2022-12-12 2023-03-24 广西电网有限责任公司电力科学研究院 一种光伏月度场景生成方法和系统
CN116070458A (zh) * 2023-02-24 2023-05-05 国网内蒙古东部电力有限公司经济技术研究院 基于rac-gan的新建风电场场景生成方法
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DHAVAL DALAL 等: "Cross-correlated scenario generation for renewable-rich power systems using implicit generative models", 《ENERGIES》, vol. 16, no. 4, 7 February 2023 (2023-02-07), pages 1 - 20 *
YIBIN QIU 等: "A scenario generation method based on the mixture vine copula and its application in the power system with wind/hydrogen production", 《INTERNATIONAL JOURNAL OF HYDROGEN ENERGY》, vol. 44, no. 11, 26 February 2019 (2019-02-26), pages 5162 - 5170 *
叶林 等: "基于近邻传播聚类与MCMC算法的风电时序数据聚合方法", 中国电机工程学报, no. 12, 13 July 2020 (2020-07-13), pages 3744 - 3753 *
董骁 等: "基于条件生成对抗网络的可再生能源日前场景生成方法", 中国电机工程学报, vol. 40, no. 17, 4 September 2020 (2020-09-04), pages 5527 - 5535 *

Similar Documents

Publication Publication Date Title
CN110751318B (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN111191835B (zh) 基于c-gan迁移学习的ies不完备数据负荷预测方法及系统
CN109948845A (zh) 一种配电网负荷长短期记忆神经网络预测方法
He et al. Feature selection for stock market analysis
CN109902340B (zh) 一种计及复杂气象耦合特性的多源-荷联合场景生成方法
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN111237988A (zh) 地铁车载空调机组控制方法及系统
CN113762387B (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
CN112163689A (zh) 基于深度Attention-LSTM的短期负荷分位点概率预测方法
CN110717610A (zh) 一种基于数据挖掘的风电功率预测方法
CN116629416A (zh) 光伏电站功率预测方法及装置
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN116226689A (zh) 一种基于高斯混合模型的配电网典型运行场景生成方法
CN115809719A (zh) 一种基于形态聚类的短期负荷预测修正方法
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
CN111192158A (zh) 一种基于深度学习的变电站日负荷曲线相似度匹配方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN112149896A (zh) 一种基于注意力机制的机械设备多工况故障预测方法
Gao et al. Establishment of economic forecasting model of high-tech industry based on genetic optimization neural network
CN116843012A (zh) 一种融合个性化上下文和时域动态特征的时序预测方法
CN116451859A (zh) 一种基于贝叶斯优化的生成对抗网络股票预测方法
Guo et al. Mobile user credit prediction based on lightgbm
CN117370825A (zh) 基于注意力条件生成对抗网络的长期场景生成方法及系统
CN113610229A (zh) 一种基于范数不确定性指标的主动学习方法
CN113656707A (zh) 一种理财产品推荐方法、系统、存储介质及设备

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