一种基于对抗学习模型的新能源场景生成方法及系统技术方案

本发明专利技术涉及一种基于对抗学习模型的新能源场景生成方法及系统，所述方法包括：生成用于对抗学习模型的神经网络训练的样本集以及每个样本的标签；构建判别网络D和生成网络G；将随机向量z和样本的标签输入到生成网络G中，得到模拟样本G(z)，将模拟样本G(z)、真实样本以及样本的标签同时输入到判别网络D中；对生成网络G和判别网络D的神经网络进行反向传播训练，并进行迭代；迭代收敛后，生成网络G生成并输出优化的新能源运行场景。本发明专利技术能够克服传统方法生成出力参数单一、结果不准确、需要大量简化假设等问题，优化了新能源出力参数，为能源互联网的随机优化运行控制提供了数据基础和保证。

【技术实现步骤摘要】
一种基于对抗学习模型的新能源场景生成方法及系统
本专利技术属于能源互联网的新能源消纳与优化运行领域，尤其涉及一种基于对抗学习模型的新能源场景生成方法及系统。
技术介绍
为应对现今经济社会发展面临的能源环境制约问题，清洁可再生能源大规模发展，多种分布式能源接入电网，呈现多种能源互补利用，供需互动的分布式能源网络，能源互联网成为解决可再生能源就地消纳问题，实现多种能源网络紧密融合、提高整体能效的必然趋势。由于新能源出力的随机波动性，其高渗透率也给能源互联网的调度、运行和规划带来了新的挑战。一种解决方式是通过一定的技术手段，对新能源可能的出力情况进行描述，生成一系列的未来预想运行场景，之后再通过随机调度、鲁棒优化等方法对这些随机场景进行综合考虑。然而，由于风能、光伏发电的出力情况具有强波动性、随机性，很难采用传统的物理简化方法对其进行建模，需要采用更具表征能力、泛化能力的技术对可再生能源运行场景进行模拟。
技术实现思路
本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于对抗学习模型的新能源场景生成方法及系统，能够克服传统方法生成出力参数单一、结果不准确、需要大量简化假设等问题，优化了新能源出力参数，为能源互联网的随机优化运行控制提供了数据基础和保证。根据本专利技术的一个方面，本专利技术提出一种基于对抗学习模型的新能源场景生成方法，所述方法包括以下步骤：S101：根据实时采集的机组的发电功率或收集的机组的历史数据，生成用于对抗学习模型的神经网络训练的样本集以及每个样本的标签；S102：通过卷积神经网络，构建判别网络D；通过反卷积神经网络，构建生成网络G；S103：将随机向量z和样本的标签输入到生成网络G中，得到新能源出力的模拟样本G(z)，将模拟样本G(z)、真实样本以及样本的标签同时输入到判别网络D中，对判别网络D进行训练；S104：判别网络D每次训练生成的判断结果作为损失函数，对生成网络G和判别网络D的神经网络进行反向传播训练，并进行迭代；S105：迭代收敛后，获得训练完成的生成网络G；训练完成的生成网络G根据当天新能源数据的特征标签y和随机向量z，生成符合当天新能源数据的特征标签y的新能源运行场景。优选地，所述步骤S104包括：迭代过程中，判别网络D采用谱归一化方法，使所述迭代过程满足利普席茨约束条件。优选地，所述判别网络D损失函数为：所述生成网络G损失函数为：其中，D为惩罚系数，表示对变量z按照分布求期望，表示对变量x按照分布求期望，表对变量按照分布求期望，表示梯度，∥∥表示范数，表示ε为[0,1]之间的均匀采样。优选地，所述谱归一化方法包括：S1041：对于判别网络D的每一层l，初始化一个随机向量ul；S1042：对于每一层卷积神经网络的权重矩阵Wl，计算vl←(Wl)Tul/||(Wl)Tul||2和ul←Wlvl/||Wlvl||2；S1043：计算谱范数σ(Wl)≈uTWlv；S1044：采用谱范数对每一层卷积神经网络的权重矩阵进行谱归一化，即WlSN＝Wl/σ(Wl)。优选地，所述对抗学习模型为：其中，表示对变量z按照分布求期望，表示对变量x按照分布求期望。根据本专利技术的另一个方面，本专利技术还提供了一种基于对抗学习模型的新能源场景生成系统，所述系统包括：采集模块，根据实时采集的机组的发电功率或收集的机组的历史数据，生成用于对抗学习模型的神经网络训练的样本集以及每个样本的标签；创建模块，通过卷积神经网络，构建判别网络D；通过反卷积神经网络，构建生成网络G；输入模块，将随机向量z和样本的标签输入到生成网络G中，得到新能源出力的模拟样本G(z)，将模拟样本G(z)、真实样本以及样本的标签同时输入到判别网络D中，对判别网络D进行训练；训练模块，判别网络D每次训练生成的判断结果作为损失函数，对生成网络G和判别网络D的神经网络进行反向传播训练，并进行迭代；输出模块，迭代收敛后，获得训练完成的生成网络G；训练完成的生成网络G根据当天新能源数据的特征标签y和随机向量z，生成符合当天新能源数据的特征标签y的新能源运行场景。优选地，所述训练模块还用于，迭代过程中，对判别网络D采用谱归一化方法，使所述迭代过程满足利普席茨约束条件。优选地，所述训练模块还用于：将判别网络D每次判断的结果作为损失函数，对生成网络G和判别网络D的神经网络进行反向传播训练,所述判别网络D损失函数为：所述生成网络G损失函数为：其中，D为惩罚系数，表示对变量z按照分布求期望，表示对变量x按照分布求期望，表对变量按照分布求期望，表示梯度，∥∥表示范数，表示ε为[0,1]之间的均匀采样。优选地，所述谱归一化方法包括：S1041：对于判别网络D的每一层l，初始化一个随机向量ul；S1042：对于每一层卷积神经网络的权重矩阵Wl，计算vl←(Wl)Tul/||(Wl)Tul||2和ul←Wlvl/||Wlvl||2；S1043：计算谱范数σ(Wl)≈uTWlv；S1044：采用谱范数对每一层卷积神经网络的权重矩阵进行谱归一化，即WlSN＝Wl/σ(Wl)。优选地，所述对抗学习模型为：其中，表示对变量z按照分布求期望，表示对变量x按照分布求期望。相对于现有技术，本专利技术能够克服传统方法生成出力参数单一、结果不准确、需要大量简化假设等问题，优化了新能源出力参数，为能源互联网的随机优化运行控制提供了数据基础和保证。通过参照以下附图及对本专利技术的具体实施方式的详细描述，本专利技术的特征及优点将会变得清楚。附图说明图1是本专利技术的新能源场景生成方法流程图；图2是本专利技术的生成对抗学习模型的结构示意图；图3是本专利技术的新能源场景生成系统示意图。具体实施方式下面结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。基于深度神经网络的人工智能技术对高维复杂的海量数据具有良好的建模能力。使用基于深度神经网络的生成对抗学习，能够对新能源出力场景数据进行泛化拟合，有效解决新能源出力建模困难的问题。其本质是通过对海量数据的经验学习，自动挖掘其潜在的特征和分布规律。研究基于生成对抗学习的场景生成方法，能够为能源互联网优化调度控制提供可靠、有效的运行边界。本文档来自技高网...

【技术保护点】
1.一种基于对抗学习模型的新能源场景生成方法，其特征在于，所述方法包括以下步骤：/nS101：根据实时采集的机组的发电功率或收集的机组的历史数据，生成用于对抗学习模型的神经网络训练的样本集以及每个样本的标签；/nS102：通过卷积神经网络，构建判别网络D；通过反卷积神经网络，构建生成网络G；/nS103：将随机向量z和样本的标签输入到生成网络G中，得到新能源出力的模拟样本G(z)；将模拟样本G(z)、真实样本以及样本的标签同时输入到判别网络D中，对判别网络D进行训练；/nS104：判别网络D每次训练生成的判断结果作为损失函数，对生成网络G和判别网络D进行反向传播训练，并进行迭代；/nS105：迭代收敛后，获得训练完成的生成网络G；训练完成的生成网络G根据当天新能源数据的特征标签y和随机向量z，生成符合当天新能源数据的特征标签y的新能源运行场景。/n

【技术特征摘要】
1.一种基于对抗学习模型的新能源场景生成方法，其特征在于，所述方法包括以下步骤：
S101：根据实时采集的机组的发电功率或收集的机组的历史数据，生成用于对抗学习模型的神经网络训练的样本集以及每个样本的标签；
S102：通过卷积神经网络，构建判别网络D；通过反卷积神经网络，构建生成网络G；
S103：将随机向量z和样本的标签输入到生成网络G中，得到新能源出力的模拟样本G(z)；将模拟样本G(z)、真实样本以及样本的标签同时输入到判别网络D中，对判别网络D进行训练；
S104：判别网络D每次训练生成的判断结果作为损失函数，对生成网络G和判别网络D进行反向传播训练，并进行迭代；
S105：迭代收敛后，获得训练完成的生成网络G；训练完成的生成网络G根据当天新能源数据的特征标签y和随机向量z，生成符合当天新能源数据的特征标签y的新能源运行场景。


2.根据权利要求1所述的方法，其特征在于，所述步骤S104的迭代过程中，判别网络D采用谱归一化方法，使所述迭代过程满足利普席茨约束条件。


3.根据权利要求1所述的方法，其特征在于，所述判别网络D损失函数为：



所述生成网络G损失函数为：
其中，D为惩罚系数，表示对变量z按照分布求期望；为随机向量z分布概率；表示对变量x按照分布求期望；为实际数据分布概率；表对变量按照分布求期望；为分布概率；表示梯度，∥∥表示范数，表示ε为[0,1]之间的均匀采样。


4.根据权利要求2所述的方法，其特征在于，所述谱归一化方法包括：
S1041：对于判别网络D的每一层l，初始化一个随机向量ul；
S1042：对于每一层卷积神经网络的权重矩阵Wl，计算vl←(Wl)Tul/||(Wl)Tul||2和ul←Wlvl/||Wlvl||2；
S1043：计算谱范数σ(Wl)≈uTWlv；
S1044：采用谱范数对每一层卷积神经网络的权重矩阵进行谱归一化，即WlSN＝Wl/σ(Wl)。


5.根据权利要求1所述的方法，其特征在于，所述对抗学习模型为：



其中，表示对变量z按照分布求期望，表示对变量x按照...

【专利技术属性】
技术研发人员：乔骥，王新迎，蒲天骄，王天昊，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网天津市电力公司，
类型：发明
国别省市：北京;11