一种条件对抗神经网络训练方法、场景生成方法和系统技术方案

本发明专利技术涉及一种条件对抗神经网络训练方法、场景生成方法和系统，包括：基于可再生能源输出功率数据及对应的历史气象数据，采用多种权重分析法得到可再生能源输出功率数据的各气象因素的组合权重，并确定天气类别标签；对所述历史可再生能源功率输出数据进行采样得到噪声数据；以所述历史可再生能源输出功率数据、噪声数据、和对应的天气类别标签为训练数据，采用条件对抗生成神经网络进行训练，得到训练好的条件对抗神经网络；所述训练好的条件对抗神经网络用于生成新能源场景；本发明专利技术相比于现有的技术，能够得到更加符合真实情况的场景，更为准确地描述可再生能源输出的不确定性。性。性。

【技术实现步骤摘要】
一种条件对抗神经网络训练方法、场景生成方法和系统


[0001]本专利技术涉及基于人工智能的综合能源系统运行场景构建领域，具体涉及一种条件对抗神经网络训练方法、场景生成方法和系统。

技术介绍

[0002]目前，场景生成技术可分为概率模型方法、矩阵变换方法、马尔可夫链方法和人工智能场景生成方法。人工智能技术包括强化学习、深度学习和迁移学习。强化学习的基本思想是通过代理与环境的相互作用来获得奖励，从而学习实现目标的最佳策略。因此，强化学习法更注重学习问题解决策略；由于其强大的特征表示和挖掘能力，深度学习侧重于对事物的感知和表达，能够更好地挖掘事物的相关特征。因此，基于人工智能技术的场景构建往往采用深度学习算法。其中，人工智能场景方法不受可再生能源场景模型建立的约束。通过分析历史数据所包含的信息，可以了解该地区可再生能源资源的状况，总结场景变化规律。场景分析方法构造的场景精度越高，随机优化问题的解越接近实际最优值。
[0003]通过对历史实际负荷的聚类分析，得到一组典型的时间序列负荷场景。深度学习生成方法基于深度学习框架，可以进行深入的数据挖掘，深入分析数据的内在统计规律，实现场景的无监督生成。在能源领域，人工智能技术主要用于在线安全评估和预测。由于GAN在图像识别和生成方面的优势，它将更多地应用于可再生能源数据的在线预测。
[0004]目前，传统的统计模型不能充分考虑可再生能源输出的各种相关性和隐含关系。现有的研究成果缺乏可再生能源产出特征与深度学习网络结构之间的关系，黑箱模型的解释性较差。另一方面，对于依赖于外部天气影响的可再生能源而言，目前还不清楚天气与场景之间的对应关系。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供了一种条件对抗神经网络训练方法，包括：
[0006]基于可再生能源输出功率数据及对应的历史气象数据，采用多种权重分析法得到可再生能源输出功率数据的各气象因素的组合权重，并确定天气类别标签；
[0007]对所述历史可再生能源功率输出数据进行采样得到噪声数据；
[0008]以所述历史可再生能源输出功率数据、噪声数据、和对应的天气类别标签为训练数据，采用条件对抗生成神经网络进行训练，得到训练好的条件对抗神经网络；
[0009]所述训练好的条件对抗神经网络用于生成新能源场景。
[0010]优选的，所述基于可再生能源输出功率数据及对应的历史气象数据，采用多种权重分析法得到可再生能源输出功率数据的各气象因素的组合权重，包括：
[0011]基于可再生能源输出功率数据及对应的历史气象数据结合预先构建的气象条件评价指标体系，采用层次分析法得到各评价因素的主观权重；
[0012]基于可再生能源输出功率数据及对应的历史气象数据，采用熵权法确定各评价因素的权重；
[0013]对所述各评价因素的主观权重和各评价因素的权重进行权重组合得到组合权重；
[0014]其中，所述气象条件评价指标体系包括以气象因子构成的方案层、气象类型构建的准则层，以及天气评估结果构建的决策层构成；
[0015]所述多种权重分析法包括：层次分析法和熵权法。
[0016]优选的，所述气象因子包括下述一种或多种：露点、风速、湿度、温度、光照强度和气压；
[0017]所述天气类别标签包括下述一种或多种：晴天、多云、多雨、降雪、大风。
[0018]优选的，所述基于可再生能源输出功率数据及对应的历史气象数据结合预先构建的气象条件评价指标体系，采用层次分析法得到各评价因素的主观权重，包括：
[0019]基于预先构建的气象条件评价指标体系，依据所述可再生能源输出功率数据及对应的历史气象数据，得到各评价因素的判断矩阵；
[0020]以所述各评价因素的判断矩阵的一致性为基础，通过计算得到所述各评价因素的判断矩阵的最大特征矢量；
[0021]基于所述各评价因素的判断矩阵的最大特征矢量，进行标准化，将标准化后的最大特征矢量作为各评价因素的主观权重。
[0022]优选的，所述基于可再生能源输出功率数据及对应的历史气象数据，采用熵权法确定各评价因素的权重，包括：
[0023]基于所述可再生能源输出功率数据及对应的历史气象数据，结合预先构建的气象条件评价指标体系，进行标准化处理得到各评价因素的标准化值；
[0024]利用所述各评价因素的标准化值计算各评价因素的信息熵；
[0025]利用所述各评价因素的信息熵计算得到各评价因素的信息熵权重。
[0026]优选的，所述各评价因素的标准化值按下式计算：
[0027][0028]式中，Y
i
为各评价因素的第个指标的标准化值；X
i
为各评价因素的个指标集合。
[0029]优选的，所述利用各评价因素的标准化值计算各评价因素的信息熵，如下式所示：
[0030][0031]式中，E
i
为各评价因素的第个指标的信息熵；Y
i
为各评价因素的第个指标的标准化值；n为历史气象数据指标的总数。
[0032]优选的，所述各评价因素的信息熵权重按下式计算：
[0033][0034]式中，W
i
为各评价因素的第个指标信息熵权重；E
i
为各评价因素的第个指标数据信息熵；k为各评价因素的指标总数。
[0035]优选的，所述对所述各评价因素的主观权重和各评价因素的权重进行权重组合得到组合权重，包括：
[0036]对所述各评价因素的主观权重和熵权重采用组合加权法进行计算，得到所述各评
价因素的组合权重。
[0037]优选的，所述以所述历史可再生能源输出功率数据、噪声数据、和对应的天气类别标签为训练数据，采用条件对抗生成神经网络进行训练，得到训练好的条件对抗神经网络，包括：
[0038]将所述噪声数据输入到生成器网络中生成可再生能源输出数据的预测分布；
[0039]将所述天气标签、所述历史可再生能源输出功率数据和所述可再生能源输出数据的预测分布作为判别器网络的输入数据，将所述可再生能源输出数据的预测分布与所述历史可再生能源输出功率数据的分布进行真假判断，将每次训练生成的判断结果作为损失函数，对生成器网络进行反向传播训练，并进行迭代；迭代收敛后，得到训练好的生成器网络；
[0040]其中，所述条件对抗神经网络包括：生成器网络和判别器网络。
[0041]基于同一专利技术构思，本专利技术还提供了一种基于对抗神经网络训练确定新能源场景的系统，包括：
[0042]权重及天气标签模块用于：基于可再生能源输出功率数据及对应的历史气象数据，采用多种权重分析法得到可再生能源输出功率数据的各气象因素的组合权重，并确定天气类别标签；
[0043]采样模块用于：对所述历史可再生能源功率输出数据进行采样得到噪声数据；
[0044]神经网络训练模块用于：以所述历史可再生能源输出功率数据、噪声数据、和对应的天气本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种条件对抗神经网络训练方法，其特征在于，包括：基于可再生能源输出功率数据及对应的历史气象数据，采用多种权重分析法得到可再生能源输出功率数据的各气象因素的组合权重，并确定天气类别标签；对所述历史可再生能源功率输出数据进行采样得到噪声数据；以所述历史可再生能源输出功率数据、噪声数据和对应的天气类别标签为训练数据，采用条件对抗生成神经网络进行训练，得到训练好的条件对抗神经网络；所述训练好的条件对抗神经网络用于生成新能源场景。2.如权利要求1所述的方法，其特征在于，所述基于可再生能源输出功率数据及对应的历史气象数据，采用多种权重分析法得到可再生能源输出功率数据的各气象因素的组合权重，包括：基于可再生能源输出功率数据及对应的历史气象数据结合预先构建的气象条件评价指标体系，采用层次分析法得到各评价因素的主观权重；基于可再生能源输出功率数据及对应的历史气象数据，采用熵权法确定各评价因素的权重；对所述各评价因素的主观权重和各评价因素的权重进行权重组合得到组合权重；其中，所述气象条件评价指标体系包括以气象因子构成的方案层、气象类型构建的准则层，以及天气评估结果构建的决策层构成；所述多种权重分析法包括：层次分析法和熵权法。3.如权利要求2所述的方法，其特征在于，所述气象因子包括下述一种或多种：露点、风速、湿度、温度、光照强度和气压；所述天气类别标签包括下述一种或多种：晴天、多云、多雨、降雪、大风。4.如权利要求2所述的方法，其特征在于，所述基于可再生能源输出功率数据及对应的历史气象数据结合预先构建的气象条件评价指标体系，采用层次分析法得到各评价因素的主观权重，包括：基于预先构建的气象条件评价指标体系，依据所述可再生能源输出功率数据及对应的历史气象数据，得到各评价因素的判断矩阵；以所述各评价因素的判断矩阵的一致性为基础，通过计算得到所述各评价因素的判断矩阵的最大特征矢量；基于所述各评价因素的判断矩阵的最大特征矢量，进行标准化，将标准化后的最大特征矢量作为各评价因素的主观权重。5.如权利要求2所述的方法，其特征在于，所述基于可再生能源输出功率数据及对应的历史气象数据，采用熵权法确定各评价因素的权重，包括：基于所述可再生能源输出功率数据及对应的历史气象数据，结合预先构建的气象条件评价指标体系，进行标准化处理得到各评价因素的标准化值；利用所述各评价因素的标准化值计算各评价因素的信息熵；利用所述各评价因素的信息熵计算得到各评价因素的信息熵权重。6.如权利要求5所述方法，其特征在于，所述各评价因素的标准化值按下式计算：
式中，Y
i
为各评价因素的第i个指标的标准化值；X
i
为各评价因素的i个指标集合。7.如权利要求5所述方法，其特征在于，所述利用各评价因素的标准化值计算各评价因素的信息熵，如下式所示：式中，E
i
为各评价因素的第i个指标的信息熵；Y
i
为各评价因素的第i个指标的标准化值；n为历史气象数据指标的总数。8.如权利要求5所述方法，其特征在于，所述各评价因素的信息熵权重按下式计算：式中，W
i
为各评价因素的第i个指标信息熵权重；E
i
为各评价因素的第i个指标数据信息熵；k为各评价因素的指标总数。9.如权利要求2所述的方法，其特征在于，所述对所述各评价因素的主观权重和各评价因素的权重进行权重组合得到组合权重，包括：对所述各评价因素的主观权重和熵权重采用组合加权法进行计算，得到所述各评价因素的组合权重。10.如权利要求1所述的方法，其特征在于，所述以所述历史可再生能源输出功率数据、噪声数据和对应的天气类别标签为训练数据，采用条件对抗生成神经网络进行训练，得到训练好的条件对抗神经网络，包括：将所述噪声数据输入到生成器网络中生成可再生能源输出数据的预测分布；将所述天气标签、所述历史可再生能源输出功率数据和所述可再生能源输出数据的预测分布作为判别器网络的输入数据，将所述可...

【专利技术属性】
技术研发人员：刘铠诚，何桂雄，李德智，钟鸣，王松岑，张新鹤，黄伟，金璐，霍永峰，张磊，
申请(专利权)人：国网山东省电力公司电力科学研究院国家电网有限公司，
类型：发明
国别省市：