【技术实现步骤摘要】
本专利技术属于电力系统可靠性分析和电源规划领域，尤其涉及一种基于条件去噪扩散模型的新能源容量置信度评估方法。
技术介绍
1、在新型电力系统中，新能源(如风能、太阳能)因其可再生和环保的特点，正迅速发展并逐渐替代传统化石能源。然而，新能源具有间歇性和不确定性，其发电量受天气、季节等多种因素影响，导致新能源接入电网后，电网的可靠性面临严峻挑战。为了确保电力系统的安全可靠运行，在可靠性维度上科学合理地评估新能源的等效常规机组容量(即容量置信度)至关重要。
2、传统的新能源容量置信度评估方法主要依赖于历史数据和统计分析，如时间序列分析、概率统计模型等。这些方法尽管在一定程度上可以反映新能源的波动特性，但在处理复杂、多变的新能源数据时往往准确性和鲁棒性不足，尤其是在面对数据缺失、噪声干扰等实际问题时，传统方法的性能显著下降，难以提供可靠的评估结果。
3、近年来，随着人工智能技术的快速发展，特别是深度学习技术在图像处理、自然语言处理等领域取得了显著成果，研究者们开始尝试将其应用于新能源领域。生成对抗网络(gan)、变分自编码器(vae)等深度生成模型在处理复杂数据分布方面表现出色。然而，这些方法通常需要大量的标注数据，并且在处理高维数据时计算成本较高，难以直接应用于实际电力系统中。
4、条件去噪扩散模型(denoising diffusion probabilistic models,ddpm)作为一种新兴的深度生成模型，通过逐步去噪的过程，能够生成高质量的数据样本。与传统生成模型不同，ddpm具有更好的
技术实现思路
1、本专利技术的目的在于解决现有技术中存在的新能源容量置信度评估技术依赖于历史数据完整性的缺陷，并提供一种基于条件去噪扩散模型的新能源容量置信度评估方法。本专利技术采用新能源输出功率时序场景作为输入，该方法首先通过构建和训练条件去噪扩散模型，对新能源发电数据进行预处理和建模，保留数据的有效信息；然后，根据给定的新能源场景标签向量，通过推理训练好的条件去噪扩散模型生成可信的新能源随机场景集；最后，基于电力系统的电源结构、故障率参数和历史负荷曲线，实现新能源的容量置信度评估，为电力系统的安全运行提供保障。
2、为了实现上述专利技术目的，本专利技术具体采用如下技术方案：
3、一种基于条件去噪扩散模型的新能源容量置信度评估方法，包括以下步骤：
4、s1：获取预设时间段内的风电功率历史数据和光伏功率历史数据，所述风电功率历史数据包含每日的风电功率数据，所述光伏功率历史数据包含每日的光伏功率数据，将风电功率数据和光伏功率数据均作为样本，计算每个样本的均值以及峰谷差，并将每个样本的均值以及峰谷差转换为标幺化的度量值，并将均值以及峰谷差的度量值作为每个样本的标签向量；由每个样本以及每个样本的标签向量构建训练集；
5、s2：在所述训练集上训练噪声预测网络，由训练好的噪声预测网络实现反向去噪过程以构造用于新能源场景生成的条件去噪扩散模型；其中，所述噪声预测网络基于lstm层、第一嵌入层、第二嵌入层、attention层以及一维卷积层构建，所述第一嵌入层用于处理标签向量，所述第二嵌入层用于处理扩散时间步；
6、s3：从多元高斯分布中采样获取纯噪声数据，将给定场景的标签向量以及纯噪声数据输入到所述条件去噪扩散模型中进行推理，经过逐步去噪，生成新能源功率曲线的场景集；
7、s4：基于电网系统的电源装机容量、故障率参数、历史负荷曲线以及新能源功率曲线的场景集，通过发电侧copt卷积法评估新能源接入电网系统后的容量置信度，实现新能源的容量置信度评估。
8、在上述方案基础上，各步骤可以采用如下优选的具体方式实现。
9、作为优选，步骤s2中，噪声预测网络的输入为含噪声样本、样本的标签向量和样本对应的扩散时间步，其输出为含噪声样本所含的噪声向量预测值。
10、作为优选，步骤s2中，在噪声预测网络训练时，预设如下参数：样本批次大小、每个样本的长度、样本标签向量的维度、作为初值的训练集样本、最大的扩散时间步；
11、在任意的扩散时间步n下，含噪声的训练集样本xn可以表示为：
12、
13、αi＝1-βi
14、式中：εn为在第n个扩散步中向作为初值的训练集样本x0加入的高斯噪声向量；是无需训练的已知参数；xn-1为在扩散时间步n-1下的含噪声的训练集样本；αi表示第i个扩散步的中间变量；βi是第i个扩散步的扩散率。
15、作为优选，步骤s2中，噪声预测网络的损失函数为所有训练集样本在所有扩散时间步下，添加的高斯噪声向量与噪声预测网络输出的噪声向量之间的均方误差。
16、作为优选，步骤s2中，噪声预测网络的具体处理流程如下：
17、s21.将含噪声样本输入到所述lstm层，得到扩展至隐藏状态的含噪声样本；
18、s22.将标签向量输入到所述第一嵌入层，得到第一输出嵌入；将扩散时间步输入到所述第二嵌入层，得到第二输出嵌入；将第一输出嵌入和第二输出嵌入相加，得到嵌入层的总输出：
19、s23.将扩展至隐藏状态的含噪声样本和嵌入层的总输出相加作为attention层的输入，经过多头自注意力机制处理后，得到包含不同位置数据间的依赖程度信息的张量；
20、s24.将包含不同位置数据间的依赖程度信息的张量输入到所述一维卷积层，输出含噪声样本所含的噪声向量预测值。
21、作为优选，所述第一嵌入层的具体处理流程如下：
22、zc＝tanh(wc+b)
23、式中：w和b分别表示线性变换层待训练的权重和偏置矩阵；c表示标签向量；tanh表示tanh激活函数；zc表示第一输出嵌入。
24、作为优选，所述第二嵌入层由位置编码实现，第二输出嵌入zn具体表示为：
25、
26、式中：zn(:,:,2i)、zn(:,:,2i+1)分别表示第二输出嵌入在偶数索引(:,:,2i)处和奇数索引处(:,:,2i+1)的取值；h是与lstm层一致的隐藏状态维度；n表示扩散时间步。
27、作为优选，所述一维卷积层的输入通道数为隐藏状态维度h、输出通道数为1、卷积核大小为1×1。
28、作为优选，步骤s3中，生成新能源功率曲线的场景集的流程为：
29、首先生成服从多元高斯分布的向量作为纯噪声数据，然后将给定场景的标签向量以及纯噪声数据输入到所述条件去噪扩散模型中进行推理，从纯噪声数据开始，递推至第1个去噪步，得到第1个去噪步的结果，不断去噪，直至经过n个去噪步后，得到第n个去噪步的结果，将第n个去噪步的结果作为生成的新能源功率曲线，本文档来自技高网...
【技术保护点】
1.一种基于条件去噪扩散模型的新能源容量置信度评估方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于条件去噪扩散模型的新能源容量置信度评估方法，其特征在于，步骤S2中，噪声预测网络的输入为含噪声样本、样本的标签向量和样本对应的扩散时间步，其输出为含噪声样本所含的噪声向量预测值。
3.如权利要求1所述的一种基于条件去噪扩散模型的新能源容量置信度评估方法，其特征在于，步骤S2中，在噪声预测网络训练时，预设如下参数：样本批次大小、每个样本的长度、样本标签向量的维度、作为初值的训练集样本、最大的扩散时间步；
4.如权利要求3所述的一种基于条件去噪扩散模型的新能源容量置信度评估方法，其特征在于，步骤S2中，噪声预测网络的损失函数为所有训练集样本在所有扩散时间步下，添加的高斯噪声向量与噪声预测网络输出的噪声向量之间的均方误差。
5.如权利要求2所述的一种基于条件去噪扩散模型的新能源容量置信度评估方法，其特征在于，步骤S2中，噪声预测网络的具体处理流程如下：
6.如权利要求5所述的一种基于条件去噪扩散模型的新能源容量置信
7.如权利要求5所述的一种基于条件去噪扩散模型的新能源容量置信度评估方法，其特征在于，所述第二嵌入层由位置编码实现，第二输出嵌入zn具体表示为：
8.如权利要求5所述的一种基于条件去噪扩散模型的新能源容量置信度评估方法，其特征在于，所述一维卷积层的输入通道数为隐藏状态维度H、输出通道数为1、卷积核大小为1×1。
9.如权利要求1所述的一种基于条件去噪扩散模型的新能源容量置信度评估方法，其特征在于，步骤S3中，生成新能源功率曲线的场景集的流程为：
10.如权利要求1所述的一种基于条件去噪扩散模型的新能源容量置信度评估方法，其特征在于，步骤S4的具体流程如下：
...【技术特征摘要】
1.一种基于条件去噪扩散模型的新能源容量置信度评估方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于条件去噪扩散模型的新能源容量置信度评估方法，其特征在于，步骤s2中，噪声预测网络的输入为含噪声样本、样本的标签向量和样本对应的扩散时间步，其输出为含噪声样本所含的噪声向量预测值。
3.如权利要求1所述的一种基于条件去噪扩散模型的新能源容量置信度评估方法，其特征在于，步骤s2中，在噪声预测网络训练时，预设如下参数：样本批次大小、每个样本的长度、样本标签向量的维度、作为初值的训练集样本、最大的扩散时间步；
4.如权利要求3所述的一种基于条件去噪扩散模型的新能源容量置信度评估方法，其特征在于，步骤s2中，噪声预测网络的损失函数为所有训练集样本在所有扩散时间步下，添加的高斯噪声向量与噪声预测网络输出的噪声向量之间的均方误差。
5.如权利要求2所述的一种基于条件去噪扩散模...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。