【技术实现步骤摘要】
本专利技术涉及电力系统源与荷场景生成领域，具体涉及基于多重共线性消减生成对抗网络的频率分析方法及系统。
技术介绍
1、随着可再生能源(如风电、光伏)的快速发展，电力系统中的源与荷随机性和不确定性显著增加。这种不确定性不仅表现在时间维度，还涉及空间维度的相关性，尤其是在不同地理位置的光伏电站、风电场和负荷需求之间。传统的频率分析方法在处理这些复杂的源与荷波动场景时，面临着精确性低和适应性弱的挑战。现有技术多依赖于历史数据或统计模型进行扰动频率分析，存在诸多局限性。
2、源与荷数据通常存在多重共线性问题，即多个变量之间具有高度的线性相关性，导致模型参数估计不准确，进而影响频率分析的准确性和有效性。传统方法往往忽略这一问题，导致系统频率分析的精度不够。此外，源与荷数据具有显著的时空相关性，简单的时序建模无法充分反映其复杂性。同时，由于风电和光伏的波动性，系统运行场景的数据样本有限，现有方法在处理数据稀缺性和不确定性时表现出局限性，难以提升建模精度。另一方面，基于历史数据的频率分析方法生成的源与荷场景数据缺乏多样性，限制了频率分析的全面性。这不仅导致频率稳定性评估和风险分析中存在盲区，还使得系统无法有效涵盖广泛的运行场景。因此，迫切需要更为多样化的场景生成方法，以提升频率分析的覆盖率和准确性。
3、近年来，生成式对抗网络在数据生成领域取得了显著进展，能够通过学习数据分布生成逼真的模拟数据。因此，生成式对抗网络被广泛引入电力系统的建模与数据分析中，特别是在生成源与荷随机场景数据、提升数据样本的多样性方面，展示出强大
4、有鉴于此，特提出本申请。
技术实现思路
1、本专利技术所要解决的技术问题是现有技术生成式对抗网络生成的源与荷场景数据在模拟复杂场景时往往存在偏差，难以完全满足电力系统频率分析中对高精度和多样化场景的需求。本专利技术目的在于提供基于多重共线性消减生成对抗网络的频率分析方法及系统，该方法将多重共线性消减融入生成式对抗网络，用于源与荷双侧不确定性下电力系统最优频率分析，从而有效提升模型的精度和系统的稳定性。本专利技术适用于生成多样化频率分析场景。
2、本专利技术通过下述技术方案实现：
3、第一方面，本专利技术提供了基于多重共线性消减生成对抗网络的频率分析方法，该方法包括：
4、获取历史源与荷随机场景数据，对历史源与荷随机场景数据进行时空联合分析和递进式统计分析，生成历史数据集矩阵；采用降维技术对历史数据集矩阵进行降维处理，得到处理后的源与荷随机场景数据；
5、对处理后的源与荷随机场景数据进行多重共线性诊断，消除大于预设值的共线性，得到消除共线性后的数据；
6、根据消除共线性后的数据，构建生成式对抗网络模型；并在生成式对抗网络模型中引入贝叶斯先验分布和变分推断优化网络结构，得到多重共线性消减生成式对抗网络模型；
7、基于多重共线性消减生成式对抗网络模型生成多样化的源与荷场景数据，将多样化的源与荷场景数据输入电力系统频率响应模型中进行仿真分析，评估电力系统在不同源与荷波动场景下的频率响应特性。
8、以上技术方案，本专利技术通过时空特性分析结合递进式统计分析和降维技术，准确捕捉源与荷随机变量的数据特征。然后，将多重共线性消减技术融入生成式对抗网络，通过消除数据中的多重共线性，生成更加多样化和逼真的源与荷波动场景数据，为源与荷双侧不确定性下电力系统频率分析提供高质量的场景数据支持，从而有效提升模型的精度和系统的稳定性。
9、进一步地，历史源与荷随机场景数据包括光伏电站及风力发电场的历史数据和负荷需求的历史数据；
10、光伏电站及风力发电场的历史数据包括发电量的逐时采样值；
11、负荷需求的历史数据包括用电量的逐时采样值；
12、其中，光伏电站及风力发电场的历史数据、负荷需求的历史数据均包含地理位置坐标。
13、进一步地，对历史源与荷随机场景数据进行时空联合分析和递进式统计分析，生成历史数据集矩阵；采用降维技术对历史数据集矩阵进行降维处理，得到处理后的源与荷随机场景数据，包括：
14、结合时间维度分析和空间维度分析，按照逐时方式对历史源与荷随机场景数据进行时空联合分析，得到第一数据；
15、采用递进式统计分析法，按照逐季度方式和逐日方式对第一数据进行统计分析，得到第二数据；
16、基于第二数据，生成历史数据集矩阵；历史数据集矩阵为具有高时序相关性和高空间相关性的源与荷随机变量集；
17、采用主成分分析pca降维技术对历史数据集矩阵进行降维处理，得到处理后的源与荷随机场景数据。
18、进一步地，历史数据集矩阵的表达式为：
19、
20、式中，x为历史数据集矩阵，n表示天数；t表示每日的时间采样点数量；对于每一天的数据xi，其展开形式为：其中，表示第i天第t个时间点的源与荷数据，k为不同种类的源与荷随机场景的数量(如光伏、风电、负荷)。
21、进一步地，对处理后的源与荷随机场景数据进行多重共线性诊断，消除大于预设值的共线性，得到消除共线性后的数据，包括：
22、对处理后的源与荷随机场景数据进行数据标准化处理，获得标准化后的数据；
23、对标准化后的数据计算协方差矩阵，并基于协方差矩阵进行多重共线性诊断；
24、通过方差膨胀因子诊断数据中的共线性强度，采用协方差矩阵进行特征值分解以消除大于预设值的共线性；
25、并对特征值分解结果进行数据降维、投影和恢复处理，得到消除共线性后的数据。
26、进一步地，在生成式对抗网络模型中引入贝叶斯先验分布和变分推断优化网络结构，得到多重共线性消减生成式对抗网络模型，包括：
27、在生成式对抗网络模型中引入贝叶斯先验分布，假设生成器的隐变量θ服从标准高斯分布，并定义生成式对抗网络模型的似然函数；
28、采用变分推断技术，通过参数化的近似分布近似真实的后验分布；
29、引入kl散度来衡量近似分布与真实的后验分布之间的差异，并通过最小化kl散度来优化生成器的参数；
30、结合生成式对抗网络模型的损失与多重共线性预定的损失项，将最小化损失函数作为生成器的目标函数；
31、通过最小化目标函数，生成器能够在判别器的反馈下，不断优化自身的隐变量θ，得到多重共线性消减生成式对抗网络模型。
32、进一步地，所述kl散度的表达式为：
33、
34、所述损失函数的表达式为：...
【技术保护点】
1.基于多重共线性消减生成对抗网络的频率分析方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于多重共线性消减生成对抗网络的频率分析方法，其特征在于，所述历史源与荷随机场景数据包括光伏电站及风力发电场的历史数据和负荷需求的历史数据；
3.根据权利要求1所述的基于多重共线性消减生成对抗网络的频率分析方法，其特征在于，对所述历史源与荷随机场景数据进行时空联合分析和递进式统计分析，生成历史数据集矩阵；采用降维技术对所述历史数据集矩阵进行降维处理，得到处理后的源与荷随机场景数据，包括：
4.根据权利要求3所述的基于多重共线性消减生成对抗网络的频率分析方法，其特征在于，所述历史数据集矩阵的表达式为：
5.根据权利要求1所述的基于多重共线性消减生成对抗网络的频率分析方法，其特征在于，对处理后的源与荷随机场景数据进行多重共线性诊断，消除大于预设值的共线性，得到消除共线性后的数据，包括：
6.根据权利要求1所述的基于多重共线性消减生成对抗网络的频率分析方法，其特征在于，在所述生成式对抗网络模型中引入贝叶斯先验分布和变分推断优化网
7.根据权利要求6所述的基于多重共线性消减生成对抗网络的频率分析方法，其特征在于，所述KL散度的表达式为：
8.根据权利要求1所述的基于多重共线性消减生成对抗网络的频率分析方法，其特征在于，基于多重共线性消减生成式对抗网络模型生成多样化的源与荷场景数据，将多样化的源与荷场景数据输入电力系统频率响应模型中进行仿真分析，评估电力系统在不同源与荷波动场景下的频率响应特性，包括：
9.基于多重共线性消减生成对抗网络的频率分析系统，其特征在于，该系统包括：
10.根据权利要求9所述的基于多重共线性消减生成对抗网络的频率分析系统，其特征在于，所述多重共线性诊断和消除单元包括：
...【技术特征摘要】
1.基于多重共线性消减生成对抗网络的频率分析方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于多重共线性消减生成对抗网络的频率分析方法，其特征在于，所述历史源与荷随机场景数据包括光伏电站及风力发电场的历史数据和负荷需求的历史数据；
3.根据权利要求1所述的基于多重共线性消减生成对抗网络的频率分析方法，其特征在于，对所述历史源与荷随机场景数据进行时空联合分析和递进式统计分析，生成历史数据集矩阵；采用降维技术对所述历史数据集矩阵进行降维处理，得到处理后的源与荷随机场景数据，包括：
4.根据权利要求3所述的基于多重共线性消减生成对抗网络的频率分析方法，其特征在于，所述历史数据集矩阵的表达式为：
5.根据权利要求1所述的基于多重共线性消减生成对抗网络的频率分析方法，其特征在于，对处理后的源与荷随机场景数据进行多重共线性诊断，消除大于预设值的共线性，得到消除共线性后的数据，包...
【专利技术属性】
技术研发人员：欧阳雪彤，陈保瑞，叶希，王彦沣，朱童，李甘，李金龙，胡鑫，申萌均，李春艳，陈刚，王曦，黄格超，石鹏，范成围，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：
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。