[发明专利]一种基于对抗学习模型的新能源场景生成方法及系统

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

发明内容

本发明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。

根据本发明的一个方面，本发明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u_l；