[发明专利]一种分布式电源优化配置的方法及系统

权利要求书

1.一种分布式电源优化配置的方法，其特征在于，所述方法包括：

基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模，并在所述模型中加入月份标签信息来生成风光出力场景；

基于高斯混合模型确定所述月份标签信息所对应的风光出力的上限和下限，并生成分布式电源极限场景；

根据所述分布式电源极限场景建立分布式电源双层优化配置的模型，并对所述模型进行求解；

基于IEEE33节点系统对所述分布式电源双层优化配置的模型进行验证和分析；

所述基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模，并在所述模型中加入月份标签信息来生成风光出力场景包括：

通过生成器不断生成接近真实数据的分布，确定生成器网络的目标；

通过判别器不断提升鉴定数据真假的能力，确定判别器网络的目标；

基于所述生成器网络的目标和所述判别器网络的目标，确定生成器的损失函数和判别器的损失函数；

根据所述生成器的损失函数和判别器的损失函数，建立生成对抗网络的极大极小化博弈模型。

2.根据权利要求1所述的分布式电源优化配置的方法，其特征在于，所述生成器采用转置卷积进行上采样；所述判别器中加入带步长的卷积层对所述判别器中的数据进行下采样。

3.根据权利要求1所述的分布式电源优化配置的方法，其特征在于，所述基于高斯混合模型确定所述月份标签信息所对应的风光出力的上限和下限，并生成分布式电源极限场景包括：

对历史风光数据进行标幺化处理；

基于改进的深度卷积生成对抗网络生成指定场景下的风光数据；

对所述风光数据进行高斯参数初始化；

估算所述风光数据中每个样本的类别概率，并对所述风光数据进行数据划分；

根据所述估算的权重值确定所述高斯混合模型的参数，并判断所述高斯混合模型是否收敛；

若所述高斯混合模型收敛，则输出聚类中心，得到分布式电源极限场景。

4.根据权利要求3所述的分布式电源优化配置的方法，其特征在于，所述根据所述估算的权重值确定所述高斯混合模型的参数包括：根据所述估算的权重值，通过构造对数似然函数，采用期望最大的算法来确定所述高斯混合模型的参数。

5.根据权利要求1所述的分布式电源优化配置的方法，其特征在于，所述根据所述分布式电源极限场景建立分布式电源双层优化配置的模型，并对所述模型进行求解包括：以社会年综合成本最小为目标建立上层规划模型，和以分布式电源的消纳量最大为目标建立下层规划模型。

6.根据权利要求5所述的分布式电源优化配置的方法，其特征在于，所述上层规划模型的目标函数为：

其中，C_G代表配电网向上级电网购电的成本；为分布式发电技术的运维费用；C_INV为分布式发电技术的投资年费；C_LOSS为配电网的网络损耗费用；B_SUB为分布式发电技术的年补贴收益。

7.根据权利要求6所述的分布式电源优化配置的方法，其特征在于，所述下层规划模型的目标函数为：

其中，代表第s个场景下第i个节点的分布式发电技术在t时刻的实际出力；N_DG为配电网中分布式发电技术的候选安装节点集。

8.根据权利要求6所述的分布式电源优化配置的方法，其特征在于，所述上层规划模型采用整数型遗传的算法进行求解；所述下层规划模型采用风驱动优化的算法进行求解。

9.一种分布式电源优化配置的系统，其特征在于，所述系统包括：

生成模块：用于基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模，并在所述模型中加入月份标签信息来生成风光出力场景；

确定模块：用于基于高斯混合模型确定所述月份标签信息所对应的风光出力的上限和下限，并生成分布式电源极限场景；

建模模块：用于根据所述分布式电源极限场景建立分布式电源双层优化配置的模型，并对所述模型进行求解；

验证模块：用于基于IEEE33节点系统对所述分布式电源双层优化配置的模型进行验证和分析；

所述基于条件深度卷积生成对抗网络模型对分布式电源出力的不确定性进行建模，并在所述模型中加入月份标签信息来生成风光出力场景包括：

通过生成器不断生成接近真实数据的分布，确定生成器网络的目标；

通过判别器不断提升鉴定数据真假的能力，确定判别器网络的目标；

基于所述生成器网络的目标和所述判别器网络的目标，确定生成器的损失函数和判别器的损失函数；

根据所述生成器的损失函数和判别器的损失函数，建立生成对抗网络的极大极小化博弈模型。