[发明专利]一种基于变分自编码器的能源互联网场景生成方法

权利要求书

1.一种基于变分自编码器的能源互联网场景生成方法，包括以下步骤：

步骤1：获取能源互联网内G个可再生能源出力与负荷的历史实测数据，以T日实测数据作为训练数据集，V日实测数据作为测试数据集，每日数据采样点数为24；

步骤2：依据源(荷)数目G构建图神经网络层；

步骤3：依据采样点数24构建时序卷积神经网络层；

步骤4：基于图神经网络层以及时序卷积神经网络层构建能源互联网场景生成模型；

步骤5：利用训练数据集对模型进行训练；

步骤6：使用训练好的场景生成模型计算测试集中多源-荷数据之间相关性系数，提取测试数据集中单日数据的标签变量，生成同类型场景集，验证模型的有效性。

2.根据权利要求1所述的一种基于变分自编码器的能源互联网场景生成方法，其特征在于：所述步骤1中，采用的训练数据结构为：

考虑能源互联网内有W个风电、S个光伏、L个负荷，总共有G个源(荷)，每日数据采样点数为24，训练数据集共含T日数据，可以用T*G*24的矩阵表示。

3.根据权利要求2所述的一种基于变分自编码器的能源互联网场景生成方法，其特征在于：所述步骤2中，构建的图神经网络层数学表达式为：

其中g(t)为图神经信号，x为输入信号，式中w_ij为输入神经元i到输出神经元j的权重，b_i为输入神经元i的偏置，N为源(荷)数目。

4.根据权利要求3所述的一种基于变分自编码器的能源互联网场景生成方法，其特征在于：所述步骤3中，构建的时序卷积神经网络层数学表达式为：

式中f(t)为时序卷积核信号，x为输入信号，式中k为卷积核的长度。

5.根据权利要求4所述的一种基于变分自编码器的能源互联网场景生成方法，其特征在于：所述步骤4中，所构建的能源互联网场景生成模型为：

G*24的真实样本输入至编码网络，输出为标签变量y、均值μ，方差σ，所述标签变量y、均值μ经过差值运算器后输出μ'，方差σ与系数ε经过乘法器后与μ'一起输入加法器求和，然后输出为z，其中μ',z的数学表达式如下所示：

z与标签变量y一起输入至所述解码网络，所述解码网络的输入表示为(y,z),所述解码网络的输出为G*24的生成样本；

所述编码网络和解码网络由图神经网络层与时序卷积神经网络层构成，一层图神经网络层与一层时序卷积神经网络层可结合为一个时空卷积层，所述编码网络内部包含三个时空卷积层，所述解码网络内部结构与编码网络对称。

6.根据权利要求5所述的一种基于变分自编码器的能源互联网场景生成方法，其特征在于：所述步骤5中，对构建的能源互联网场景生成模型训练具体为：

训练时损失函数为真实样本和生成样本的二进制交叉熵与编码网络拟合的概率分布和标准正态分布的KL散度之和：

Loss＝BCE(x_recon,x)+KL(p(z|x)||q(z))

其中BCE(·)表示二进制交叉熵，x_recon是生成样本，x是真实样本，KL(·)表示KL散度，p(z|x)是编码网络拟合的概率分布，q(z)是标准正态分布。

7.根据权利要求6所述的一种基于变分自编码器的能源互联网场景生成方法，其特征在于：所述步骤6中，所构建的能源互联网场景生成模型的同类型场景集生成过程具体为：

使用训练好的场景生成模型计算测试集生成样本中源-荷之间相关性系数，提取测试数据集中单日数据的标签变量，生成同类型场景集，验证模型的有效性；通过相关性系数验证生成样本的有效性，其数学表达式如下所示：

其中r(G_i,G_j)表示G_i、G_j相关性系数，G_i、G_j分别为第i、j个可再生能源(负荷)，式中Cov(G_i,G_j)表示G_i、G_j协方差，Var(G_i)，Var(G_j)分别表示G_i、G_j的方差；

选取测试集中单日数据，经过场景生成模型的编码网络后提取标签变量y，与M组k倍的标准正态噪声z组合后一起输入解码网络得到同类型场景集。