[發明專利]一種基于變分自編碼器的能源互聯網場景生成方法

在審

• 申請號: 202010744815.6
• 申請日: 2020-07-29
• 公開（公告）號: CN111967577A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 王昊天;董驍翀;孫英云;李燁;王新迎;王天昊;馬世乾
• 申請（專利權）人: 華北電力大學;中國電力科學研究院有限公司;國網天津市電力公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 黃家俊

本發明公開了一種基于變分自編碼器的能源互聯網場景生成方法，通過獲取能源互聯網內G個可再生能源出力與負荷的歷史實測數據，以T日實測數據作為訓練數據集，V日實測數據作為測試數據集，每日數據采樣點數為24，依據源(荷)數目G構建圖神經網絡層；依據采樣點數24構建時序卷積神經網絡層；基于圖神經網絡層以及時序卷積神經網絡層構建能源互聯網場景生成模型；利用訓練數據集對模型進行訓練；使用訓練好的場景生成模型計算測試集中多源?荷數據之間相關性系數，提取測試數據集中單日數據的標簽變量，生成同類型場景集，驗證模型的有效性。

技術領域

本發明涉及可再生能源出力和負荷聯合場景生成領域，特別是涉及一種基于變分自編碼器的能源互聯網場景生成方法。

背景技術

能源互聯網(Energy Internet)是以電力系統為核心,以互聯網技術和新能源發電技術為基礎,并結合了交通、天然氣等系統構成的復雜多網流系統，其主要目標是利用互聯網技術推動由集中式化石能源利用向分布式可再生能源利用的轉變。隨著化石資源日益枯竭和環境污染問題的不斷加劇，風電、光伏等可再生能源得到很大發展，以分布式發電的形式接入配電網是目前最常見的形式。由于可再生能源在出力上有著較高的不確定性，高滲透率的分布式發電并網也給能源互聯網中電網的穩定運行帶來了巨大的挑戰。因此如何有效地描述可再生能源出力的不確定性是目前亟需解決的問題。

場景分析法主要包括場景生成、場景縮減等內容，可有效地將可再生能源出力的不確定性因素轉化為多個確定性出力場景進行描述，從而降低對電力系統規劃問題的求解復雜度，并對能源互聯網內配電網規劃、調度等問題建立隨機優化模型。現有方法多數采用概率模型去描述可再生能源出力的不確定性，通過求得概率分布的具體參數進行抽樣獲得具體場景，但這種方法難以全面地考慮不確定性特征，缺乏廣泛適用性。隨著人工智能的發展，以生成對抗網絡(Generative Adversarial Networks)與變分自編碼器(VariationalAuto-Encoder)為代表的場景生成模型廣泛應用于電力系統規劃問題，但仍存在以下兩點不足：(1)傳統變分自編碼器無法在無監督條件下直接生成同類型場景集，現有基于變分自編碼器的場景生成方法需要對數據進行人為標簽處理或聚類以實現不同類型場景的生成。(2)能源互聯網內的可再生能源分布在空間上存在一定的局限性，因此可再生能源出力與負荷數據之間存在較強的時空相關性。而可再生能源出力和負荷之間的空間相關性屬于非歐氏特征，簡單的卷積神經網絡(Convolutional Neural Network)只能提取歐式特征，無法很好地提取非歐式特征。而對于黑盒模型如何設計有效的網絡結構提取時間、空間相關性特征的相關研究仍較少。

總的來說，對于能源互聯網場景生成問題，缺少一種可靠、有效的解決方法。

發明目的

本發明的目的在于針對傳統變分編碼器無法在無監督學習下進行同類型場景集生成、網絡結構無法有效提取多源-荷數據的時空相關性的問題，提出一種更有效、可靠的場景生成方法，一種基于變分自編碼器的能源互聯網場景生成方法。

與現有技術相比，本發明在編碼網絡和解碼網絡中設計圖神經網絡層與時序卷積神經網絡層相結合的時空卷積層來提取多源-荷數據間的時空相關性，圖神經網絡層可以提取可再生能源與負荷之間的空間相關性，時序卷積網絡層提取出力和負荷時序上的時間相關性；其次，通過在傳統變分自編碼器編碼網絡輸出增加標簽變量y作為場景特征信息，可在無監督條件下訓練，與噪聲z一同作為解碼網絡輸入得到生成樣本。

發明內容

根據本發明的一個方面，提供了一種基于變分自編碼器的能源互聯網場景生成方法，包括以下步驟：

步驟1：獲取能源互聯網內G個可再生能源出力與負荷的歷史實測數據，以T日實測數據作為訓練數據集，V日實測數據作為測試數據集，每日數據采樣點數為24；

步驟2：依據源(荷)數目G構建圖神經網絡層；