[發明專利]一種少樣本生成式對抗學習網絡的云儲能系統控制方法

在審

• 申請號: 202011129405.7
• 申請日: 2020-10-21
• 公開（公告）號: CN112465184A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 殷林飛;楊凱;吳云智;韓昆侖;高放
• 申請（專利權）人: 廣西大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N20/00;G06N3/08;G06N3/04
• 代理公司: 南寧啟創知識產權代理事務所(特殊普通合伙) 45122
• 代理人: 謝美萱

1.一種少樣本生成式對抗學習網絡的云儲能系統控制方法，其特征在于，該方法將少樣本學習方法和生成式對抗網絡方法結合，用于云儲能系統控制決策，能在不依賴大樣本數據情況下對負荷進行精準預測并優化控制云儲能系統；所提方法在使用過程中的主要步驟為：

步驟(1)：將本發明提出的少樣本學習方法用于提取數據特征并擴充訓練樣本；

步驟(2)：將本發明提出的生成式對抗網絡方法用于電力負荷預測；

步驟(3)：將本發明提出的方法應用于云儲能系統的優化控制。

2.如權利要求1所述的一種少樣本生成式對抗學習網絡的云儲能系統控制方法，其特征在于，所述步驟(1)中少樣本學習方法引入主動學習構建對訓練數據需求量更小的高效模型，挑選出典型特征并利用未標記數據來擴充現有的訓練樣本集，以此達到最優訓練樣本集的目的，所提方法模型的理想化訓練目標是：

在訓練中為了提高計算效率，此模型將上式逼近最大化：

其中T為標簽的最大數量，(S,E)表示從某個分布D中采樣的一個事件，π(S,T)表示在支持集S上展開T個步驟的策略模型，主動學習策略π會產生一些中間狀態{(S₁,s₁),...,(S_T,s_T)}，是支持集中未標記項的預測獎勵。

3.如權利要求1所述的一種少樣本生成式對抗學習網絡的云儲能系統控制方法，其特征在于，所述步驟(2)中提出的生成式對抗網絡方法為條件生成式對抗網絡，歷史電力負荷數據提供給生成器和鑒別器作為條件，均值為0標準差為1的高斯分布中采樣的噪聲向量作為生成器的輸入，判別器對預測值進行判斷使生成器生成的預測值x_t+1一步步逼近真實值,對預測值x_t+1的全部概率分布進行建模，需要精確地再現數據分布，所以選擇相對熵散度來評價模型的性能，所提方法的目標函數為：

相對熵評估函數為：

其中P和Q為不同數據集的概率分布。

4.如權利要求所述的一種少樣本生成式對抗學習網絡的云儲能系統控制方法，其特征在于，所述步驟(3)中的云儲能系統決策優化模型包括不同區域用戶充放電行為模型和云儲能系統控制決策，先獲取所有云儲能用戶的充放電需求；然后，基于成本最小優化云儲能系統充放電策略，所提方法中單個用戶的儲能行為模型如下：

決策優化的目標函數如下：

其中和分別為用戶在t時段所需求的充電功率和放電功率；和分別為t時段電網電價、低谷電價、高峰電價和平時電價；和分別為用戶的云儲能充放電效率；和分別為云儲能的儲能剩余容量最高和最低限值；和分別為(t-1)和t時段結束時刻云儲能的剩余容量；Δt為時間間隔；和分別為購買的儲能功率和儲能容量的最大限值；α和β分別為儲能單位功率購買成本和單位容量購買成本。