[發(fā)明專利]一種少樣本生成式對抗學(xué)習(xí)網(wǎng)絡(luò)的云儲能系統(tǒng)控制方法

在審

• 申請?zhí)枺?/td>: 202011129405.7
• 申請日: 2020-10-21
• 公開（公告）號: CN112465184A
• 公開（公告）日: 2021-03-09
• 發(fā)明（設(shè)計）人: 殷林飛;楊凱;吳云智;韓昆侖;高放
• 申請（專利權(quán)）人: 廣西大學(xué)
• 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(chuàng)知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 45122
• 代理人: 謝美萱

本發(fā)明提出一種少樣本生成式對抗學(xué)習(xí)網(wǎng)絡(luò)的云儲能系統(tǒng)控制方法。該方法將少樣本學(xué)習(xí)方法和生成式對抗網(wǎng)絡(luò)方法進行結(jié)合，用于云儲能系統(tǒng)的控制。首先，所提方法中少樣本學(xué)習(xí)方法主要用于歷史電力數(shù)據(jù)的淺層特征提取，同時擴充原始數(shù)據(jù)樣本。其次，所提方法中生成式對抗網(wǎng)絡(luò)方法主要利用少樣本學(xué)習(xí)方法提取的特征和擴充的數(shù)據(jù)實現(xiàn)短期電力負(fù)荷的精準(zhǔn)預(yù)測。最后，云儲能系統(tǒng)決策優(yōu)化模型根據(jù)預(yù)測的負(fù)荷實現(xiàn)最優(yōu)控制。所提方法能夠較好地解決當(dāng)前電網(wǎng)數(shù)據(jù)真實樣本不足的問題，實現(xiàn)電力負(fù)荷精確預(yù)測，優(yōu)化控制分布式云儲能系統(tǒng)與儲能裝置間的功率流動，提高能源利用效率。

技術(shù)領(lǐng)域

本發(fā)明屬于電力系統(tǒng)發(fā)電控制領(lǐng)域，涉及一種結(jié)合式的人工智能方法的云儲能系統(tǒng)控制方法，適用于電力系統(tǒng)云儲能系統(tǒng)的控制。

背景技術(shù)

在未來電力系統(tǒng)發(fā)展趨勢下，大量分布式電源與分布式儲能協(xié)同運行，儲能容量的空置率使得云儲能系統(tǒng)應(yīng)運而生。因此，研究云儲能系統(tǒng)在電力需求側(cè)的應(yīng)用意義重大。其中，基于精準(zhǔn)電力負(fù)荷預(yù)測是云儲能系統(tǒng)有效運行的關(guān)鍵。與傳統(tǒng)電網(wǎng)相比，云儲能系統(tǒng)用戶規(guī)模相對較小，電力數(shù)據(jù)相對較少，系統(tǒng)電力負(fù)荷日前精準(zhǔn)預(yù)測難度進一步增加。

近年來，機器學(xué)習(xí)發(fā)展迅猛，其在負(fù)荷預(yù)測領(lǐng)域的應(yīng)用日益增多。反向傳播神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)簡單，運用廣泛。循環(huán)神經(jīng)網(wǎng)絡(luò)模型通過在不同層級之間的隱藏層之間建立聯(lián)系，從而賦予了循環(huán)神經(jīng)網(wǎng)絡(luò)模型對于前時間輸入信息的“記憶”功能，使循環(huán)神經(jīng)網(wǎng)絡(luò)模型能夠較好處理時序問題。長短期記憶神經(jīng)網(wǎng)絡(luò)模型通過獨特的門控制結(jié)構(gòu)，在一定程度上能夠避免梯度消失，可更好地處理時序序列問題。時間卷積網(wǎng)絡(luò)直接去掉了門機制，擁有并行性、內(nèi)存低和梯度穩(wěn)定的特點，比長短期記憶神經(jīng)網(wǎng)絡(luò)更勝一籌。但是，上述研究通常建立在大規(guī)模歷史數(shù)據(jù)的基礎(chǔ)上，在歷史樣本規(guī)模極小時難以適用。

在小樣本情況下，少樣本學(xué)習(xí)方法表現(xiàn)較好，并且可以有效地分析出樣本的分布規(guī)律。再利用生成式對抗網(wǎng)絡(luò)方法能夠較好地解決時間序列預(yù)測問題。因此，本發(fā)明將少樣本學(xué)習(xí)方法和生成式對抗網(wǎng)絡(luò)方法結(jié)合。所提方法能在少量訓(xùn)練樣本的情況下實現(xiàn)日前電力負(fù)荷精準(zhǔn)預(yù)測，同時優(yōu)化云儲能系統(tǒng)控制模型，利用預(yù)測負(fù)荷使云儲能系統(tǒng)做出最優(yōu)控制決策。

發(fā)明內(nèi)容

本發(fā)明提出一種少樣本生成式對抗學(xué)習(xí)網(wǎng)絡(luò)的云儲能系統(tǒng)控制方法。該方法將少樣本學(xué)習(xí)方法和生成式對抗網(wǎng)絡(luò)方法應(yīng)用到云儲能系統(tǒng)控制中，實現(xiàn)日前電力負(fù)荷預(yù)測并將數(shù)據(jù)發(fā)送給云儲能系統(tǒng)優(yōu)化控制模塊，以此控制分布式云儲能系統(tǒng)與儲能裝置間的功率流動。

本發(fā)明在少樣本學(xué)習(xí)方法的基礎(chǔ)上提出一種主動學(xué)習(xí)算法模型。通過自適應(yīng)地選擇有標(biāo)記的支持集來解決每個任務(wù)，挑選出典型特征并利用未標(biāo)記數(shù)據(jù)來擴充現(xiàn)有的訓(xùn)練樣本集。本發(fā)明模型改進訓(xùn)練片段的行為以便在訓(xùn)練中對沒有遇到的測試片段實現(xiàn)最優(yōu)化學(xué)習(xí)。

在每一集中該模型都與支持集S交互,這一支持集包括模型x和對應(yīng)的模型要求的標(biāo)簽y以及一個定義相似的評估集E。設(shè)S_t表示t個標(biāo)簽序列查詢后的標(biāo)記項和未標(biāo)記項的聯(lián)合集。實值向量s_t表示學(xué)習(xí)t個標(biāo)簽后模型的控制狀態(tài)，R(E,S_t,s_t)表示模型在根據(jù)t個標(biāo)簽查詢后收到的信息在評估集預(yù)測標(biāo)簽時所獲得的獎勵。

預(yù)測獎勵定義如下:

在主動學(xué)習(xí)的每一步中，此模型都要求從集合中得到一個輸入樣本x的標(biāo)簽并做出響應(yīng)，更新從s_t-1到s_t的狀態(tài)。模型對測試樣本的預(yù)測值以及模型下一步選擇的標(biāo)簽由S_t和s_t決定。

模型的理想化訓(xùn)練目標(biāo)是: