[發明專利]基于深度學習與數據驅動的新能源出力場景生成方法

在審

• 申請號: 202011140310.5
• 申請日: 2020-10-22
• 公開（公告）號: CN112232488A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 王圓圓;白宏坤;卜飛飛;王世謙;李文峰;華遠鵬;韓丁;賈一博;王涵;吳雄;李昊宇
• 申請（專利權）人: 國網河南省電力公司經濟技術研究院;西安交通大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 馬貴香

基于深度學習與數據驅動的新能源出力場景生成方法，搭建生成對抗網絡，生成對抗網絡包括生成器和判別器；根據生成對抗網絡建立條件生成對抗網絡，條件生成對抗網絡的生成器有兩個輸入，一個是高斯噪聲，另一個是場景標簽。條件生成對抗網絡的判別器有兩個輸入，一個是通過生成器生成出的合成數據，另一個是真實數據；通過訓練數據對條件生成對抗網絡進行訓練得到訓練好的條件生成對抗網絡；確定需要生成場景的標簽值，將標簽值與高斯噪聲一起輸入到訓練好的條件生成對抗網絡中，得到相應場景的出力數據。本發明所采用的條件生成對抗網絡擬合能力遠遠超過傳統統計學模型，能夠更好地捕捉真實分布信息，同時具有很強的魯棒性和抗干擾能力。

技術領域

本發明涉及含新能源電力系統調度與運行領域，特別是基于深度學習與數據驅動的新能 源出力場景生成方法。

背景技術

在當下隨著風能、太陽能等可再生能源發電并網比例的增大，電網的穩定運行受到了較 大的挑戰。人們傳統依賴的火力發電和水力發電，運行特點可以很好地被掌控，可以根據自 身需要對其進行調度和控制。而風能、太陽能等新興可再生能源，它們的出力都具有相當強 的隨機性和間歇性，這些可再生能源發電對電網的逐漸滲透會使得原本呈現弱隨機特性的電 力系統轉換為強隨機特性的系統。因此在當下由于可再生能源出力的不確定性，電力電網的 系統穩定和電能質量都無法得到有效的保證，可再生能源出力也不能被電網很好地消納，這 些瓶頸成為了可再生能源發電得到大規模應用的最大阻礙。正因為這個原因，“棄風棄光”到 現在仍然是一種非常普遍的現象。

為了進行電力調度或生產模擬，需要生成符合不同場景的新能源出力數據來模擬實際場 景。而如何生成反映新能源出力特性的出力數據是一個難點。近年來解決該問題多采用的方 法是通過建模的方式來生成出和實際具有相似分布的不同場景下的出力。在過去的研究中， 大多數采用的是模型驅動的方式，即通過物理量進行建模或者通過尋找到某種場景出力情形 的概率分布來進行不同可再生能源的出力場景生成，這種通過尋求概率模型建模方式即為模 型驅動的數據預測和生成方式。而其中比較經典的建模方法有用多元Copula函數連接多風電 場的出力分布、基于時間序列分析的方法(如ARMA模型)和一些經典機器學習算法(如徑 向基函數神經網絡RBFNN與粒子群優化(PSO)算法的耦合)，它們被用來做相關場景的生 成或者預測工作。上述方法均已在場景生成方向上取得了相當不錯的進展，總的來說其主體 思想方法都是先構建模型，再用觀測數據對已有模型進行擬合，然后對擬合好的模型抽樣生 成出不同的出力場景。都是比較典型的基于模型驅動的生成方式，這種方式的優點是在物理 上可解釋性強，能夠更有利于分析改進。然而卻也有很顯著的缺陷，即人工建模去預測生成 場景的準確度與參數的數量息息相關。由于可再生能源的出力具有很強的隨機性，影響其出 力特性的因素有很多，最終場景的真實分布可能分布在一個非常高維的空間上，這使得在人 為建模時很難考慮到這么多的參數，從而在理論上無法與真實充分逼近，導致模型并不能向 最佳方向優化。除此之外通常為了簡化模型降低模型參數量在建模時會主動做出一些統計學 假設，而這些統計性假設在很多場景下并不一定能夠成立，例如，在Copula方法中會假設預 測誤差服從高斯分布，而實際并不一定會如此，這也會導致其生成的出力與最終真實結果出 現較大差距，這對電力系統的調度將會造成不小的影響。由此可見，即使有了上述工作，場 景生成依舊是一個非常具有挑戰性的課題。

發明內容

本發明為解決傳統新能源出力建模方法在模型參數維度以及擬合真實分布方面的不足， 提供基于深度學習與數據驅動的新能源出力場景生成方法。

為實現上述目的，本發明采用的技術方案如下：

基于深度學習與數據驅動的新能源出力場景生成方法，包括以下步驟：

1)搭建生成對抗網絡，生成對抗網絡包括相連的生成器和判別器；根據生成對抗網絡建 立條件生成對抗網絡，條件生成對抗網絡的生成器有兩個輸入，一個是高斯噪聲，另一個是 場景標簽；條件生成對抗網絡的判別器有兩個輸入，一個是通過生成器生成出的合成數據， 另一個是真實數據；