[發明專利]一種新能源場景生成方法及系統

在審

• 申請號: 202011384337.9
• 申請日: 2020-12-02
• 公開（公告）號: CN112163671A
• 公開（公告）日: 2021-01-01
• 發明（設計）人: 蒲天驕;喬驥;王新迎;王繼業
• 申請（專利權）人: 中國電力科學研究院有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 北京中巡通大知識產權代理有限公司 11703
• 代理人: 文驪鹍

1.一種新能源場景生成方法，其特征在于，包括以下步驟：

構建生成網絡及判別網絡，利用隱空間的隨機向量、判別網絡及新能源發電功率時間序列對生成網絡進行對抗訓練，基于對抗訓練后的生成網絡生成至少一個新場景；

提取所述新場景的特征標簽；

建立隱空間的隨機向量與特征標簽之間的關聯關系，并以此構建回歸模型，根據所述回歸模型在高維空間中的斜率構建隨機變量的特征軸；

對隨機變量的特征軸進行正交化；

控制正交化后隨機變量的特征軸上的特征，以生成不同的新能源場景。

2.根據權利要求1所述的新能源場景生成方法，其特征在于，對生成網絡進行對抗訓練之前還包括：實時采集新能源場站的發電數據或者收集新能源場站的歷史發電數據，利用新能源場站的發電數據或者新能源場站的歷史發電數據建立新能源場站的發電功率時間序列，通過新能源場站的發電功率時間序列構建訓練樣本集{x_j|y_j}，其中，x_j為第j個樣本，y_j為第j個樣本的特征標簽。

3.根據權利要求1所述的新能源場景生成方法，其特征在于，構建生成網絡及判別網絡，包括：

根據全連接網絡與深度反卷積神經網絡構建生成網絡，以及根據卷積神經網絡構建判別網絡；

或者，根據全連接神經網絡構建生成網絡，以及根據全連接神經網絡構建判別網絡。

4.根據權利要求2所述的新能源場景生成方法，其特征在于，對生成網絡進行對抗訓練的具體操作為：

將隱空間的隨機向量輸入到生成網絡中，生成網絡輸出新能源出力的模擬場景樣本；以及從訓練樣本集中隨機抽取若干樣本；

將生成網絡輸出的新能源出力的模擬場景樣本及隨機抽取的樣本輸入到判別網絡中；

根據判別網絡的判斷結果對生成網絡進行優化；

判斷生成網絡與判別網絡是否達到納什均衡，當生成網絡與判別網絡達到納什均衡時，得對抗訓練后的生成網絡，否則，則將新的隱空間的隨機向量輸入到生成網絡中。

5.根據權利要求4所述的新能源場景生成方法，其特征在于，根據判別網絡的判斷結果對生成網絡進行優化，包括：

根據判別網絡的判斷結果利用自適應矩估計方法對生成網絡進行優化；

或者，根據判別網絡的判斷結果利用隨機梯度下降法對生成網絡進行優化。

6.根據權利要求4所述的新能源場景生成方法，其特征在于，判別網絡的判斷結果采用改進的Wasserstein距離進行計算，其中，

其中，sup表示求上界，表示對其下標的變量求期望，為抽取的樣本x的概率分布，為隱空間的隨機變量z的概率分布，G(z)為生成網絡G輸出新能源出力的模擬場景樣本。

7.根據權利要求1所述的新能源場景生成方法，其特征在于，生成網絡的損失函數為：

其中，表示對變量z按照分布求期望,為生成網絡G的罰函數系數，為生成網絡G第l層的Frobenius范數，G(z)為生成網絡G輸出新能源出力的模擬場景樣本,D()為判別網絡D的輸出結果。

8.根據權利要求1所述的新能源場景生成方法，其特征在于，判別網絡的損失函數為：

其中,表示對變量z按照分布求期望，D為懲罰系數，表示對變量x按照分布求期望；為實際數據分布概率；表對變量按照分布求期望，為分布概率，表示梯度，表示范數，表示，為[0,1]之間的均勻采樣，G(z)為生成網絡G輸出新能源出力的模擬場景樣本，為梯度項的懲罰系數,D()為判別網絡D的輸出結果。

9.根據權利要求1所述的新能源場景生成方法，其特征在于，提取所述新場景的特征標簽，包括：

利用卷積神經網絡構建特征提取模型，利用特征提取模型提取新場景的特征標簽；

或者，利用統計方法構建特征提取模型，利用特征提取模型提取新場景的特征標簽。