[發明專利]一種基于NICE模型增強光伏竊電數據的方法及系統

在審

• 申請號: 202110767039.6
• 申請日: 2021-07-07
• 公開（公告）號: CN113919408A
• 公開（公告）日: 2022-01-11
• 發明（設計）人: 楊藝寧;宋如楠;王聰;楊柳;張蓬鶴;薛陽;陳昊;徐英輝;杜新綱;葛得輝;周暉
• 申請（專利權）人: 中國電力科學研究院有限公司;國家電網有限公司;國網江西省電力有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06Q30/00;G06Q50/06
• 代理公司: 北京工信聯合知識產權代理有限公司 11266
• 代理人: 夏德政

1.一種基于NICE模型增強光伏竊電數據的方法，所述方法包括：

對NICE模型導入分布式光伏竊電的原始數據，獲取分布式光伏的功率預測值，確定分布式光伏的功率預測值和測量值的偏差，將分布式光伏的功率預測值和測量值的偏差作為NICE模型和分類器的輸入變量；

將分布式光伏的功率預測值和測量值的偏差輸入NICE模型，對NICE模型進行訓練，且生成NICE生成模型，根據NICE生成模型，截取NICE模型的解碼器生成新樣本；

將新樣本及原始數據輸入分類器，對新樣本和原始數據進行訓練，生成CNN分類器；

對生成的NICE生成模型及CNN分類器，進行性能評估；

若性能評估符合要求，將目標分布式光伏竊電數據輸入NICE生成模型及CNN分類器，進行計算，輸出增強的光伏竊電數據。

2.根據權利要求1所述的方法，所述原始數據信息，包括：光照強度、溫度、相對濕度、壓強和時間。

3.根據權利要求1所述的方法，所述CNN分類器運用卷積神經網絡對NICE模型生成新樣本和原始數據進行分類的訓練，通過卷積神經網絡的卷積層和池化層獲取輸入變量的特征數據信息。

4.根據權利要求1所述的方法，所述CNN分類器，包括：卷積層、池化層、平坦層、舍棄層和全連接層；

其中，卷積層和池化層獲取分布式光伏竊電功率曲線的特征數據，通過全連接層輸出分布式光伏竊電功率曲線的特征數據，計算多分類交叉熵損失函數，運用反向傳播算法更新網絡的權重。

5.根據權利要求1所述的方法，所述分布式光伏發電預測值和測量值的偏差采樣時間為1小時。

6.根據權利要求1所述的方法，所述性能評估，以NICE模型和CNN分類器作為評估指標，還選用宏平均和G-mean指標來評估模型的性能。

7.一種基于NICE模型增強光伏竊電數據的系統，所述系統包括：

導入原始數據單元，對NICE模型導入分布式光伏竊電的原始數據，獲取分布式光伏的功率預測值，確定分布式光伏的功率預測值和測量值的偏差，將分布式光伏的功率預測值和測量值的偏差作為NICE模型和分類器的輸入變量；

生成新樣本單元，將分布式光伏的功率預測值和測量值的偏差輸入NICE模型，對NICE模型進行訓練，且生成NICE生成模型，根據NICE生成模型，截取NICE模型的解碼器生成新樣本；

生成CNN分類器單元，將新樣本及原始數據輸入分類器，對新樣本和原始數據進行訓練，生成CNN分類器；

性能評估單元，對生成的NICE生成模型及CNN分類器，進行性能評估；

數據輸出單元，若性能評估符合要求，將目標分布式光伏竊電數據輸入NICE生成模型及CNN分類器，進行計算，輸出增強的光伏竊電數據。

8.根據權利要求7所述的系統，所述原始數據信息，包括：光照強度、溫度、相對濕度、壓強和時間。

9.根據權利要求7所述的系統，所述CNN分類器運用卷積神經網絡對NICE模型生成新樣本和原始數據進行分類的訓練，通過卷積神經網絡的卷積層和池化層獲取輸入變量的特征數據信息。

10.根據權利要求7所述的系統，所述CNN分類器，包括：卷積層、池化層、平坦層、舍棄層和全連接層；

其中，卷積層和池化層獲取分布式光伏竊電功率曲線的特征數據，通過全連接層輸出分布式光伏竊電功率曲線的特征數據，計算多分類交叉熵損失函數，運用反向傳播算法更新網絡的權重。

11.根據權利要求7所述的系統，所述分布式光伏發電預測值和測量值的偏差采樣時間為1小時。

12.根據權利要求7所述的系統，所述性能評估，以NICE模型和CNN分類器作為評估指標，還選用宏平均和G-mean指標來評估模型的性能。