[發明專利]基于進化框架的模糊對抗生成網絡風功率預測方法及裝置

在審

• 申請號: 202210181632.7
• 申請日: 2022-02-25
• 公開（公告）號: CN114462719A
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 曲福明;荊洪迪;柳小波;王培濤;陳巖;李鵬;張英
• 申請（專利權）人: 北京科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06N5/04;H02J3/00
• 代理公司: 北京市廣友專利事務所有限責任公司 11237
• 代理人: 張仲波

本發明涉及風功率預測技術領域，特別是指一種基于進化框架的模糊對抗生成網絡風功率預測方法及裝置。該方法包括：構建風機數據生成模型，風機數據生成模型用于生成多個風機數據；構建風機數據合理性判別模型，風機數據合理性判別模型用于判斷生成的風機數據是否符合要求；基于風機數據生成模型以及風機數據合理性判別模型，構建基于進化計算的樣本生成優化模型；基于進化計算的樣本生成優化模型以及真實風機數據，生成多個風機樣本數據；構建風電功率預測初始模型，通過風機樣本數據對功率預測初始模型進行訓練，得到訓練完畢的風電功率預測模型；通過風電功率預測模型，預測風電功率。采用本發明，可以提高復雜條件下風功率預測的效果。

技術領域

本發明涉及風功率預測技術領域，特別是指一種基于進化框架的模糊對抗生成網絡風功率預測方法及裝置。

背景技術

風電作為一種重要的可持續能源，在過去的幾十年里取得了快速的發展。截至到2019年底，全球風力發電機(簡稱“風機”)裝機容量達到651GW，覆蓋全球6％以上的電力需求。然而，與傳統電力不同的是，風機處在復雜的環境中，多變的環境給風機的發電預測帶來了很大的挑戰，對電力系統的穩定性也造成了很大的負面影響。為了解決這個問題，人們開發了風功率預測技術來預測風力發電的功率，從而輔助電力系統的穩定運行。風功率預測是一種至關重要的軟測量技術，在風電和電力系統的應用中發揮著重要作用。

在風功率預測中，短期預測十分重要。在短期風功率預測中，通常需要利用過去幾個小時的歷史數據來預測未來幾個小時的風電功率。短期風電功率預測方法主要有基于機理的方法、基于統計的方法和基于人工智能的方法。通常，基于機理的方法和基于統計的方法往往需要大量的額外信息(例如，細解析度的天氣數據，風機所處環境的各項物理數據等)才能使用，而這些額外的信息往往很難取得。因此，更多基于人工智能的方法(包括淺度學習方法和深度學習方法)被更多地應用于短期風功率預測。

在基于人工智能的短期風功率預測方法中，淺度學習方法易于部署和使用，得到了廣泛的研究和應用。這些方法通常使用歷史數據建立回歸模型，從而預測未來幾個小時的風功率。這些方法中，基于神經網絡模型、支持向量回歸模型和極限學習機模型的淺層學習方法得到了較多的研究。與此同時，隨著深度學習技術的快速發展，近年來深度學習方法在短期風功率預測領域得到了廣泛的研究。在深度學習方法中，在回歸模型中引入了更多的隱藏層，從而使模型的性能得到較大的提升，從而更加準確地預測風功率。

然而，盡管許多方法取得了非常顯著的效果，但仍存在一些問題需要解決：

(1)現有的許多方法雖然能夠取得良好的平均預測性能。然而，在一些極端條件下(如劇烈變化的環境)，它們的預測性能會嚴重惡化，這對電力系統的穩定性構成了很大的威脅。

(2)由于這些極端條件下的樣本數量有限，無法很好地訓練基于人工智能方法的預測模型。

發明內容

本發明實施例提供了一種基于進化框架的模糊對抗生成網絡風功率預測方法及裝置。所述技術方案如下：

一方面，提供了一種基于進化框架的模糊對抗生成網絡風功率預測方法，該方法由電子設備實現，該方法包括：

S1、構建風機數據生成模型，所述風機數據生成模型用于生成不同條件下的多個風機數據；

S2、構建風機數據合理性判別模型，所述風機數據合理性判別模型用于判斷生成的多個風機數據是否符合風機數據的要求；

S3、基于所述風機數據生成模型以及風機數據合理性判別模型，構建基于進化計算的樣本生成優化模型；

S4、基于所述進化計算的樣本生成優化模型以及真實風機數據，生成多個風機樣本數據；

S5、構建風電功率預測初始模型，通過所述風機樣本數據對所述功率預測初始模型進行訓練，得到訓練完畢的風電功率預測模型；