【技术实现步骤摘要】
基于gan场景模拟的风电多场景鲁棒调度方法
本专利技术涉及电力系统优化运行与控制领域，尤其涉及一种基于gan场景模拟的风电多场景鲁棒调度方法。
技术介绍
随着风光等可再生能源发电渗透率的日益提高，电力系统的安全稳定受到严峻的挑战，关于高渗透可再生能源系统的调度和运行策略的研究也如火如荼的进行。目前关于风电高渗透的电力系统的调度方法主要有随机优化方法和鲁棒优化方法。这两种方法各有优劣，都能在特定场景下解决相关的风电高渗透系统调度问题，但这两种方法分别都有一个亟待解决的问题：随机优化方法中风电出力的概率分布怎么确定以及鲁棒优化调度方法中最坏场景如何确定。以上两个问题都会或多或少采用概率抽样或者经验概率分布模型，但这种方式无疑存在着方案理想化，存在实际工程误差的问题，同时，若采用概率抽样的方法，得到的抽样场景过多则增加调度计算难度，影响调度的时效性，若过少则更不具代表性，工程实用性低。近年来深度学习领域提出了生成对抗网络技术(GenerativeAdversarialNetworks，GAN)，一经提出就受到广泛关注,其无需对数据服从的分布作任何假定,可以直接从数据中学...
【技术保护点】
1.一种基于gan场景模拟的风电多场景鲁棒调度方法，其特征在于，包括步骤：(1)确定调度系统的运行参数；(2)收集历史风速场景数据；(3)利用生成对抗网络生成风速场景；(4)对风速场景进行场景削减；(5)搭建含风电场电力系统鲁棒调度模型；(6)利用鲁棒优化方法对进行搭建的调度模型进行求解。
【技术特征摘要】
1.一种基于gan场景模拟的风电多场景鲁棒调度方法，其特征在于，包括步骤：(1)确定调度系统的运行参数；(2)收集历史风速场景数据；(3)利用生成对抗网络生成风速场景；(4)对风速场景进行场景削减；(5)搭建含风电场电力系统鲁棒调度模型；(6)利用鲁棒优化方法对进行搭建的调度模型进行求解。2.根据权利要求1所述的一种基于gan场景模拟的风电多场景鲁棒调度方法，其特征在于，系统的运行参数主要包括各机组的发电功率上下限，爬坡速率，系统调度日的24h负荷，线路传输功率限制，风电切入风速，切出风速，额定风速，额定功率。3.根据权利要求1所述的一种基于gan场景模拟的风电多场景鲁棒调度方法，其特征在于，所述步骤(3)包括步骤：(3-1)构建生成器网络G1、G2和G3，同时构建判别器D；(3-2)从一个预先定义的分布pz中进行随机采样得到噪声集z＝{z1,z2,z3,…,zn}；(3-3)令生成器的输入为z，输出“假”数据G1(z),G2(z),G3(z)；(3-4)将“假”数据G1(z),G2(z),G3(z)置于判别器D中判断数据真假，根据判别结果，更新各生成器网络的参数；生成器训练的目标函数为：L＝-||G1(z)-G2(z)||p-||G2(z)-G3(z)||p-||G1(z)-G3(z)||p其中，λ为协同控制常数，根据各生成器性能差异调整训练模型的训练协同程度；协同距离L采用p范数来评价各生成器之间的性能差异，p可根据训练需求来自定义；(3-5)重复步骤(3-4)训练过程k次，直至前后两次训练结果的目标函数值之差小于第一次训练的目标函数值的0.0.1倍；以历史风速场景数据作为真实数据集x＝{x1,x2,x3,…,xn}，将“假”数据G1(z),G2(z),G3(z)和真数据x＝{x1,x2,x3,…,xn}置于判别器D中进行判别；根据判别结果更新判别器D的参数；判别器训练的目标函数为：(3-6)设置协同参数；协同参数的计算公式为：根据判别结果计算协同参数s1,s2,s3的值，s1为s1,s2,s3中最大值，即G1的真实度较高，则给各生成器网络G2，G3设置惩罚网络连接权，拉近性能差的生成器网络与性能较优的网络之间的距离；若s2,s3较大则同理可调整性能相对较差的生成器网络的惩罚网络连接权；(3-7)重复步骤(3-3)-(3-6)，直至生成器网络近似收敛于真实数据分布，得到生成场景集M。4.根据权利要求1所述的一种基于gan场...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。