一种基于生成对抗网络的综合能源系统负荷场景生成方法技术方案

本发明专利技术公开了一种基于生成对抗网络的综合能源系统负荷场景生成方法，包括以下步骤：S1：获取综合能源系统负荷数据，建立冷热电负荷样本数据集合；S2：构建生成对抗网络模型；S3：交替训练生成器网络和判别器网络D；S4：生成综合能源系统负荷场景。本发明专利技术利用生成对抗网络学习样本数据的隐含关系，捕捉内部复杂的深层非线性结构特征。在缺乏真实数据或真实数据的多样性不足时，生成与真实场景统计特性相近的综合能源系统多元负荷场景。通过本发明专利技术的方法生成的场景可以为负荷预测，异常检测和运行调度提供决策支持，增加系统的灵活性和可靠性。

【技术实现步骤摘要】
一种基于生成对抗网络的综合能源系统负荷场景生成方法
本专利技术涉及一种基于生成对抗网络的综合能源系统负荷场景生成方法，属于综合能源系统运行与分析

技术介绍
近年来，信息化和数字化程度的不断加深，基于大数据的挖掘技术日益成熟，数据的价值逐渐被认识并利用。具有多源异构性、复杂关联性、实时交互性的综合能源数据蕴含着巨大的信息价值，从能源大数据中提取价值信息，对大量场景进行计算分析，反映负荷的变化特征，可为故障检测、负荷预测、安全评估和能量管理等关键问题提供决策支持。然而，由于受到数据隐私性、数据安全性、获取成本等原因的限制，这些数据通常不容易获得，这阻止了数据的大规模可用性，对数据驱动技术在能源领域的进一步推广提出了挑战。因此，需要提出一种综合能源系统场景生成方法，在缺乏真实数据或真实数据的多样性不足时发现并学习训练数据中的潜在关联和复杂耦合性，挖掘数据的特征，直接学习负荷时序数据的概率分布，自动生成与真实场景统计特性相近的综合能源系统多元负荷场景，而不需要对概率分布进行显式建模。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种基于生成对抗网络的综合能源系统负荷场景生成方法，在缺乏真实数据或真实数据的多样性不足时，生成与真实场景统计特性相近的综合能源系统多元负荷场景。为达到上述目的，本专利技术提供一种基于生成对抗网络的综合能源系统负荷场景生成方法，包括以下步骤：S1：获取综合能源系统负荷数据，建立冷热电负荷样本数据集合；S2：构建生成对抗网络模型；S3：交替训练生成器网络和判别器网络D；S4：生成综合能源系统负荷场景。优先地，所述步骤S1包括以下步骤：S11：获取到各天的冷热电负荷数据，一天共获取N个负荷值，负荷值按相同时间间隔获取；S12：对获取的负荷值进行预处理，补全丢失的数据或修正异常的数据；S13：根据下式对负荷值进行归一化处理，将每个数据的值被缩放为介于0和1之间的值：式中：x表示样本数据集，x＝[x1，x2，…，xn]，n为总体样本数；xmin表示样本数据集中的最小值；xmax表示样本数据集中的最大值；xi为样本数据集中的第i个数据，i的取值范围为[1,n]。优先地，所述步骤S2包括以下步骤：S21：定义生成器模型G由一个全连接层和四个反卷积层组成，在每个计算层之后使用批归一化处理，最后使用Sigmoid激活函数最终输出；其中，Sigmoid激活函数为：S22：定义判别器模型G由三个卷积层和一个全连接层组成，除第一层卷积层和第三层卷积层外，第二层卷积层和全连接层均使用批量归一化处理，最后使用LeakyRelu作为激活函数输出；其中，LeakyRelu激活函数为：优先地，生成器模型G的输入是一组大小为96×1的随机数组。优先地，第一层卷积层、第二层卷积层和第三层卷积层的滤波尺寸均为5×5。优先地，所述步骤S3包括以下步骤：S31：噪声发生单元N产生某一特定长度的随机噪声序列zi；S32：随机噪声序列zi输入生成器模型G，并经生成器模型G的网络映射成场景G(z)；S33：将生成器模型G生成的场景G(z)和抽样的训练样本场景xi输入判别器网络D中，判别器网络D分别给出表征场景为真假的值D(x)和D(G(z))；S34：根据下式分别计算判别器模型G和生成器模型G的损失函数；LG＝-EZ[D(G(z))]，LD＝-EX[D(x)+EZ[D(G(z))]]，其中，LG表示生成器的损失函数，LD表示判别器的损失函数，EZ表示对应的随机噪声分布的期望值，EX表示对应的真实样本分布的期望值；S35：将S34的结果反向传播给生成器模型G和判别器模型自身，根据下式更新调整网络参数θg和网络参数θd；其中，θg,t-1和θd,t-1为当第t轮训练开始前生成器网络的参数和判别器网络D的参数；S36：重复步骤S31-S35，直到网络参数θg和网络参数θd收敛为止。优先地，步骤S4中，将训练完成的生成器模型G和判别器模型D固定，将生成器模型G用于从输入的随机噪声序列zi中模拟生成相冷热电负荷数据并输出。本专利技术所达到的有益效果：本专利技术公开了一种基于生成对抗网络的综合能源系统负荷场景生成方法，利用生成对抗网络学习样本数据的隐含关系，捕捉内部复杂的深层非线性结构特征，生成与真实数据具有相近统计分布特性的新数据。在缺乏真实数据或真实数据的多样性不足时，自动生成与真实场景统计特性相近的综合能源系统多元负荷场景，而不需要对概率分布进行显式建模，异常检测和运行调度提供决策支持，增加系统的灵活性和可靠性，解决了缺乏真实数据或真实数据的多样性不足的问题。附图说明图1是本专利技术的流程图；图2是本专利技术的生成器和判别器训练过程损失函数变化图；图3是本专利技术的生成场景与真实场景样本数据比较图；图4是本专利技术的生成场景与真实场景数据概率分布特性比较图。具体实施方式以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。一种基于生成对抗网络的综合能源系统负荷场景生成方法，包括以下步骤：S1：获取综合能源系统负荷数据，建立冷热电负荷样本数据集合；S2：构建生成对抗网络模型；S3：交替训练生成器网络和判别器网络D；S4：生成综合能源系统负荷场景。进一步地，所述步骤S1包括以下步骤：S11：获取到各天的冷热电负荷数据，一天共获取N个负荷值，负荷值按相同时间间隔获取；S12：对获取的负荷值进行预处理，补全丢失的数据或修正异常的数据；S13：根据下式对负荷值进行归一化处理，将每个数据的值被缩放为介于0和1之间的值：式中：x表示样本数据集，x＝[x1，x2，…，xn]，n为总体样本数；xmin表示样本数据集中的最小值；xmax表示样本数据集中的最大值；xi为样本数据集中的第i个数据，i的取值范围为[1,n]。进一步地，所述步骤S2包括以下步骤：S21：定义生成器模型G由一个全连接层和四个反卷积层组成，在每个计算层之后使用批归一化处理，最后使用Sigmoid激活函数最终输出；其中，Sigmoid激活函数为：S22：定义判别器模型G由三个卷积层和一个全连接层组成，除第一层卷积层和第三层卷积层外，第二层卷积层和全连接层均使用批量归一化处理，最后使用LeakyRelu作为激活函数输出；其中，LeakyRelu激活函数为：进一步地，生成器模型G的输入是一组大小为96×1的随机数组。进一步地，第一层卷积层、第二层卷积层和第三层卷积层的滤波尺寸均为5×5。进一步地，所述步骤S3包括以下步骤：S31：噪声发生单元N产生某一特本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的综合能源系统负荷场景生成方法，其特征在于，包括以下步骤：/nS1：获取综合能源系统负荷数据，建立冷热电负荷样本数据集合；/nS2：构建生成对抗网络模型；/nS3：交替训练生成器网络和判别器网络D；/nS4：生成综合能源系统负荷场景。/n

【技术特征摘要】
1.一种基于生成对抗网络的综合能源系统负荷场景生成方法，其特征在于，包括以下步骤：
S1：获取综合能源系统负荷数据，建立冷热电负荷样本数据集合；
S2：构建生成对抗网络模型；
S3：交替训练生成器网络和判别器网络D；
S4：生成综合能源系统负荷场景。


2.根据权利要求1所述的一种基于生成对抗网络的综合能源系统负荷场景生成方法，其特征在于，所述步骤S1包括以下步骤：
S11：获取到各天的冷热电负荷数据，一天共获取N个负荷值，负荷值按相同时间间隔获取；
S12：对获取的负荷值进行预处理，补全丢失的数据或修正异常的数据；
S13：根据下式对负荷值进行归一化处理，将每个数据的值被缩放为介于0和1之间的值：



式中：x表示样本数据集，x＝[x1，x2，…，xn]，n为总体样本数；xmin表示样本数据集中的最小值；xmax表示样本数据集中的最大值；xi为样本数据集中的第i个数据，i的取值范围为[1,n]。


3.根据权利要求1所述的一种基于生成对抗网络的综合能源系统负荷场景生成方法，其特征在于，所述步骤S2包括以下步骤：
S21：定义生成器模型G由一个全连接层和四个反卷积层组成，在每个计算层之后使用批归一化处理，最后使用Sigmoid激活函数最终输出；
其中，Sigmoid激活函数为：



S22：定义判别器模型G由三个卷积层和一个全连接层组成，除第一层卷积层和第三层卷积层外，第二层卷积层和全连接层均使用批量归一化处理，最后使用LeakyRelu作为激活函数输出；
其中，LeakyRelu激活函数为：





4.根据权利要求3所述的一种基于生成对抗网络的综合能源系统负荷场景生成方法，其特征在于，生成器模型...

【专利技术属性】
技术研发人员：朱庆，张卫国，武文广，郑红娟，王金明，宋杰，周材，纪程，
申请(专利权)人：国网电力科学研究院有限公司，国电南瑞科技股份有限公司，国电南瑞南京控制系统有限公司，国网山东省电力公司，
类型：发明
国别省市：江苏;32