一种基于变分自编码器的能源互联网场景生成方法技术

本发明专利技术公开了一种基于变分自编码器的能源互联网场景生成方法，通过获取能源互联网内G个可再生能源出力与负荷的历史实测数据，以T日实测数据作为训练数据集，V日实测数据作为测试数据集，每日数据采样点数为24，依据源(荷)数目G构建图神经网络层；依据采样点数24构建时序卷积神经网络层；基于图神经网络层以及时序卷积神经网络层构建能源互联网场景生成模型；利用训练数据集对模型进行训练；使用训练好的场景生成模型计算测试集中多源‑荷数据之间相关性系数，提取测试数据集中单日数据的标签变量，生成同类型场景集，验证模型的有效性。

【技术实现步骤摘要】
一种基于变分自编码器的能源互联网场景生成方法
本专利技术涉及可再生能源出力和负荷联合场景生成领域，特别是涉及一种基于变分自编码器的能源互联网场景生成方法。
技术介绍
能源互联网(EnergyInternet)是以电力系统为核心,以互联网技术和新能源发电技术为基础,并结合了交通、天然气等系统构成的复杂多网流系统，其主要目标是利用互联网技术推动由集中式化石能源利用向分布式可再生能源利用的转变。随着化石资源日益枯竭和环境污染问题的不断加剧，风电、光伏等可再生能源得到很大发展，以分布式发电的形式接入配电网是目前最常见的形式。由于可再生能源在出力上有着较高的不确定性，高渗透率的分布式发电并网也给能源互联网中电网的稳定运行带来了巨大的挑战。因此如何有效地描述可再生能源出力的不确定性是目前亟需解决的问题。场景分析法主要包括场景生成、场景缩减等内容，可有效地将可再生能源出力的不确定性因素转化为多个确定性出力场景进行描述，从而降低对电力系统规划问题的求解复杂度，并对能源互联网内配电网规划、调度等问题建立随机优化模型。现有方法多数采用概率模型去描述可再生能本文档来自技高网...

【技术保护点】
1.一种基于变分自编码器的能源互联网场景生成方法，包括以下步骤：/n步骤1：获取能源互联网内G个可再生能源出力与负荷的历史实测数据，以T日实测数据作为训练数据集，V日实测数据作为测试数据集，每日数据采样点数为24；/n步骤2：依据源(荷)数目G构建图神经网络层；/n步骤3：依据采样点数24构建时序卷积神经网络层；/n步骤4：基于图神经网络层以及时序卷积神经网络层构建能源互联网场景生成模型；/n步骤5：利用训练数据集对模型进行训练；/n步骤6：使用训练好的场景生成模型计算测试集中多源-荷数据之间相关性系数，提取测试数据集中单日数据的标签变量，生成同类型场景集，验证模型的有效性。/n

【技术特征摘要】
1.一种基于变分自编码器的能源互联网场景生成方法，包括以下步骤：
步骤1：获取能源互联网内G个可再生能源出力与负荷的历史实测数据，以T日实测数据作为训练数据集，V日实测数据作为测试数据集，每日数据采样点数为24；
步骤2：依据源(荷)数目G构建图神经网络层；
步骤3：依据采样点数24构建时序卷积神经网络层；
步骤4：基于图神经网络层以及时序卷积神经网络层构建能源互联网场景生成模型；
步骤5：利用训练数据集对模型进行训练；
步骤6：使用训练好的场景生成模型计算测试集中多源-荷数据之间相关性系数，提取测试数据集中单日数据的标签变量，生成同类型场景集，验证模型的有效性。


2.根据权利要求1所述的一种基于变分自编码器的能源互联网场景生成方法，其特征在于：所述步骤1中，采用的训练数据结构为：
考虑能源互联网内有W个风电、S个光伏、L个负荷，总共有G个源(荷)，每日数据采样点数为24，训练数据集共含T日数据，可以用T*G*24的矩阵表示。


3.根据权利要求2所述的一种基于变分自编码器的能源互联网场景生成方法，其特征在于：所述步骤2中，构建的图神经网络层数学表达式为：



其中g(t)为图神经信号，x为输入信号，式中wij为输入神经元i到输出神经元j的权重，bi为输入神经元i的偏置，N为源(荷)数目。


4.根据权利要求3所述的一种基于变分自编码器的能源互联网场景生成方法，其特征在于：所述步骤3中，构建的时序卷积神经网络层数学表达式为：



式中f(t)为时序卷积核信号，x为输入信号，式中k为卷积核的长度。


5.根据权利要求4所述的一种基于变分自编码器的能源互联网场景生成方法，其特征在于：所述步骤4中，所构建的能源互联网场景生成模型为：
G*24的真实样本输入至编码网络，输出为标签变量y、均值μ，方差σ，所述标签变量y、均值μ经过差值运算...

【专利技术属性】
技术研发人员：王昊天，董骁翀，孙英云，李烨，王新迎，王天昊，马世乾，
申请(专利权)人：华北电力大学，中国电力科学研究院有限公司，国网天津市电力公司，
类型：发明
国别省市：北京;11