【技术实现步骤摘要】
基于生成对抗网络的新能源发电场景数据迁移方法
本专利技术属于新能源发电
，尤其涉及一种基于生成对抗网络的新能源发电场景数据迁移方法。
技术介绍
新能源具有不断再生、永续利用以及环境友好性的特点，在过去近半个世纪里，全球新能源的增长率也已经全面超过了化石能源。风力、光伏发电因为具备了成熟、商业化的大规模发电与运营方式，是目前新能源领域中最具关注的焦点。相比于常规火力或水力发电可控制、可调度的特点，风力与光伏等新能源发电量不受人为调控。此外，风电与光伏出力均具有明显的随机性、间歇性以及波动性特征，大规模的风电、光伏并网势必会对电网电能质量、电力可靠性以及电力系统安全经济运行带来不小的挑战。因此虽然风电、光伏并网的比例逐年增加，但由于其出力不确定性的特点及现有技术的瓶颈导致电网现阶段仍然无法完全消纳新能源出力，“弃风弃光”的现象仍然普遍存在。目前，在新能源接入的电力系统规划、运行以及调度优化问题中如何考虑新能源出力的不确定性，是目前研究电力系统经济优化运行的难点，如果能对新能源出力场景的不确定性研究并建模生成场景，则...
【技术保护点】
1.一种基于生成对抗网络的新能源发电场景数据迁移方法，其特征在于，包括以下步骤：/n步骤S1：建立C-DCGAN模型：/n定义历史场景数据为真实数据，定义一组随机噪声数据z作为生成器的输入，以p
【技术特征摘要】
1.一种基于生成对抗网络的新能源发电场景数据迁移方法，其特征在于，包括以下步骤：
步骤S1：建立C-DCGAN模型：
定义历史场景数据为真实数据，定义一组随机噪声数据z作为生成器的输入，以pz(z)表示z的概率分布，以pdata(x)表示历史场景数据x的概率分布；生成器的输出为生成得到的数据样本G(z)，概率分布为pG(z)；
定义判别器网络的输入为历史场景数据x或生成器生成的数据G(z)，输出为一个标量D(G(z))，表示输入数据服从历史数据分布pdata(x)的概率；
根据生成器与判别器的训练目标，分别构造生成器和判别器的损失函数LG和LD，并确定GAN训练过程中的目标函数；
步骤S2：引入Wasserstein距离与梯度惩罚函数，对GAN的目标函数进行转化；
步骤S3：将源电站与目标电站的训练样本数据作归一化处理；
步骤S4：以源电站的训练样本作为条件y，与随机噪声拼接后一并输入C-DCGAN模型的生成器，生成器输出生成样本；
步骤S5：以源电站样本作为条件y，与目标电站的训练样本拼接后作为历史数据样本，输入C-DCGAN模型的判别器；同时，将条件y与生成样本拼接后作为生成数据样本，输入C-DCGAN模型的判别器；判别器输出对历史数据样本和生成数据样本的判别值；
步骤S6：计算生成器和判别器的损失函数，优化更新C-DCGAN模型网络参数；
步骤S7：当训练结束后，保留C-DCGAN中的生成器模型，确定目标电站缺失时间段，输入该时间段源电站历史数据与随机噪声拼接的样本，生成器输出若干个迁移后的目标电站新能源发电场景数据。
2.根据权利要求1所述的基于生成对抗网络的新能源发电场景数据迁移方法，其特征在于：
在步骤S1中，生成器和判别器的损失函数LG和LD分别为：
生成器的优化目标是将式(1)最小化，判别器的目标是将式(2)最大化；将式(1)和式(2)相结合，得到GAN训练过程中的目标函数：
3.根据权利要求2所述的基于生成对抗网络的新能源发电场景数据迁移方法，其特征在于：
步骤S2具体包括以下过程：
Wasserstein距离的定义如下：
式中，Ω(pdata,pG)是以pdata和pG为边缘分布的联合概率分布γ的集合；W(pdata,pG)为γ(u,v)期望的下确界，表示将生成分布pG拟合成真实分布pdata，需要将u移动到v的距离，其中u和v分别表示从联合分布γ中随机采样的历史样本与生成样本；采用其Kantorovich-Rubinstein对偶形式来描述生成样本与真实样本之间的距离：
式中||f||L≤K表明判别器函数D(x)满足K-Lipschitz连续，即函数梯度的绝对值上限为K；为了保证梯度不超过限值K，对式(3)引入判别器函数D(x)在定义域内的梯度惩罚函数，使判别器函数D(x)近似满足K-Lipschitz连续，以精确描述Wasserstein距离；此时，GAN的目标函数转化为：
4.根据权利要求3所述的基于生成对抗网络的新能源发电场景数据迁移方法，其特征在于：步骤S3的归一化公式如下：
式中，xi表示风电场景数据中第i类数据，其中，x1,x2,x3分别...
【专利技术属性】
技术研发人员：邵振国，张承圣，陈飞雄，张嫣，许良财，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35
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。