一种风电光伏有功场景生成方法、装置、电子设备和存储介质制造方法及图纸

本申请属于电力系统多能互补协调运行技术领域，涉及一种风电光伏有功场景生成方法、装置、电子设备和存储介质。首先需要收集历史风电和光伏有功出力数据，并进行数据清洗、数据样本集选取和数据维度调整等预处理；其次，构建起包含生成器、编码器和判别器的含推理模型的生成对抗网络；通过将历史数据输入神经网络，并采用一定的训练顺序，通过降低各自损失函数的方式进行参数更新；最后得到能刻画风电和光伏有功出力特性的生成样本，经过性能检验后的风电和光伏有功出力特性的生成样本可用于后续多能互补协调运行模型的研究。于后续多能互补协调运行模型的研究。于后续多能互补协调运行模型的研究。

【技术实现步骤摘要】
一种风电光伏有功场景生成方法、装置、电子设备和存储介质


[0001]本申请属于电力系统多能互补协调运行
，涉及一种风电光伏有功场景生成方法、装置、电子设备和存储介质。

技术介绍

[0002]随着电力系统中风电和光伏发电占比的逐渐增大，随机性较强的可再生能源成为了运行策略制定中不可忽视的重要因素。由于备用成本和调峰能力的限制，电力系统难以完全接纳波动性较大的风电和光伏有功出力，导致了较为严重的弃风和弃光现象。
[0003]传统电力系统在调度运行中通常只需要考虑负荷预测的不确定性，并预留少量备用以应对不确定性较小的负荷波动。但目前对风电和光伏等可再生能源发电功率的预测精度较低，当高比例可再生能源接入电网时，系统的“净负荷”曲线往往会出现更显著的峰谷差和更剧烈的功率波动。若仅通过大量增加备用来应对可再生能源的不确定性会造成系统运行成本的大幅增加，因此对风电和光伏出力特性进行深入分析和准确建模成为了研究的热点问题。

技术实现思路

[0004]本申请旨在至少部分解决已有技术中的部分技术问题，基于本专利技术人对以下事实和问题的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电光伏有功功率的场景生成方法，其特征在于，包括：获取历史风电、光伏发电有功功率数据，对数据进行预处理，得到真实样本x；构建一个生成对抗网络，确定网络结构和参数；利用真实样本x中的训练集样本，对生成对抗网络进行训练；利用真实样本x中的验证集样本，对生成对抗网络进行性能检验。2.根据权利要求1所述的风电光伏有功功率的场景生成方法，其特征在于，所述获取历史风电、光伏发电有功功率数据，对数据进行预处理，得到真实样本x，包括：(1)分别对多个风力机组和光伏机组进行采样，得到初始样本集；(2)对初始样本集进行预处理，包括数据清洗、数据样本集选取和数据维度调整，对于数据中的缺失值采用插值的方法填充，舍弃缺失值过多的样本；(3)将预处理后样本中的风电和光伏的真实出力值除以当月装机容量，得到单位装机容量下的风电光伏有功出力值x'，对风电光伏有功出力值x'进行归一化处理，得到真实样本x：其中，x'
max
表示x'中的最大值，x'
min
表示x'中的最小值。3.根据权利要求1所述的风电光伏有功场景生成方法，其特征在于，所述生成对抗网络，包含生成器、编码器和判别器，其中：所述生成器的输入为随机噪声z，经过两个全连接层、变形层和三个反卷积层，得到的输出为G(z)；所述编码器的输入为真实样本x中的训练集样本，经过三个卷积层、一个荡平层和两个全连接层，得到的输出为G
E
(x)；判别器的输入为随机噪声为z或所述编码器输出G
E
(x)，经过两个全连接层，输出第一结果，判别器的输入为随机噪声为z或所述编码器输出G
E
(x)，经过两个全连接层，输出第一结果，判别器的输入为所述生成器输出G(z)或真实样本x中的训练集样本，经过两个卷积层和一个变形层，得到第二结果，第一结果和第二结果通过一个拼接层，拼接在一起，再经过三个全连接层，输出得到判别值D(G(z),z)或判别值D(x,G
E
(x))。4.根据权利要求1所述的风电光伏有功场景生成方法，其特征在于，所述利用真实样本x中的训练集样本，对生成对抗网络进行训练，包括：(1)设定生成器、编码器和判别器训练过程中的目标函数分别为：其中，生成器和编码器的目标函数为：判别器的目标函数为：其中，和分别代表生成器和编码器在上一阶段的优化结果，λ1和λ2分别代
表两个正则项的系数，其中λ对应正则项的系数，λ的取值范围为0
‑
1；其中和满足：式中c为服从[0,1]均匀分布的随机变量；(2)设置生成对抗网络的训练参数如下：(2
‑
1)真实样本x中的训练集样本对批处理batch为40；(2
‑
2)生成器、编码器和判别器中的各输出层采用Sigmoid作为激活函数，其它各层采用ReLU或Leaky
‑
ReLU作为激活函数；(2
‑
3)设定n
dis
＝3，即每个循环中，判别器D训练三次，生成器和编码器各训练一次；(2
‑
4)判别器D的目标函数的正则项系数为λ＝10，生成器G和编码器E目标函数的正则项系数为λ1＝4,λ2＝2；(3)训练过程如下：(3
‑
1)初始化生成器G、编码器E和判别器D的参数；(3
‑
2)从高斯分布pg(z)中选取m个噪声样本{z
(1)
,...,z
(m)
}；(3
‑
3)从真实样本集x中的训练集中选取m个样本{x
(1)
,...,x
(m)
}；(3...

【专利技术属性】
技术研发人员：胡伟，王雅军，聂强，孙云超，缪益平，蹇德平，丁仁山，张馨月，张鑫，
申请(专利权)人：雅砻江流域水电开发有限公司，
类型：发明
国别省市：