基于GAN的低碳经济园区的风光储能优化方法及系统技术方案

本发明专利技术公开了一种基于GAN的低碳经济园区的风光储能优化方法及系统，涉及多能储能智能优化技术领域，其中该方法包括获取低碳经济园区的风光储能系统的风力发电机组或光伏太阳能发电机组的能量损失率和能量欠缺率历史数据；利用生成式对抗网络GAN对所述能量损失率和能量欠缺率历史数据进行处理，获得扩充样本集；建立低碳经济园区的风光储能成本优化模型及相应的约束条件；采用遗传算法对风光储能成本优化模型推演，获得最优策略。本发明专利技术在使系统的经济效益最大化的同时大大改善风电和光伏出力带来的随机性、波动性和间歇性，克服系统输出电能的不确定性的缺陷，提高了输出电能质量。质量。质量。

【技术实现步骤摘要】
基于GAN的低碳经济园区的风光储能优化方法及系统


[0001]本专利技术涉及多能储能智能优化
，具体涉及一种基于GAN的低碳经济园区的风光储能优化方法及系统。

技术介绍

[0002]随着在传统的电力设施中大量的分布式新能源发电机的接入，对电网的持续性、稳定性等方面产生极大影响，对于传统电网的正常运行提出了挑战。新能源在出力过程中更多的依赖与天气和自然情况，那么新能源出力就具有间歇性，不确定性等缺点。风速由于受到天气与地理等因素的影响，其大小与风向会经常性变化，而光伏出力也与天气变化密切相关，光照强度和气温的变化会影响到出力的大小，从而导致风电和光伏出力具有很大的随机性、波动性和间歇性。随着风光接入电网容量的不断增大，随机性、波动性和间歇性等风光出力特性对电力系统的安全与稳定运行影响越来越大，大大降低了原有的电能质量。
[0003]为了提高风光储能供能质量，国内外已进行了相关研究，例如提出了可以在平抑风光功率波动控制方面进行改进，其基本原理是设计储能自动平滑程序控制储能吞吐风光功率，将功率波动控制在设计范围内，实现多时间尺度平滑风光发电出力。但是，该技术缺乏对风光储能输出的确定性的优化控制，导致输出的电能质量还是存在不确定性的缺陷，电能质量较差。

技术实现思路

[0004]因此，为了克服上述缺陷，本专利技术实施例提供一种基于GAN的低碳经济园区的风光储能优化方法及系统，提高风光储能供能质量。
[0005]为此，本专利技术实施例的一种基于GAN的低碳经济园区的风光储能优化方法，包括以下步骤：
[0006]获取低碳经济园区的风光储能系统的风力发电机组或光伏太阳能发电机组的能量损失率和能量欠缺率历史数据；
[0007]利用生成式对抗网络GAN对所述能量损失率和能量欠缺率历史数据进行处理，获得扩充样本集；
[0008]建立低碳经济园区的风光储能成本优化模型及相应的约束条件；
[0009]采用遗传算法对所述风光储能成本优化模型求解，获得最优风光储能策略。
[0010]优选地，所述利用生成式对抗网络GAN对所述能量损失率和能量欠缺率历史数据进行处理，获得扩充样本集的步骤包括：
[0011]组建由一天内任一时段的风力发电机组的能量损失率、能量欠缺率和光伏太阳能发电机组的能量损失率、能量欠缺率构成的真实数据矩阵方阵，一天的真实数据矩阵组成一个n
×
n矩阵作为一个真实数据x的样本，所有真实数据x构成样本集；将样本集分为训练集和测试集；
[0012]采用深度卷积网络分别构建生成器网络和鉴别器网络，所述鉴别器网络依次包括第一卷积层、自归一化激活层和第二卷积层，所述生成器网络依次包括反卷积层、激活层和输出层；所述鉴别器网络的第二卷积层的输出作为所述生成器网络的反卷积层的输入；所述样本集作为第一卷积层的输入，第一卷积层的输出作为自归一化激活层的输入；所述自归一化激活层将激活层和归一化层进行合并，且设置训练过程中激活值停止工作的概率，即满足该概率就训练停止；
[0013]基于所述样本集，对所述生成器网络和鉴别器网络执行循环迭代，一次所述循环迭代包括先执行N1次鉴别器网络优化迭代，再执行一次生成器网络优化迭代；直至生成器网络生成的估计数据z的分布收敛到真实数据x的分布为止，获得训练好的生成器网络和鉴别器网络；
[0014]根据训练好的生成器网络生成估计数据y，获得由真实数据x和估计数据y组成的扩充样本集。
[0015]优选地，所述风光储能成本优化模型的目标为在考虑能量欠缺率和能量损失率的情况下最小化各时段内风力发电机组和光伏太阳能发电机组的运行成本和多能储能电源的运行成本，从而在保证电能稳定输出的同时最小化运行成本，使系统的经济效益最大化。
[0016]优选地，所述采用遗传算法对所述风光储能成本优化模型求解，获得最优风光储能策略的步骤包括：
[0017]将不同风力发电机组的能量损失率、能量欠缺率和光伏太阳能发电机组的能量损失率、能量欠缺率对应的不同时段的时长作为染色体；
[0018]随机产生初始种群，使每个时段的时长可以获得一个最长时长和最短时长之间的随机值；
[0019]根据所述目标函数，生成适应值函数；
[0020]根据赌轮盘选择法将上一代的优先个体传递到下一代，计算每个染色体被选择的概率；
[0021]采用交叉算子，选取一个随机交叉点，通过在交叉点上交换亲代的基因得到若干个子代染色体；
[0022]通过交叉算子获得子代染色体后，再采用变异算子进行优化，通过改变一个或若干个基因的值，增加种群的多样性。
[0023]本专利技术实施例的一种基于GAN的低碳经济园区的风光储能优化系统，包括：
[0024]历史数据获取装置，用于获取低碳经济园区的风光储能系统的风力发电机组或光伏太阳能发电机组的能量损失率和能量欠缺率历史数据；
[0025]扩充样本集生成装置，用于利用生成式对抗网络GAN对所述能量损失率和能量欠缺率历史数据进行处理，获得扩充样本集；
[0026]优化模型建立装置，用于建立低碳经济园区的风光储能成本优化模型及相应的约束条件；
[0027]优化推演装置，用于采用遗传算法对所述风光储能成本优化模型求解，获得最优风光储能策略。
[0028]本专利技术实施例的基于GAN的低碳经济园区的风光储能优化方法及系统，具有如下优点：
[0029]通过基于风光储能系统的能量损失率和能量欠缺率来对供能质量进行优化，结合GAN和遗传算法对风光储能成本优化模型进行推演，获得最优风光储能策略，使系统的经济效益最大化，同时大大改善风电和光伏出力带来的随机性、波动性和间歇性，克服系统输出电能的不确定性的缺陷，提高了输出电能质量。
附图说明
[0030]为了更清楚地说明本专利技术具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本专利技术实施例1中基于GAN的低碳经济园区的风光储能优化方法的一个具体示例的流程图；
[0032]图2为本专利技术实施例1中基于GAN的低碳经济园区的风光储能优化方法的另一个具体示例的流程图；
[0033]图3为本专利技术实施例1中基于GAN的低碳经济园区的风光储能优化方法的又一个具体示例的流程图；
[0034]图4为本专利技术实施例2中基于GAN的低碳经济园区的风光储能优化系统的一个具体示例的原理框图。
具体实施方式
[0035]下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0036]在本专利技术的描述中，需要说明的是，本文所用的术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GAN的低碳经济园区的风光储能优化方法，其特征在于，包括以下步骤：获取低碳经济园区的风光储能系统的风力发电机组或光伏太阳能发电机组的能量损失率和能量欠缺率历史数据；利用生成式对抗网络GAN对所述能量损失率和能量欠缺率历史数据进行处理，获得扩充样本集；建立低碳经济园区的风光储能成本优化模型及相应的约束条件；采用遗传算法对所述风光储能成本优化模型求解，获得最优风光储能策略。2.根据权利要求1所述的方法，其特征在于，所述利用生成式对抗网络GAN对所述能量损失率和能量欠缺率历史数据进行处理，获得扩充样本集的步骤包括：以真实数据x为元素构成样本集，所述真实数据x为一天的真实数据矩阵组成一个n
×
n矩阵，所述真实数据矩阵为一天内任一时段的风力发电机组的能量损失率、能量欠缺率和光伏太阳能发电机组的能量损失率、能量欠缺率构成的方阵；采用深度卷积网络分别构建生成器网络和鉴别器网络；基于所述样本集，对所述生成器网络和鉴别器网络执行循环迭代，直至生成器网络生成的估计数据z的分布收敛到真实数据x的分布为止，获得训练好的生成器网络和鉴别器网络；根据训练好的生成器网络生成估计数据y，获得由真实数据x和估计数据y组成的扩充样本集。3.根据权利要求2所述的方法，其特征在于，所述鉴别器网络依次包括第一卷积层、自归一化激活层和第二卷积层；所述样本集作为第一卷积层的输入，第一卷积层的输出作为自归一化激活层的输入。4.根据权利要求3所述的方法，其特征在于，所述第一卷积层和第二卷积层为带步长的二维卷积。5.根据权利要求2
‑
4任一项所述的方法，其特征在于，所述生成器网络依次包括反卷积层、激活层和输出层；所述鉴别器网络的第二卷积层的输出作为所述生成器网络的反卷积层的输入。6.根据权利要求5所述的方法，其特征在于，所述反卷积层为转置卷积。7.根据权利要求1
‑
6任一项所述的方法，其特征在于，所述风光储能成本优化模型的目标为在考虑能量...

【专利技术属性】
技术研发人员：王海，王笑，杨天元，
申请(专利权)人：特斯联科技集团有限公司，
类型：发明
国别省市：