【技术实现步骤摘要】
基于条件时序GAN的楼宇空调负荷场景生成方法、装置及设备
[0001]本专利技术涉及一种基于条件时序GAN的楼宇空调负荷场景生成方法、装置及设备，属于电力系统需求侧负荷调度与控制领域。
技术介绍
[0002]楼宇空调负荷具有负荷占比大、时间差异性大等特点，随着空调负荷的广泛应用，其已经成为城市电力负荷峰谷差不断增大的重要原因，进一步加深了夏季高峰时段的电力供需矛盾。另一方面，楼宇空调负荷具有可调潜力大、可平移性好的特点，其作为需求侧柔性响应电网调峰的优选对象具有天然的优势。因此，准确建立楼宇空调的负荷场景生成集有助于挖掘楼宇空调负荷的调控潜力，同时提升楼宇空调负荷主动参与需求侧响应的能力。
[0003]传统GAN模型被许多研究者大量用于图像处理中的风格迁移与特征融合。然而传统GAN模型仅重点关注捕捉时序序列的概率分布，并没有充分考虑时间序列数据特有的动态时间相关性。在应用于空调负荷的多场景生成上，对其用能特征的挖掘不足。近年来，由于GAN在合成数据方面的优异表现，在时序序列数据处理领域越来越受到关注，并且在GAN的基...
【技术保护点】
【技术特征摘要】
1.一种基于条件时序GAN的楼宇空调负荷场景生成方法，其特征在于：包括以下步骤，S1、获取楼宇应用场景的空调负荷用能的历史真实数据集，包括静态特征和动态特征，进行预处理后，将设定比例的数据作为训练样本集，初始化训练次数k；S2、构建条件时序GAN模型，包括嵌入式网络单元、恢复网络单元、生成器网络单元和判别器网络单元，嵌入式网络单元将输入的训练样本集进行数据降维后获得降维数据集并分别输出给恢复网络单元和判别器网络单元；恢复网络单元将输入的降维数据集重构原始高维动静态特征获得重构序列集；生成器网络单元由输入的设定的楼宇空调动静态特征和随机噪声获得降维生成数据集；判别器网络单元将降维数据集与降维生成数据集，合成动静态特征向量，经过潜在空间的编码，得到合成编码数据，并将合成编码数据与训练样本集的真实楼宇空调负荷时序序列进行比较，获得判别结果数据集；S3、由训练样本集、重构序列集、降维生成数据集和判别结果数据集，计算损失函数L
E+R
、额外监督损失L
E+G
和联合损失函数L
G+D
，进而获得条件时序GAN模型的全局优化损失函数；S4、分别通过无监督对抗训练和监督训练，对构建的条件时序GAN模型进行训练；S5、判定条件时序GAN模型的全局优化损失函数是否收敛或训练次数k是否大于设定次数，在全局优化损失函数收敛或训练次数k大于设定次数时，获得训练后的条件时序GAN模型，进入下一步骤S6；否则，k＝k+1，返回步骤S3；S6、将楼宇空调负荷的场景生成特征条件输入至训练后的条件时序GAN模型的生成器网络单元，训练后的条件时序GAN模型的生成器网络单元输出的数据集为楼宇空调负荷数据场景集。2.如权利要求1所述的基于条件时序GAN的楼宇空调负荷场景生成方法，其特征在于：步骤S1中，进行预处理，具体为，对楼宇应用场景的空调负荷用能的历史真实数据集中的样本数据进行数据清洗和缺失值处理后，进行采用最大最小归一化法归一化处理，将输入的样本数据按等比例缩放，转换至[0，1]的无量纲归一化值：其中，x
t
为t时刻的样本数据进行归一化后的数值；x
max
和x
min
分别为归一化前训练样本集中的最大值和最小值。3.如权利要求1所述的基于条件时序GAN的楼宇空调负荷场景生成方法，其特征在于：步骤S2中，嵌入式网络单元将输入的训练样本集进行数据降维后获得降维数据集，具体为：嵌入式网络单元包括输入层、隐藏层和输出层，输入层用于输入楼宇空调历史真实数据集Q
s,t
，隐藏层用于数据降维，输出层得到降维数据集(h
s
,h
t
)：其中，s
m
为楼宇空调负荷的高维静态特征用能场景特征向量，h
s
为映射后的楼宇空调负荷低维静态特征向量，h
t
为第t时刻的楼宇空调负荷低维时态特征向量，e
s
、e
x
分别为通过递
归网络实现的函数，x
t
为t时刻的样本数据进行归一化后的数值，为为除楼宇空调负荷用能数据以外的动态特征，其中，i＝1，
…
T，n＝1，
…
N。4.如权利要求1
‑
3任一项所述的基于条件时序GAN的楼宇空调负荷场景生成方法，其特征在于：步骤S2中，恢复网络单元将输入的降维数据集重构原始高维动静态特征获得重构序列集，具体为，恢复网络单元包括输入层、隐藏层和输出层，输入层用于输入降维数据集(h
s
,h
t
)，隐藏层实现重构原始高维动静态特征，输出层的输出数据为重构序列集始高维动静态特征，输出层的输出数据为重构序列集其中，为恢复后的楼宇空调负荷高维静态特征向量，为恢复后t时刻楼宇空调负荷高维度动态特征向量，r为通过带前馈输出层的双向递归网络实现的函数。5.如权利要求1
‑
3任一项所述的基于条件时序GAN的楼宇空调负荷场景生成方法，其特征在于：步骤S2中，生成器网络单元由输入的设定的楼宇空调动静态特征和随机噪声获得降维生成数据集，具体为，生成器网络单元包括输入层、隐藏层和输出层，输入层的输入数据包括楼宇空调的静态特征序列s
m
、动态特征序列由遵循正态分布的随机噪声产生的已知分布的静态随机向量空间z
s
和已知分布的动态z
t
，隐藏层采用GRU神经网络，输出层输出降维生成数据集出降维生成数据集其中，z
s
与z
t
分别为已知分布的静态、动态随机向量空间，z
s
与z
t
分别属于两个向量空间的随机抽样，为所生成的静态特征向量；为所生成的动态特征向量，g
s
、g
x
分别为通过递归网络实现的函数。6.如权利要求1
‑
3任一项所述的基于条件时序GAN的楼宇空调负荷场景生成方法，其特征在于：步骤S2中，判别器网络单元中，获得判别结果数据集，具体为，判别器网络单元输入层、隐藏层和输出层，输入层的输入数据包括降维数据集(h
s
,h
t
)、降维生成数据集场景生成静态特征条件s
′
m
与场景生成动态特征条件其中，i＝1，
…
...
【专利技术属性】
技术研发人员：杨婷，范文尧，陆旦宏，李思琦，倪敏珏，朱晓，王玉莹，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：
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。