一种基于条件生成式对抗网络的光伏出力区间预测方法技术

本发明专利技术公开了一种基于条件生成式对抗网络的光伏出力区间预测方法，涉及电气工程技术领域，技术方案为，对光伏出力实测数据预处理；搭建生成器框架和判别器框架；训练条件生成式对抗网络；训练结束时提取出生成器；采用Bootstrap法对预测场景重采样；用区间估计的方法，在给定置信度下计算这些预测场景的置信区间，即得到区间预测的结果。本发明专利技术的有益效果是：本发明专利技术采用深度学习技术，不涉及任何显式的建模，依靠纯数据驱动的方式描述光伏出力可能的波动范围，可以有效避免传统物理模型求解模型参数的繁琐复杂。解模型参数的繁琐复杂。解模型参数的繁琐复杂。

【技术实现步骤摘要】
一种基于条件生成式对抗网络的光伏出力区间预测方法


[0001]本专利技术涉及电气工程领域，特别涉及一种基于条件生成式对抗网络的光伏出力区间预测方法。

技术介绍

[0002]近年来，全球范围内能源转型趋势明显。作为最具前景的可再生能源利用形式之一，光伏发电在电力系统中的渗透率不断提高。然而，受太阳光照、云层、湿度等多种气象因素影响，光伏出力具有很大的间歇性和不确定性。当光伏发电设备规模化并网后，光伏出力的不确定性将严重威胁电网的稳定性和安全性。因此，准确的光伏出力预测是电网调度部门的重要决策依据，可保证其未雨绸缪，提前调配储能资源和备用机组，以保障电网的安全经济运行水平。
[0003]目前，大多数的光伏出力预测方法是点预测，这类方法得到的预测结果一般是确定性的出力值预测，欠缺对光伏出力不确定性的考虑。因此提供给调度部门关于光伏出力可能的变化信息较少，难以表达预测结果的概率可信度。因此，针对点预测的不足，现有研究多围绕光伏出力开展区间预测。相比于点预测，区间预测能够量化光伏出力的不确定性波动，为光伏并网提供更多有价值的决策信息。

技术实现思路

[0004]针对上述技术问题，本专利技术提供一种基于条件生成式对抗网络的光伏出力区间预测方法。
[0005]其技术方案为，包括，
[0006]S1、对光伏出力实测数据预处理，确定预测的时间步长h和数据切片的滑动窗口长度s，得到每组数据的条件标签c和真实样本x；
[0007]S2、搭建生成器框架和判别器框架；
[0008]S3、训练条件生成式对抗网络；
[0009]S4、训练结束时提取出生成器，采样M个噪声向量z，分别和条件标签c拼接输入到生成器，得到M个光伏出力预测场景；
[0010]S5、采用Bootstrap法对S4中的预测场景重采样；
[0011]S6、用区间估计的方法，在给定置信度下计算这些预测场景的置信区间，即得到区间预测的结果。
[0012]优选为，所述S1中对光伏出力实测数据预处理，具体为，确定预测的时间步长h，以长度为s的滑动窗口划分数据集；
[0013]每组数据中历史数据部分{x0,x1,
…
,x
t
}作为条件标签c，而待预测部分作为真实样本x。
[0014]优选为，所述S2搭建生成器框架和判别器框架，具体为，
[0015]生成器网络包括一层全连接层和三层2D
‑
conv层，除输出层以外的每一层后面均
添加批归一化层，激活函数均采用LeakyReLU；
[0016]判别器网络与生成器基本对称，包括三层2D
‑
conv层和一层全连接层，除输出层以外的每一层后面均添加批归一化层，隐藏层采用LeakyReLU激活函数，而输出层不添加任何激活函数。
[0017]优选为，所述S3训练生成式对抗网络，具体为，采用基于Wasserstein距离的损失函数来指导生成器和判别器的训练过程，所述生成器和判别器均按照使其损失函数最小进行训练；
[0018]采用每更新判别器网络参数4
‑
5次，优选4次，更新1次生成器网络参数的交替训练方式，训练结束时判别器和生成器达到纳什均衡，生成器学习到历史测量数据与预测光伏出力间的映射关系，从而能在给定历史数据下生成符合光伏出力规律的数据。
[0019]优选为，所述S4中，噪声向量z从均值为0、标准差为1的高斯分布中采样得到，采样M次即可得到M个噪声向量，每个噪声向量和条件标签横向拼接后输入到生成器，得到M个光伏出力预测场景。
[0020]优选为，所述S5中Bootstrap重采样，具体为，对S4中得到的M个光伏出力预测场景，按有放回的抽取M次；
[0021]重复N次，得到N个容量为M的Bootstrap样本
[0022][0023]对这N个样本集进行Bootstrap估计，计算每个样本的算数均值：
[0024][0025]其中，M表示样本集的容量，P
k
表示第k个样本样本集的算数均值。
[0026]优选为，所述S6用区间估计的方法计算置信区间，具体为，对所述N个样本均值(P1,P2,
…
,P
N
)，在1
‑
α置信度下计算预测区间的上、下界：
[0027][0028]其中，P
Uα
和P
Lα
分别表示预测区间的上界和下界，和σ分别表示(P1,P2,
…
,P
N
)样本中光伏出力的均值和标准差，z
α
/2是在α显著水平下的置信因子，可通过查z值表获得。一般地，取置信度1
‑
α为0.95时(即在0.05显著水平下)的置信因子为1.96。
[0029]优选为，所述生成器框架的输入为噪声向量z与条件标签c的横向拼接，输出为与条件标签c映射的预测功率；
[0030]所判别器框架的输入包括来自生成器输出的预测功率，及来自真实样本的实测功率；所述预测功率及实测功率分别与条件标签c横向拼接输入到所述判别器，判别器试图识别出在条件c下无效的预测值，同时输出其输入样本为实测功率的概率。
[0031]优选为，所述基于Wasserstein距离的损失函数，具体为：
[0032][0033][0034]其中，L
G
、L
D
分别表示生成器和判别器训练时的损失函数，E表示计算期望，z～P
z
(z)表示从高斯分布P
z
(z)中采样得噪声向量z，x～P
r
(x)表示从真实样本中采样得实测功率G(z|{x0,
…
,x
t
})表示在条件c＝{x0,x1,
…
,x
t
}下的预测功率，D(
·
)表示判别器判定输入样本为实测功率的概率。
[0035]优选为，所述光伏出力预测方法为区间预测。
[0036]本专利技术实施例提供的技术方案带来的有益效果是：
[0037](1)本专利技术采用深度学习技术，不涉及任何显式的建模，依靠纯数据驱动的方式描述光伏出力可能的波动范围，可以有效避免传统物理模型求解模型参数的繁琐复杂。
[0038](2)本专利技术采用无监督的条件生成式对抗网络模型，生成器试图生成与条件标签相映射的预测功率，判别器尽可能识别出在条件标签下无效的预测值，两个网络在相互切磋中共同进步。当训练完成时，生成器能无监督学习光伏出力特征并生成符合数据分布规律的场景集。这些丰富的场景集，为区间预测提供关键输入信息，这对于研究光伏出力区间预测具有极大的价值。
[0039](3)本专利技术将历史测量数据作为条件标签输入到网络中，通过生成器和判别器的对抗博弈，生成器可学习到历史测量与预测光伏出力间的映射关系，并能生成符合光伏出力规律的多个场景。在此基础上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于条件生成式对抗网络的光伏出力区间预测方法，其特征在于，包括，S1、对光伏出力实测数据预处理，确定预测的时间步长h和数据切片的滑动窗口长度s，得到每组数据的条件标签c和真实样本x；S2、搭建生成器框架和判别器框架；S3、训练条件生成式对抗网络；S4、训练结束时提取出生成器，采样M个噪声向量z，分别和条件标签c拼接输入到生成器，得到M个光伏出力预测场景；S5、采用Bootstrap法对S4中的预测场景重采样；S6、用区间估计的方法，在给定置信度下计算这些预测场景的置信区间，即得到区间预测的结果。2.根据权利要求1所述的基于条件生成式对抗网络的光伏出力区间预测方法，其特征在于，所述S1中对光伏出力实测数据预处理，具体为，确定预测的时间步长h，以长度为s的滑动窗口划分数据集；每组数据中历史数据部分{x0,x1,
…
,x
t
}作为条件标签c，而待预测部分作为真实样本x。3.根据权利要求2所述的基于条件生成式对抗网络的光伏出力区间预测方法，其特征在于，所述S2搭建生成器框架和判别器框架，具体为，生成器网络包括一层全连接层和三层2D
‑
conv层，除输出层以外的每一层后面均添加批归一化层，激活函数均采用LeakyReLU；判别器网络与生成器对称，包括三层2D
‑
conv层和一层全连接层，除输出层以外的每一层后面均添加批归一化层，隐藏层采用LeakyReLU激活函数，而输出层不添加激活函数。4.根据权利要求3所述的基于条件生成式对抗网络的光伏出力区间预测方法，其特征在于，所述S3训练生成式对抗网络，具体为，采用基于Wasserstein距离的损失函数来指导生成器和判别器的训练过程，所述生成器和判别器均按照使其损失函数最小进行训练；采用每更新判别器网络参数4
‑
5次，更新1次生成器网络参数的交替训练方式，训练结束时判别器和生成器达到纳什均衡，生成器学习到历史测量数据与预测光伏出力间的映射关系，从而能在给定历史数据下生成符合光伏出力规律的数据。5.根据权利要求4所述的基于条件生成式对抗网络的光伏出力区间预测方法，其特征在于，所述S4中，噪声向量z从均值为0、标准差为1的高斯分布中采样得到，采样M次即可得到M个噪声向量，每个噪声向量和条件标签横向拼接后输入到生成器，得到M个光伏出力预测场景。6.根据权利要求5所述的基于条件生成式对抗网络的光伏出力区间...

【专利技术属性】
技术研发人员：孙东，李炜，盛庆博，郑炜博，严川，董伟佳，李云飞，王晓东，刘绍鹏，梁卫平，
申请(专利权)人：中国石油化工股份有限公司胜利油田分公司技术检测中心胜利油田检测评价研究有限公司，
类型：发明
国别省市：