一种基于GAN的风电功率概率性预测方法及系统技术方案

本发明专利技术属于风电功率预测技术领域，提供了一种基于GAN的风电功率概率性预测方法及系统，其基于风电场原始样本数据和训练后的GAN模型进行风电功率的概率预测，得到风电功率概率预测值；其中，所述GAN模型的构建过程包括：根据维度和原始样本数据相同的随机噪声数据和生成器生成假目标数据；基于假目标数据、风电场原始样本数据和鉴别器，引入Wasserstein距离代替原始GAN的JS

【技术实现步骤摘要】
一种基于GAN的风电功率概率性预测方法及系统


[0001]本专利技术属于风电功率预测
，尤其涉及一种基于GAN(Generative Adversarial Networks)的风电功率概率性预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着世界能源格局的变化和国家能源战略的调整，风力发电已成为推动我国能源结构优化的重要技术手段之一。风电并网后自身的不确定性对电力系统的稳定运行产生严重的影响。对风电功率做出准确预测，不仅能够提高电网调度的可靠性和经济性，而且还可以有效降低常规机组的旋转备用容量。
[0004]专利技术人发现，目前对于风电功率的概率预测方法中存在的问题是：
[0005]在原始的GAN中，损失函数基于KL
‑
JS发散，在训练过程中，GAN模型将使用交叉熵损失来最小化两个分布之间的差异，这相当于最小化KL
‑
JS散度，基本GAN中的鉴别器不够强大，无法得到训练结果，同时已知训练过程缓慢且不稳定，训练模型的时间也会很漫长，很难得到良好的模型参数，得不到精准的预测结果。

技术实现思路

[0006]为了解决上述
技术介绍
中存在的至少一项技术问题，本专利技术提供一种基于GAN的风电功率概率性预测方法及系统，其提出了对预测效果的评价指标，并计算出预测值的置信区间，相比于传统算法更准确直观的预测了未来的风电功率。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]本专利技术的第一个方面提供一种基于GAN的风电功率概率性预测方法，包括如下步骤：
[0009]获取风电场原始样本数据；
[0010]基于风电场原始样本数据和训练后的GAN模型进行风电功率的概率预测，得到风电功率概率预测值；
[0011]其中，所述GAN模型的构建过程包括：
[0012]根据维度和原始样本数据相同的随机噪声数据和生成器生成假目标数据；
[0013]基于假目标数据、风电场原始样本数据和鉴别器，引入Wasserstein距离代替原始GAN的JS
‑
KL散度对风电场原始样本数据和及假目标数据之间的距离进行度量，并采用梯度下降法传递梯度信息，更新生成器的参数，根据二者的拟合结果得到风电功率的概率预测值；
[0014]基于该风电功率概率预测值，采用预测效果的评价指标，计算得到预测值的置信区间。
[0015]本专利技术的第二个方面提供一种基于GAN的风电功率概率性预测系统，包括：
[0016]样本获取模块，用于获取风电场原始样本数据；
[0017]风电功率概率预测模块，用于基于风电场原始样本数据和训练后的GAN模型进行风电功率的概率预测，得到风电功率概率预测值；
[0018]其中，所述GAN模型的构建过程包括：
[0019]根据维度和原始样本数据相同的随机噪声数据和生成器生成假目标数据；
[0020]基于假目标数据、风电场原始样本数据和鉴别器，引入Wasserstein距离代替原始GAN的JS
‑
KL散度对风电场原始样本数据和及假目标数据之间的距离进行度量，并采用梯度下降法传递梯度信息，更新生成器的参数，根据二者的拟合结果得到风电功率的概率预测值；
[0021]效果评价模块，用于基于该风电功率概率预测值，采用预测效果的评价指标，计算得到预测值的置信区间。
[0022]本专利技术的第三个方面提供一种计算机可读存储介质。
[0023]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的一种基于GAN的风电功率概率性预测方法中的步骤。
[0024]本专利技术的第四个方面提供一种计算机设备。
[0025]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的一种基于GAN的风电功率概率性预测方法中的步骤。
[0026]与现有技术相比，本专利技术的有益效果是：
[0027]本专利技术通过基于GAN算法对风电功率进行高精度的预测，实现风电功率预测回归，GAN模型包含一个鉴别器，通过生成对抗的方式，协助训练生成器，提出了模型预测结果的评价指标，同时提出区间预测，未来某一时刻，在某一置信度下，提供预测功率的置信区间。采用此预测方法，可以得出准确、可靠的概率区间预测，不但有利于电网调度提高安全性，可以有效降低常规机组的旋转备用容量，而且在电力交易中也有重要作用。
[0028]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0029]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0030]图1是本专利技术实施例GAN的风电功率概率预测方法整体流程示意图；
[0031]图2是本专利技术实施例基于GAN
‑
GP模型训练得到的结果；
[0032]图3是本专利技术实施例保存合适的模型参数后，GAN
‑
GP模型在测试集上得到的结果；
[0033]图4是本专利技术实施例区间预测图，展示了预测值的各段置信区间。
具体实施方式
[0034]下面结合附图与实施例对本专利技术作进一步说明。
[0035]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常
理解的相同含义。
[0036]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0037]正如
技术介绍
技术中提及的训练过程不稳定；生成样本的多样性不足；产生模式坍塌的现象，训练时间漫长的问题，本专利技术中的GAN模型提出了Wasserstein距离和梯度惩罚增强了判别器，解决了GAN模型的上述问题，并增强了训练的稳定性，加强判别器以得到更好的生成模型。
[0038]实施例一
[0039]如图1所示，本实施例提供一种基于GAN的风电功率概率性预测方法，包括如下步骤：
[0040]步骤1：获取风电场原始样本数据；
[0041]训练模型需要大量历史风电场数据，来提高模型预测的准确性。
[0042]在本实施中可以自主选择添加多个对风电功率有影响的特征数据，来提高预测的准确性。
[0043]步骤2：从风电场原始样本数据获得原始数据的技术指标以及风电功率趋势特征；
[0044]作为一种或多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GAN的风电功率概率性预测方法，其特征在于，包括如下步骤：获取风电场原始样本数据；基于风电场原始样本数据和训练后的GAN模型进行风电功率的概率预测，得到风电功率概率预测值；其中，所述GAN模型的构建过程包括：根据维度和原始样本数据相同的随机噪声数据和生成器生成假目标数据；基于假目标数据、风电场原始样本数据和鉴别器，引入Wasserstein距离代替原始GAN的JS
‑
KL散度对风电场原始样本数据和及假目标数据之间的距离进行度量，并采用梯度下降法传递梯度信息，更新生成器的参数，根据二者的拟合结果得到风电功率的概率预测值；基于该风电功率概率预测值，采用预测效果的评价指标，计算得到预测值的置信区间。2.如权利要求1所述的一种基于GAN的风电功率概率性预测方法，其特征在于，所述风电场原始样本数据的技术指标为时间序列的移动平均线，风电功率的趋势特征包括风电功率的长期和短期趋势特征。3.如权利要求1所述的一种基于GAN的风电功率概率性预测方法，其特征在于，获取风电场原始样本数据后，根据时间时间步长将数据重塑为三维数据。4.如权利要求1所述的一种基于GAN的风电功率概率性预测方法，其特征在于，GAN模型的训练过程为通过对生成器和判别器进行对抗不断优化的过程，具体包括：构建生成器和判别器的结构；采用交叉熵来计算生成器和判别器的损失，其中，训练判别器以最大化其目标函数，为样本分配正确标签的概率，训练生成器以最小化其目标函数，同时以最小化判别器和生成器最小化损失为目标进行训练。5.如权利要求1所述的一种基于GAN的风电功率概率性预测方法，其特征在于，所述生成器采用门控循环单元，所述判别器采用卷积神经网络。6.如权利要求1所述的一种基于GAN的风电功率概率性预测方法，其特征在于，基于Wasserstein距离，采用Kantorovich
...

【专利技术属性】
技术研发人员：史洁，田珂，王潇晨，唐亮，侯振，高捷，
申请(专利权)人：山东电力工程咨询院有限公司，
类型：发明
国别省市：