【技术实现步骤摘要】
基于条件生成对抗网络的风机出力场景生成和缩减方法
[0001]本专利技术涉及一种方法,尤其是涉及一种基于条件生成对抗网络的风机出力场景生成和缩减方法。
技术介绍
[0002]在当今的电力系统中,由于风电机组的巨大经济与环保价值,风电机组成为一种越来越重要的替代传统的发电方式。然而,风电机组具有间歇性、不确定性,不同风电机组的出力具有时空相关性,以上特性会对电力系统的正确决策带来挑战,如经济调度、机组组合、多能源系统的优化运行等。因此,合理考虑风电机组出力规律的时空相关特性,精确描述风电机组出力规律的不确定性成为克服上述挑战的关键。
[0003]场景生成的常用方法可分为参数法和非参数法两大类。参数化方法基于概率分布的假设,然后从概率分布中采样。有研究采用威布尔分布对负荷进行建模,应用蒙特卡洛样生成场景,然而上述方法会忽略柔性负荷运行规律的时间相关性。有研究假设不同时刻风电机组出力功率服从多元高斯分布,通过逆变换生成场景,然而多元高斯分布的假设在实际情况中可能并不成立。相较于高斯结构,Copula方法可以被用于更精确地捕获依赖结构。尽管Copula能捕获时空依赖结构,但应用Copula方法生成场景在高维情况下较为复杂且耗时。
[0004]综上,参数法具有以下局限性:风电机组出力规律具有时变特性且存在复杂的空间相关关系,难以对其精确建模;特定的统计假设(例如多元高斯分布)可能难以应用于实际;同时,从高维分布中采样也会影响生成场景的质量。相比于参数法,非参数法无需假设柔性负荷运行规律数据的概率分布。
【技术保护点】
【技术特征摘要】
1.基于条件生成对抗网络的风机出力场景生成和缩减方法,其特征为:包括如下步骤:步骤1:随机初始化生成器网络参数,从正态高斯分布中提取随机噪声,将噪声批量输入生成器网络,生成器生成样本;步骤2:随机初始化鉴别器网络参数,归一化处理真实样本,将生成样本和真实样本批量输入鉴别器网络,鉴别器输出判别值;步骤3:计算生成器与鉴别器的损失函数,采用RMSprop优化算法更新生成器与鉴别器的权重参数;若训练未结束,即损失函数未收敛,则返回步骤1进行下一轮训练;步骤4:当训练次数达到给定次数时或损失函数收敛,停止训练并保存生成器网络最优的参数;输入随机噪声,生成器输出风机出力场景;步骤5:为提高计算速度,采取同步回代场景缩减方法生成典型具有时空相关性的各工业园区风机出力场景。2.根据权利要求1所述的基于条件生成对抗网络的风机出力场景生成和缩减方法,其特征为:生成器:在训练过程中,生成器获取随机噪声以及温度、适度、风速条件值作为输入,输出为生成样本即场景,设为G(z,θ(G)),生成分布P
G
,生成器的目标是尽可能输出遵循真实分布P
r
的场景;鉴别器:鉴别器和生成器同时进行训练,鉴别器的输入来自真实样本和生成器的输出,输出值P
real
反映输入样本属于真实样本的程度;P
real
=D(x;θ
(D)
)其中x代表鉴别器的输入,鉴别器的目标是尽可能区分真实分布P
r
与生成分布P
z
。3.根据权利要求1所述的基于条件生成对抗网络的风机出力场景生成和缩减方法,其特征为:所述步骤3进一步包括如下内容,应用沃瑟斯坦Wasserstein距离作为鉴别器的损失函数,Wasserstein距离W(P
r
,P
G
)直接衡量真实分布与生成分布之间的差异,其中P
r
为真实分布,P
G
为生成分布,x代表鉴别器的负荷数据输入,sup代表最小上界,生成样本输出即场景设为G,随机噪声z的分布为P
z
,鉴别器网络为D,E表示对应分布的期望值;x1和x2为两种出力历史时序数据,应用Wasserstein距离作为衡量分布差异的指标要求鉴别器网络满足Lipschitz约束;其中G(z)
’
,G(z)”为生成域样本处的采样点,d代表在输入空间上的度量,D_(
·
)代表鉴别器的倒数第二层,M
′
是一个有界常数;综上,网络模型的总损失函数为:4.根据权利要求1所述的基于条件生成对抗网络的风机出力场景生成和缩减方法,其特征为:所述步骤4进一步包括如下内容:出力场景生成过程形成了大量的离散化场景来近似风电机组出力过程,但在概率测度P下的场景集过于庞大,因此引入场景缩减概念,采用一个仅含有少数场景组成的概率测度Q,来近似P下的场景,获取最佳简化场景集即...
【专利技术属性】
技术研发人员:房方,石鑫,温港成,任鑫,王华,廖双乐,周游,景栋盛,
申请(专利权)人:华能集团技术创新中心有限公司国网综合能源服务集团有限公司国网江苏省电力有限公司苏州供电分公司,
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。