一种基于数据驱动的供需场景生成方法及系统技术方案

本发明专利技术公开了一种基于数据驱动的供需场景生成方法及系统，初始化条件生成对抗网络中生成网络和判别网络的参数；使用历史供需场景数据训练初始化后的条件生成对抗网络；利用训练好的条件生成对抗网络生成场景。练好的条件生成对抗网络生成场景。练好的条件生成对抗网络生成场景。

【技术实现步骤摘要】
一种基于数据驱动的供需场景生成方法及系统


[0001]本专利技术属于电力系统场景生成
，具体涉及一种基于数据驱动的供需场景生成方法及系统。

技术介绍

[0002]目前正在大力发展以新能源为主体的新型电力系统，对于配电系统而言，将接入海量的分布式新能源(distributed renewable energy，DRE)，例如分布式风电、分布式光伏资源。有源配电系统DRE高比例接入，其出力的间歇性和用户需求的波动性将给配电系统规划和运行带来挑战，准确预测与刻画供需不确定性是克服该挑战的主要途径。有源配电系统供需场景是指配电系统一天内各个时间点的DRE供应和用户需求，配电系统供电区域的覆盖范围一般来说相对较小，DRE出力大小、用户间的用电行为较为相似，相关性较强。如何通过历史数据挖掘用户用电行为特征以及DRE出力的相关性，生成更丰富的场景数据，以提高供需场景生成的准确性和效率具有重要意义。
[0003]目前研究主要关注新能源的出力场景生成与预测，国内外广泛开展了相关研究，主要通过建立参数化模型采样得到出力，给定的假设条件过多，生成场景的模式有限，方法难以拓展，对于多场站间出力相关特性的挖掘十分困难，故本专利技术提出一种基于数据驱动的供需场景生成方法，以解决相关问题。

技术实现思路

[0004]本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于数据驱动的供需场景生成方法及系统，用于解决参数模型场景生成方法拓展性差的技术问题。
[0005]本专利技术采用以下技术方案：<br/>[0006]一种基于数据驱动的供需场景生成方法，初始化条件生成对抗网络中生成网络和判别网络的参数；使用历史供需场景数据训练初始化后的条件生成对抗网络；利用训练好的条件生成对抗网络生成场景。
[0007]具体的，生成网络以随机变量z～P
z
(z)作为输入，输出生成场景(z)作为输入，输出生成场景的分布用P
G
表示；判别网络以场景数据作为输入，来源于生成网络输出或者历史场景数据x，x满足分布P
data
，输出判断场景为真实场景的概率p＝D(x)。
[0008]具体的，使用历史供需场景数据训练初始化后的条件生成对抗网络具体为：
[0009]初始化随机向量z～P
z
(z)，获取历史供需场景，提取供需场景的特征信息，进行one
‑
hot编码，同步训练生成网络和判别网络，将随机向量z和条件控制向量c组成潜在向量，输入生成网络，得到生成场景，计算判别网络损失，更新判别网络参数，计算生成网络损失，更新生成网络参数，通过生成网络和判别网络相互博弈训练，最终达到纳什均衡。
[0010]进一步的，采用Wasserstein距离作为目标函数，分别得到生成网络的损失函数L
G
和判别网络的损失函数L
D
如下：
[0011][0012][0013]其中，为D(G(z))期望，为常数。
[0014]进一步的，训练用参数包括学习率η、每批次训练样本数量m、Adam算法超参数β1和β2、每训练一次生成网络训练n
d
次判别网络，训练次数N
epoch
。
[0015]进一步的，历史供需场景SD
com
＝{S，D}如下：
[0016][0017]其中，s
tn
表示t时刻第n个DRE出力大小，第t行表示t时刻各个分布式新能源出力大小，d
tm
表示t时刻第m个负荷需求，第t行表示t时刻各个负荷需求，第n列表示第n个负荷各个时刻需求大小。
[0018]进一步的，供需场景特征信息的特征向量c如下：
[0019]c＝{c
ave
,c
max
,c
min
,c
fluc
}
[0020]其中，c
ave
表示平均功率特征分量，对于标幺值为[0
‑
0.05)，[0.05
‑
0.1)，[0.1
‑
0.2)，[0.2
‑
0.4)，[0.4
‑
1]，特征值分别为0，1，2，3，4；c
max
、c
min
、c
fluc
分别表示最大功率、最小功率、最大波动特征分量，对于标幺值为[0
‑
0.2)，[0.2
‑
0.4)，[0.4
‑
0.6)，[0.6
‑
0.8)，[0.8
‑
1]，特征值分别为0，1，2，3，4。
[0021]更进一步的，供需场景特征包括：
[0022]平均功率：能够反映某一场景下平均的供需水平；最大功率：能够反映某一场景下的最大供需；最小功率：能够反映某一场景下的最小供需；最大波动：能够反映短时间内供需波动。
[0023]再进一步的，平均功率P
ave
，最大功率P
max
，最小功率P
min
和最大波动P
fluc
分别为：
[0024][0025]P
max
＝max{P
t
}
[0026]P
min
＝min{P
t
}
[0027]P
fluc
＝max{|P
t
‑
P
t
‑1|}
[0028]其中，t＝1,2,...,T为一天内的时间点数，P
t
为t时间点的有功功率
[0029]第二方面，本专利技术实施例提供了一种基于数据驱动的供需场景生成系统，包括：
[0030]初始化模块，初始化条件生成对抗网络中生成网络和判别网络的参数；
[0031]训练模块，使用历史有源配电系统供需场景数据训练初始化模块得到的条件生成对抗网络；
[0032]生成模块，利用训练模块得到的条件生成对抗网络生成场景。
[0033]与现有技术相比，本专利技术至少具有以下有益效果：
[0034]一种基于数据驱动的供需场景生成方法，初始化条件生成对抗网络中生成网络和判别网络的参数；使用历史供需场景数据训练初始化后的条件生成对抗网络；利用训练好的条件生成对抗网络生成场景。提供一种基于条件生成对抗网络的供需场景生成方法流程。
[0035]进一步的，通过设置生成网络和判别网络进行博弈学习，得到尽可能接近历史数据的生成网络。
[0036]进一步的，通过使用历史供需场景数据训练初始化后的条件生成对抗网络，使得生成网络学习到历史供需场景分布和相关性规律。
[0037]进一步的，通过设置生成网络的损失函数L
G
和判别网络的损失函数L
D
，使得生成数据和历史数据的差距按本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的供需场景生成方法，其特征在于，初始化条件生成对抗网络中生成网络和判别网络的参数；使用历史供需场景数据训练初始化后的条件生成对抗网络；利用训练好的条件生成对抗网络生成场景。2.根据权利要求1所述的基于数据驱动的供需场景生成方法，其特征在于，生成网络以随机变量z～P
z
(z)作为输入，输出生成场景(z)作为输入，输出生成场景的分布用P
G
表示；判别网络以场景数据作为输入，来源于生成网络输出或者历史场景数据x，x满足分布P
data
，输出判断场景为真实场景的概率p＝D(x)。3.根据权利要求1所述的基于数据驱动的供需场景生成方法，其特征在于，使用历史供需场景数据训练初始化后的条件生成对抗网络具体为：初始化随机向量z～P
z
(z)，获取历史供需场景，提取供需场景的特征信息，进行one
‑
hot编码，同步训练生成网络和判别网络，将随机向量z和条件控制向量c组成潜在向量，输入生成网络，得到生成场景，计算判别网络损失，更新判别网络参数，计算生成网络损失，更新生成网络参数，通过生成网络和判别网络相互博弈训练，最终达到纳什均衡。4.根据权利要求3所述的基于数据驱动的供需场景生成方法，其特征在于，采用Wasserstein距离作为目标函数，分别得到生成网络的损失函数L
G
和判别网络的损失函数L
D
如下：如下：其中，为D(G(z))期望，为常数。5.根据权利要求3所述的基于数据驱动的供需场景生成方法，其特征在于，训练用参数包括学习率η、每批次训练样本数量m、Adam算法超参数β1和β2、每训练一次生成网络训练n
d
次判别网络，训练次数N
epoch
。6.根据权利要求3所述的基于数据驱动的供需场景生成方法，其特征在于，历史供需场景SD
com
＝{S，D}如下：其中，s
tn
表示t时刻第n个DRE出力大小，第t行表示t时刻各个分布式新能源出力大小，d
tm
表示t时刻第m个负荷需求，第t行表示t时刻各个负荷需求，第n列表示第n个负荷各个时刻需求大小。7.根据权利要求3所述的基于数据驱动的供需场景生成方法，其特征在于，供需场景特征信息的特征向量c如下：c＝{c
...

【专利技术属性】
技术研发人员：黄玉雄，叶宇鑫，李更丰，别朝红，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：