基于生成对抗网络的综合能源系统运行场景生成和预测方法技术方案

本发明专利技术公开了一种基于生成对抗网络的综合能源系统运行场景生成和预测方法；以精确刻画IES运行过程中的内在不确定性。该方法利用WGAN对历史运行数据中的统计规律进行学习，从而可以通过WGAN中训练完成的生成器直接生成与历史数据统计规律一致高质量运行场景。此外，基于IES不确定量的观测和点预测将训练完成的WGAN与随机约束优化相结合可以预测未来一段任意长度的IES运行场景以精确刻画即将到来的一段时期的不确定性。本发明专利技术通过仿真实验分析，并给出了详细的验证结果说明了本发明专利技术在场景生成和预测以精确建模IES运行不确定方面的可靠性和有效性。的可靠性和有效性。的可靠性和有效性。

【技术实现步骤摘要】
基于生成对抗网络的综合能源系统运行场景生成和预测方法


[0001]本专利技术涉及综合能源系统的运行场景生成和预测，尤其涉及基于生成对抗网络的综合能源系统运行场景生成和预测方法；在没有运行场景的显式统计假设情况下基于深度学习生成对抗网络直接从历史数据集中学习历史场景特性的运行场景生成和预测方法以刻画综合能源系统运行过程中不确定性，属于能源系统生产控制领域。

技术介绍

[0002]综合能源系统集成了多种能源形式(电，热和天然气等)实现了多能源互补互济，被认为是提高能源利用效率，实现能源低碳供应的一种有前途的模式。然而综合能源系统运行过程中绵连的不确定性是制约其发展及其高效地规划和调控的主要因素。所以，对综合能源系统运行不确定性的精确建模是改善综合能源系统规划和能量管理，提高其运行经济性的关键。根据相关文献，刻画决策过程中不确定变量的方法主要包括点预测，区间预测，概率预测和场景生成/预测。相比于其他方法，场景生成/预测不仅能反映不确定性未来的动态而且能体现时序关系，从而在刻画运行不确定性方面吸引了大量的注意。
[0003]传统的场景预测方法主要基于统计模型假设，其首先假设随机变量服从某种分布，然后利用历史场景数据拟合得到假设的分布的相关参数，最后从该分布中进行随机采样得到生成的场景。然而，获得随机变量准确的统计假设并拟合相应的参数较为困难，因为该统计假设在实际运行中可能很难保持，尤其是像综合能源系统这种由多元随机变量组成的运行场景，而且从复杂分布中采样也较为困难。此外，基于数据驱动的机器学习方法可以在没有显示分布地情况下从历史数据中直接学习统计规律，从而生成与历史数据统计分布相同的新数据。所以设计合理地深度学习模型直接从综合能源系统的历史数据中学习统计规律，实现场景生成和预测以刻画综合能源系统的运行不确定性，这对于促进综合能源系统的发展具有重要意义。

技术实现思路

[0004]本专利技术的目的在于解决在没有先验知识的前提下，对由多元变量组成的IES运行场景进行联合生成和预测，针对现有综合能源系统(Integrated Energy System,IES)运行场景生成和预测过于依赖先验知识，多元变量场景按变量单独生成等不足提出了完善的分析方法；设计的基于生成对抗网络(Wasserstein Generative Adversarial Network,WGAN)的IES运行场景生成和预测方法对IES的规划和运行调控具有指导意义。
[0005]本专利技术的目的通过以下技术方案来实现：
[0006]本专利技术首先提供了一种基于生成对抗网络的综合能源系统运行场景的生成与预测方法，包括如下步骤：
[0007]1)IES在运行过程中收集并储存不确定变量的运行数据，不确定变量的运行数据包括光伏和风机发电，电力和热力负荷；构建反映IES运行行为的历史运行场景数据集；
[0008]2)构建WGAN深度学习模型，所述WGAN包括生成器和鉴别器；并根据历史运行场景
数据集对WGAN进行训练，使得WGAN学习IES运行行为，生成训练完成的WGAN；
[0009]3)利用WGAN中已训练完成的生成器进行场景生成，将从均匀分布中采样生成的随机噪声向量输入生成器，生成能反映IES运行特点的运行场景；
[0010]4)基于训练完成的WGAN，利用不确定变量的历史观测和点预测构建随机约束优化问题；
[0011]5)基于随机约束优化问题通过梯度下降法求解得到的多个局部最优解，得到多个优化后的噪声向量，将优化后的噪声向量输入生成器，预测未来一定时期的不确定量变化的IES运行场景。
[0012]作为本专利技术的优选方案，所述的步骤2)具体为：
[0013]构建的WAGN深度学习模型包括生成器和鉴别器，并且WGAN以Wasserstein距离作为训练器和生成器训练过程中相互博弈的值函数；其中生成器用于将一个从简单已知分布中采样的噪声向量转换为真实的运行场景，而鉴别器用于区分历史场景与生成的场景，当生成器与鉴别器交替训练至鉴别器不再能有效区分生成的场景和历史场景，则认为WGAN训练完成；WGAN的训练目标为：
[0014][0015]其中G和D分别表示生成器和鉴别器；表示通过最小
‑
最大博弈优化G和D的参数；x和P
x
分别表示IES的历史运行场景和相应的概率分布；z为生成器的输入隐含向量并且z～P
z
，P
z
是一个已知并且易于采样的简单分布。
[0016]生成器与鉴别器是交替竞争训练，生成器损失函数越小代表生成的场景越真实，鉴别器损失函数越小表示区分生成的场景和真实场景的能力越强，所以生成器和鉴别器的损失函数的计算方式为：
[0017][0018][0019]其中E表示训练过程中的经验均值。
[0020]作为本专利技术的优选方案，所述的步骤3)具体为：
[0021]将从P
z
中随机采样得到的任意噪声向量z输入到生成器中即可输出生成的场景G(z)，并且将其概率分布表示为P
G
；当生成器和鉴别器的交替训练达到纳什均衡，生成场景的概率分布P
G
与历史场景的概率分布P
x
趋于一致，即他们之间Wasserstein距离达到最小值，Wasserstein距离的计算方式为：
[0022][0023]其中θ
(D)
表示鉴别器的网络参数。
[0024]此时可以认为生成器的训练也达到收敛并且学习到了IES历史场景的统计规律，固定生成的网络参数θ
(G)
并将从P
z
中随机采样得到的任意噪声向量
z
输入到生成器以生成任意与历史场景的统计规律一致的高质量场景，而且根据不同的采样数量可以生成相应数量的场景，场景生成的数量不会受到限制。
[0025]作为本专利技术的优选方案，所述的步骤4)具体为：
[0026]假设当前时刻为t且一个IES运行场景的总周期为T，场景预测是为了生成未来T
‑
t时刻的特定场景，并且预测的场景要限制于不确定变量过去t时刻的观测值以及未来T
‑
t时刻的预测值，利用训练完成的WGAN构建随机约束优化问题并优化得到特定的噪声向量，输入生成器从而预测得到能反映T
‑
t时刻动态的IES运行场景；在时刻t预测的场景一方面要尽可能贴近过去的观测t时刻的观测值，同时要在保证真实的基础上反映未来T
‑
t时刻的预测值，所以基于训练后的WGAN构建的随机约束优化问题为：
[0027][0028]s.t.z∈Z
[0029][0030]其中P
obse
(G(z))和P
pred
(G(z))分别表示G(z)过去t时刻和未来T
‑
t时刻的部分；γ是一个权重因子以确定鉴别器输出对目标函数值的影响；Z表示生成器的输入噪声向量
z本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的综合能源系统运行场景生成和预测方法，其特征在于，包括如下步骤：1)IES在运行过程中收集并储存不确定变量的运行数据，不确定变量的运行数据包括光伏和风机发电，电力和热力负荷；构建反映IES运行行为的历史运行场景数据集；2)构建WGAN深度学习模型，并根据历史运行场景数据集对WGAN深度学习模型进行训练，使得WGAN深度学习模型学习IES运行行为，生成训练完成的WGAN深度学习模型；所述WGAN深度学习模型包括生成器和鉴别器；3)利用WGAN深度学习模型中已训练完成的生成器生成能反映综合能源系统运行特点的运行场景；4)基于训练完成的WGAN深度学习模型，利用不确定变量的历史观测和点预测构建随机约束优化问题；5)基于随机约束优化问题通过梯度下降法求解得到的多个局部最优解，得到多个优化后的噪声向量，将优化后的噪声向量输入生成器，预测未来一定时期的不确定量变化的IES运行场景。2.根据权利要求1所述的基于生成对抗网络的综合能源系统运行场景生成和预测方法，其特征在于，所述的步骤2)具体为：构建的WAGN深度学习模型包括生成器和鉴别器，并且WGAN以Wasserstein距离作为训练器和生成器训练过程中相互博弈的值函数；其中生成器用于将一个从简单已知分布中采样的噪声向量转换为真实的运行场景，而鉴别器用于区分历史场景与生成的场景，当生成器与鉴别器交替训练至鉴别器不再能有效区分生成的场景和历史场景，则认为WGAN训练完成；WGAN的训练目标为：其中G和D分别表示生成器和鉴别器；表示通过最小
‑
最大博弈优化G和D的参数；x和P
x
分别表示IES的历史运行场景和相应的概率分布；z为生成器的输入隐含向量，P
z
是一个已知并且易于采样的简单分布，G(z)为生成的场景。生成器与鉴别器是交替竞争训练，生成器损失函数越小代表生成的场景越真实，鉴别器损失函数越小表示区分生成的场景和真实场景的能力越强，所以生成器和鉴别器的损失函数的计算方式为：函数的计算方式为：其中E表示训练过程中的经验均值。3.根据权利要求1所述的基于生成对抗网络的综合能源系统运行场景生成和预测方法，其特征在于，所述的步骤3)具体为：将从已知并且易于采样的简单分布P
z
中随机采样得到的任意噪声向量
z
输入到生成器中即可输出生成的场景G(z)，并且将其概率分布表示为P
G
；当生成器和鉴别器的交替训练达到纳什均衡，生成场景的概率分布P
G
与历史场景的概率分布P
x
趋于一致，即他们之间Wasserstein距离达到最小值，Wasserstein...

【专利技术属性】
技术研发人员：杨强，王玉彬，刘艺娴，陈源奕，
申请(专利权)人：浙江大学，
类型：发明
国别省市：