一种离散概率和CGAN融合的电网随机场景生成方法技术

本发明专利技术公开了一种离散概率和条件生成对抗网络融合的电网随机场景生成方法，首先，构建各源荷节点等效注入功率时序波动性和预测随机误差的离散联合概率模型。其次，构建并训练条件生成对抗网络（CGAN）模型，对CGAN生成器和判别器进行训练直至收敛。最后，基于训练好的CGAN，将研究时窗内各源荷节点等效注入功率预测信息作为CGAN输入的条件值，基于各源荷节点离散联合概率分布生成随机噪声，通过CGAN生成研究时窗各源荷节点等效注入功率，并构建研究时窗对应的电网随机场景。本发明专利技术提出一种基于离散概率模型和条件生成对抗学习融合的电网未来一段时间随机场景生成方法，以增强场景生成的针对性和适应性,为制定适应多场景的鲁棒调度策略奠定基础。棒调度策略奠定基础。棒调度策略奠定基础。

【技术实现步骤摘要】
一种离散概率和CGAN融合的电网随机场景生成方法


[0001]本专利技术属于电力系统自动化领域，尤其涉及一种离散概率和CGAN融合的电网运行场景智能构建方法。

技术介绍

[0002]高渗透率的可再生能源并网将给电网带来巨大的挑战，当前的电网运行、调度、规划策略需要做出相应的调整以适应可再生能源的不确定性。以风能和光伏为代表的新能源发电受一次能源随机性与波动性的影响，其发电出力响应地具有随机性和波动性。
[0003]现有研究中，场景分析法可通过一组离散场景有效刻画可再生能源出力不确定性，从而将不确定性优化问题转化为多场景确定性优化问题或随机优化问题。然而，由于可再生能源的不确定性存在着复杂性与未知性的特点，特别是当高比例新能源大规模接入电网时，会导致电网运行方式复杂多样、难以预测、计划安排较为困难等问题，场景构建存在难以覆盖历史场景以及场景生成效率较低等问题。
[0004]近年来，随着人工智能技术的迅速发展以及计算机效率的不断提升，通过数据驱动对历史数据进行分析以获得其内在的统计规律，使用黑盒模型构建可再生能源的不确定性模型成为可能。人工智能方法具有对高维非线性数据处理能力强、无需复杂物理模型、在线计算速度快等优点，成为了电网安全分析领域的研究热点，在电力系统方式分析、暂态稳定、运行规则、网络分析优化、调度运行等领域取得了较好的应用效果。

技术实现思路

[0005]本专利技术的目的在于克服现有技术中的不足，提供一种离散概率和CGAN融合的电网随机场景生成方法，解决电网运行方式复杂多样、计划安排较为困难、场景生成效率低等问题。
[0006]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0007]第一方面，本专利技术提供了一种基于节点等效注入功率离散概率模型和条件生成对抗学习融合的电网随机场景生成方法，包括以下步骤：
[0008]步骤1：获得源荷节点新能源和负荷的历史数据，包括预测功率历史数据集和实际功率历史数据集，形成节点等效注入功率的预测功率历史数据集和实际功率历史数据集，基于历史数据分别统计电网各源荷节点等效注入功率的时序波动性和预测随机误差，构建各源荷节点等效注入功率时序波动性和预测随机误差的离散联合概率模型；
[0009]步骤2：构建条件生成对抗网络(CGAN)模型，包括生成器和判别器神经网络架构，将各源荷节点等效注入功率的历史预测功率作为条件值，基于等效注入功率的离散联合概率分布进行随机抽样形成噪声，并对CGAN生成器和判别器进行训练直至收敛，得到训练好的CGAN的生成器网络模型和判别器网络模型；
[0010]步骤3：获得研究时窗对应源荷节点新能源和负荷的功率预测数据，形成节点等效注入功率的预测数据集；基于训练好的CGAN，将研究时窗对应各源荷节点等效注入功率预
测信息作为CGAN输入的条件值，基于各源荷节点离散联合概率分布生成随机噪声，通过CGAN生成研究时窗各源荷节点等效注入功率，并构建研究时窗对应的电网随机场景。
[0011]进一步的，步骤1中，获得源荷节点新能源和负荷的预测功率历史数据集和实际功率历史数据集，形成节点等效注入功率的预测功率历史数据集和实际功率历史数据集，并基于节点等效注入功率的时序波动性和预测随机误差构建节点等效注入功率的离散概率联合分布函数，包括：
[0012]从电网EMS能量管理系统新能源预测和负荷预测数据库中获得源荷节点新能源和负荷的预测功率历史数据集和实际功率历史数据集，形成节点等效注入功率的预测功率历史数据集和实际功率历史数据集。
[0013][0014][0015]其中，P
a，i
(t)为节点i在t时刻的等效实际功率，为节点i在t时刻的风电功率，为节点i在t时刻的光伏出力，为节点i在t时刻的负荷功率；P
f，i
(t)为节点i在t时刻的等效预测功率，为节点i在t时刻的风电预测功率，为节点i在t时刻的光伏预测功率，为节点i在t时刻的负荷预测功率；
[0016]统计并分析各源荷节点等效注入功率的时序波动性和预测随机误差，构建各源荷节点等效注入功率的时序波动模型和预测误差的离散概率模型；
[0017]将基于历史数据统计分析的节点等效注入功率的时序波动模型和预测误差的离散概率模型结合得到离散概率联合分布函数。
[0018]进一步的，步骤1中，将基于历史数据统计分析的节点等效注入功率的时序波动模型和预测误差的离散概率模型结合得到离散概率联合分布函数，包括：
[0019]统计并分析各源荷节点等效注入功率的历史时序波动性和预测随机误差，构建各源荷节点等效注入功率t
i
时刻(t
i
∈[t1，t2])的时序波动模型和预测随机误差的离散概率模型；
[0020]结合t
i
时刻各节点注入功率的历史时序波动和预测随机误差的离散概率，计算该时刻节点注入功率的离散概率联合分布情况，得到该时刻节点注入功率的离散联合概率分布。
[0021]进一步的，结合t
i
时刻各源荷节点等效注入功率的历史时序波动和预测随机误差的离散概率模型，计算该时刻各节点等效注入功率的离散联合概率分布，包括：
[0022]节点i等效注入功率在t时刻的时序波动特性可表示为：
[0023]ΔP
i
(t)＝P
a，i
(t)
‑
P
a，i
(t
‑
1)
ꢀꢀꢀꢀ
(3)
[0024]该时刻节点i等效注入功率的预测误差可表示为：
[0025]ε
i
(t)＝P
a，i
(t)
‑
p
f，i
(t)
ꢀꢀ
(4)
[0026]基于公式(3)、(4)，节点的离散概率模型构建步骤如下：
[0027]由公式(3)可知，波动性为t+1时刻等效注入功率减去t时刻等效注入功率；取离散
化公式因子C，将节点等效注入功率的波动值在其变化范围内分区，分别统计各离散化区间波动值出现的频率，作为波动值落入该离散化区间概率的估计值，并计算落入每个区间内所有波动值的期望值；
[0028]使用(2
×
N
w
)的矩阵G
w
表征历史数据中节点等效注入功率的时序波动性的离散概率分布，G
w
的第1行为波动区间，第2行为落入该波动区间对应的概率，G
w
可表示为：
[0029][0030]式中N
w
为时序波动性离散概率分布的状态数，满足：
[0031][0032]式中δ
w，max
为历史数据中节点等效注入功率波动的最大值；表示对的值向下取整；
[0033]统计历史数据中节点i共k个时刻的等效实际功率，令δ
w
(t)为t小时的波动值，G
w
中的元本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于源荷节点等效注入功率的离散概率模型和条件生成对抗学习融合的电网随机场景生成方法，其特征在于，包括以下步骤：获得源荷节点新能源和负荷的历史数据，包括预测功率历史数据集和实际功率历史数据集，形成节点等效注入功率的预测功率历史数据集和实际功率历史数据集，基于历史数据分别统计电网各源荷节点等效注入功率的时序波动性和预测随机误差，构建各源荷节点等效注入功率时序波动性和预测随机误差的离散联合概率模型；构建条件生成对抗网络模型CGAN，包括生成器和判别器神经网络架构，将各源荷节点等效注入功率的历史预测功率作为条件值，基于等效注入功率的离散联合概率分布进行随机抽样形成噪声，并对CGAN生成器和判别器进行训练直至收敛，得到训练好的CGAN的生成器网络模型和判别器网络模型；获得研究时窗对应源荷节点新能源和负荷的功率预测数据，形成节点等效注入功率的预测数据集；基于训练好的CGAN，将研究时窗对应各源荷节点等效注入功率预测信息作为CGAN输入的条件值，基于各源荷节点离散联合概率分布生成随机噪声，通过CGAN生成研究时窗各源荷节点等效注入功率，并构建研究时窗对应的电网随机场景。2.根据权利要求1所述的电网随机场景生成方法，其特征在于，获得源荷节点新能源和负荷的预测功率历史数据集和实际功率历史数据集，形成节点等效注入功率的预测功率历史数据集和实际功率历史数据集，并基于节点等效注入功率的时序波动性和预测随机误差构建节点等效注入功率的离散概率联合分布函数，包括：从电网EMS能量管理系统新能源预测和负荷预测数据库中获得源荷节点新能源和负荷的预测功率历史数据集和实际功率历史数据集，形成节点等效注入功率的预测功率历史数据集和实际功率历史数据集；据集和实际功率历史数据集；其中，P
a，i
(t)为节点i在t时刻的等效实际功率，为节点i在t时刻的风电功率，为节点i在t时刻的光伏出力，为节点i在t时刻的负荷功率；P
f，i
(t)为节点i在t时刻的等效预测功率，为节点i在t时刻的风电预测功率，为节点i在t时刻的光伏预测功率，为节点i在t时刻的负荷预测功率；统计并分析各源荷节点等效注入功率的时序波动性和预测随机误差，构建各源荷节点等效注入功率的时序波动模型和预测误差的离散概率模型；将基于历史数据统计分析的节点等效注入功率的时序波动模型和预测误差的离散概率模型结合得到离散概率联合分布函数。3.根据权利要求2所述的的电网随机场景生成方法，其特征在于，将基于历史数据统计分析的节点等效注入功率的时序波动模型和预测误差的离散概率模型结合得到离散概率联合分布函数，包括：统计并分析各源荷节点等效注入功率的历史时序波动性和预测随机误差，构建各源荷
节点等效注入功率t
i
时刻(t
i
∈[t1，t2])的时序波动模型和预测随机误差的离散概率模型；结合t
i
时刻各节点注入功率的历史时序波动和预测随机误差的离散概率，计算该时刻节点注入功率的离散概率联合分布情况，得到该时刻节点注入功率的离散联合概率分布。4.根据权利要求3所述的电网随机场景生成方法，其特征在于，结合t
i
时刻各源荷节点等效注入功率的历史时序波动和预测随机误差的离散概率模型，计算该时刻各节点等效注入功率的离散联合概率分布，包括：节点i等效注入功率在t时刻的时序波动特性可表示为：ΔP
i
(t)＝P
a，i
(t)
‑
P
a，i
(t
‑
1)
ꢀꢀꢀꢀꢀ
(3)该时刻节点i等效注入功率的预测误差可表示为：ε
i
(t)＝P
a，i
(t)
‑
p
f，i
(t)
ꢀꢀꢀꢀꢀꢀ
(4)基于公式(3)、(4)，节点的离散概率模型构建步骤如下：由公式(3)可知，波动性为t+1时刻等效注入功率减去t时刻等效注入功率；取离散化公式因子C，将节点等效注入功率的波动值在其变化范围内分区，分别统计各离散化区间波动值出现的频率，作为波动值落入该离散化区间概率的估计值，并计算落入每个区间内所有波动值的期望值；使用(2
×
N
w
)的矩阵G
G
表征历史数据中节点等效注入功率的时序波动性的离散概率分布，G
w
的第1行为波动区间，第2行为落入该波动区间对应的概率，G
w
可表示为：式中N
w
为时序波动性离散概率分布的状态数，满足：式中δ
w，max
为历史数据中节点等效注入功率波动的最大值；表示对的值向下取整；统计历史数据中节点i共k个时刻的等效实际功率，令δ
w
(t)为t小时的波动值，G
w
中的元素可用下式计算：素可用下式计算：注：k个时段可求出k
‑
1个波动值；式中f
i
(x)为示性函数，其定义为根据上述公式(6)(7)(8)(9)，可将k个时段节点i的(k
‑
1)个波动值转换为含N
w<...

【专利技术属性】
技术研发人员：王珂，张玲，周奕男，严嘉豪，李亚平，徐弘升，李立新，吴峰，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：