一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于AT
‑
infoGAN的新能源发电场景生成方法及系统


[0001]本专利技术涉及场景生成的
，尤其涉及一种基于
AT
‑
infoGAN
的新能源发电场景生成方法及系统
。

技术介绍

[0002]中国高比例新能源的新型电力系统正加速建设，新能源装机容量逐年攀升
。
中国西北地区风光资源丰富，近年来保持高速增长态势，成为国内新能源占比最高的区域电网
。
然而，由于新能源具有随机性
、
波动性以及间歇性等特点，高比例新能源的接入将使电力系统由弱不确定性系统逐渐转变为强不确定性系统，这对保障电力系统的安全稳定运行提出了巨大挑战
。
因此，在电力系统规划和运行过程中，有必要充分考虑新能源发电不确定性对电网的影响，提高调度计划对新能源出力随机波动的适应性，提升系统的安全裕度并促进新能源消纳
。
场景生成是最有效
、
最简单的新能源不确定性建模方法之一，其根据新能源历史数据生成符合新能源出力统计特征的时序场景，从而将不确定性模型转换为确定性模型
。
场景生成技术已被广泛应用于随机优化调度
、
最优机组组合
、
电力市场交易
、
储能配置和随机生产模拟等具有较强时间依赖性和多阶段的电力系统决策问题
。
[0003]目前对于新能源发电的场景生成主要分为基于概率模型的方法与基于数据驱动的方法
。
常见的基于概率模型的方法主要通过
copula
方法
、
自回归移动平均模型以及大气动力方程和风速降尺度方程等搭建出新能源出力场景
。
多数概率模型只能捕捉新能源出力的某一特征，无法充分考虑新能源出力的各种相关性与深层次的隐含关系，因此这些基于概率模型的场景生成方法往往难以对新能源出力不确定性进行全面
、
准确的建模
。
此外，由于实际的新能源场站环境复杂多样，存在许多外源干扰因素，这对建立一个易求解且具有良好泛化性的概率模型提出了挑战
。
[0004]在概率模型建立后
,
通常需要进行抽样来产生场景集，常用的抽样方法有蒙特卡洛抽样和拉丁超立方抽样
。
一般来说，抽样场景集的规模越大，才有可能得到更高精度的场景生成结果，然而样本数据集规模增大的同时会严重影响计算效率
。
因此，人们又提出了包括
k
均值聚类算法
、
快速前代消除
、
子模场景消减在内的场景消减方法
,
但以上场景消减方法不仅加剧了场景生成模型的复杂度，同时还限制了生成场景的多样性
。
理想的场景生成方法应该保证所有生成场景都能够再现实际的新能源出力的变化趋势，并在局部随机波动中体现出足够的多样性
。
[0005]基于数据驱动的方法不依赖于精确的概率建模以及复杂的抽样方法
。
其中，以生成对抗网络为代表的生成式深度学习算法表现出优异的自学习能力及泛化能力，被广泛应用于新能源场景生成中
。
然而，现有的生成对抗网络普遍为黑箱模型，可解释性较弱
。
其次，生成对抗网络使用随机噪声作为输入，生成的新能源场景的风格是不可控的，无法根据实际应用需求生成不同偏好的场景
。
地理
、
气候以及专家经验等具有明确的
、
可理解的现实意义，有助于描绘出新能源出力的一些关键特征，这些可解释的特征可以用来进一步指导具有未知模式的场景生成
。

技术实现思路

[0006]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例
。
在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分
、
说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围
。
[0007]鉴于上述现有存在的问题，提出了本专利技术
。
[0008]因此，本专利技术目的是提供一种基于
AT
‑
infoGAN
的新能源发电场景生成方法及系统，解决
。
[0009]为解决上述技术问题，本专利技术提供如下技术方案：
[0010]第一方面，本专利技术实施例提供了一种基于
AT
‑
infoGAN
的新能源发电场景生成方法，包括：
[0011]采集风电和光伏的预测值及实际值构建新能源电站的历史出力数据集；
[0012]获取新能源电站出力的特征指标以及气象数据并作为可解释特征的潜在编码；
[0013]将所述可解释特征的潜在编码加入注意力机制提高对可解释特征的关注度；
[0014]基于信息生成对抗网络进行博弈训练学习，学习新能源出力不确定性的波动特征；
[0015]通过所述新能源电站历史出力数据集挖掘历史数据的隐含关联关系；
[0016]基于所述信息生成对抗网络以及所述新能源发电场景不断学习优化构建从噪声分布以及所述潜在编码至新能源发电场景间的非线性映射关系
。
[0017]作为本专利技术所述的一种基于
AT
‑
infoGAN
的新能源发电场景生成方法，其中：在构建新能源电站的历史出力数据集前对数据进行归一化和清洗处理
。
[0018]作为本专利技术所述的一种基于
AT
‑
infoGAN
的新能源发电场景生成方法，其中：获取新能源电站出力的特征指标以及气象数据并作为可解释特征的潜在编码包括，
[0019]计算所述新能源电站历史数据集中每日出力的平均功率
、
峰谷差和最大爬坡功率；
[0020]根据历史的气象数据获取每日的温度和湿度信息；
[0021]以上可解释特征作为隐变量进行拼接，形成潜在编码
c。
[0022]作为本专利技术所述的一种基于
AT
‑
infoGAN
的新能源发电场景生成方法，其中：计算所述新能源电站历史数据集中每日出力的平均功率
、
峰谷差和最大爬坡功率包括，
[0023]新能源出力的平均功率能够反映该场景下新能源电站的平均发电水平，计算公式如下：
[0024][0025]其中，
P
ave
为新能源出力的平均功率，
P
t
为新能源电站第
t
个时间断面的出力，
T
为一天的时间断面总数；
[0026]新能源出力的峰谷差能够反映该场景下新能源电站的功率峰谷差，计算公式如下：
[0027]P
Δ
＝...

【技术保护点】

【技术特征摘要】
1.
一种基于
AT
‑
infoGAN
的新能源发电场景生成方法，其特征在于：包括，采集风电和光伏的预测值及实际值构建新能源电站的历史出力数据集；获取新能源电站出力的特征指标以及气象数据并作为可解释特征的潜在编码；将所述可解释特征的潜在编码加入注意力机制提高对可解释特征的关注度；基于信息生成对抗网络进行博弈训练学习，学习新能源出力不确定性的波动特征；通过所述新能源电站历史出力数据集挖掘历史数据的隐含关联关系，获取新能源发电场景；基于所述信息生成对抗网络以及所述新能源发电场景不断学习优化构建从噪声分布以及所述潜在编码至新能源发电场景间的非线性映射关系
。2.
如权利要求1所述的基于
AT
‑
infoGAN
的新能源发电场景生成方法，其特征在于：在构建新能源电站的历史出力数据集前对数据进行归一化和清洗处理
。3.
如权利要求2所述的基于
AT
‑
infoGAN
的新能源发电场景生成方法，其特征在于：获取新能源电站出力的特征指标以及气象数据并作为可解释特征的潜在编码包括，计算所述新能源电站历史数据集中每日出力的平均功率
、
峰谷差和最大爬坡功率；根据历史的气象数据获取每日的温度和湿度信息；以上可解释特征作为隐变量进行拼接，形成潜在编码
c。4.
如权利要求3所述的基于
AT
‑
infoGAN
的新能源发电场景生成方法，其特征在于：计算所述新能源电站历史数据集中每日出力的平均功率
、
峰谷差和最大爬坡功率包括，新能源出力的平均功率能够反映该场景下新能源电站的平均发电水平，计算公式如下：其中，
P
ave
为新能源出力的平均功率，
P
t
为新能源电站第
t
个时间断面的出力，
T
为一天的时间断面总数；新能源出力的峰谷差能够反映该场景下新能源电站的功率峰谷差，计算公式如下：
P
Δ
＝
P
max
‑
P
min
其中，
P
Δ
为新能源出力的峰谷差，
P
max
为新能源出力的最大功率，
P
min
为新能源出力的最小功率；新能源出力的最大爬坡功率能够反映该场景下相邻时间内新能源电站的功率最大波动水平，计算公式如下：
P
c
＝
max{|P
t
‑
P
t
‑1|}
其中，
P
c
为新能源出力的最大爬坡功率，
P
t
为新能源电站第
t
个时间断面的出力，
P
t
‑1为新能源电站第
t
‑1个时间断面的出力
。5.
如权利要求1～4任一所述的基于
AT
‑
infoGAN
的新能源发电场景生成方法，其特征在于：基于信息生成对抗网络进行博弈训练学习，学习新能源出力不确定性的波动特征包括，采用
InfoGAN
在生成器的输入中，将随机噪声数据
z
分成两个部分，分别为若干个可解释的隐变量拼接而成的潜在编码
c
和不可压缩的噪声
z'
，并通过分类器预测生成器的输出，得到预测的潜在编码
c'
；
通过互信息来表示两个变量之间的信息量，假设变量
X
的不确定性为
H(X)
，在变量
Y
的条件下，其不确定性为
H(X|Y)
，则变量
X
的不确定性减少量表示如下：
I(X
；
Y)
＝
H(X)
‑
H(X|Y)
＝
H(Y)
‑
H(Y|X)
在
InfoGAN
中，引入互信息
I(c
；
G(z,c))
表征生成得到的数据样本
G(z)
与潜在编码
c
之间关联程度的大小，构建潜在编码
c
与生成器之间的约束关系；使用变分推断构建一个近似分布
L...

【专利技术属性】
技术研发人员：张杰，刘双全，陈宗源，朱欣春，谢一工，潘振宁，赵川，王邦一，王艺澎，李相勇，段睿钦，赵珍玉，成于思，王有香，周彬彬，
申请(专利权)人：云南电网有限责任公司，
类型：发明
国别省市：