System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于可再生能源,更具体地,涉及一种可再生能源运行场景生成及其模型训练方法。
技术介绍
1、随着可再生能源发电渗透率的不断提高,其出力的间歇性和随机性严重影响着电力系统稳定运行。在含可再生能源的电力系统分析中,对可再生能源的不确定性进行建模已经成为一个热点问题。现有的研究主要是通过场景分析法对可再生能源出力的不确定性进行描述分析,其中场景生成是场景分析应用的基础。
2、在过去的许多工作中,可再生能源场景的生成通常采用基于模型的采样方法。即通过历史数据建立符合可再生能源发电出力分布规律的概率模型,然后通过抽样的方法产生用于分析的新场景。具体有蒙特卡罗、拉丁超立方抽样和copula函数等方法。但是这些方法通常需要假设先验概率。由于气候的时变性,发电机能量转换的非线性,以及机组之间复杂的时间空间关系,导致概率模型建立困难,无法准确描述可再生能源的特性。
技术实现思路
1、针对现有技术的以上缺陷或改进需求,本专利技术提供了一种可再生能源运行场景生成及其模型训练方法,其目的在于解决现有可再生能源场景生成技术新能源特性描述不准确的技术问题。
2、为实现上述目的,第一方面,本专利技术提供了一种可再生能源运行场景生成模型训练方法,所述方法包括:
3、通过去噪扩散概率模型的前向过程将可再生能源运行场景历史数据扩散成高斯噪声;
4、通过逆向过程对所述高斯噪声进行逐步去噪,最终还原为所述场景历史数据,构建可再生能源运行场景生成模型训练拟合从所述高斯
5、优选的,所述可再生能源运行场景生成模型具体为:
6、
7、其中,αs=1-βs;βs为前向过程中的第s步方差系数;t为前向过程中的第t步;xt为前向过程中第t步得到数据;εθ为模型参数。
8、优选的,训练所述可再生能源运行场景生成模型的损失函数为:
9、
10、其中,x0为进行前向过程的场景历史数据;ε是已知的标准高斯分布噪声。
11、优选的,采用系数r(τ)对所述可再生能源运行场景生成模型生成的场景进行时序相关性验证:
12、
13、其中,st为时刻t的出力值;μ为出力序列的均值;τ为时间间隔;e()为期望值;
14、r(τ)随着τ的增加逐渐降低则验证生成的所述场景有效。
15、优选的,使用覆盖率c评价所述可再生能源运行场景生成模型生成场景的准确性:
16、
17、
18、
19、其中,i()表示二进制变量:如果满足括号内的条件则二进制变量值为1否则为0;表示t时间段内的第s个场景,w表示场景为可再生能源场景;s表示t时间段内场景总数量;t表示前向过程的总步数。
20、优选的,所述前向过程具体为:
21、
22、
23、其中,x0为进行前向过程的场景历史数据;x1,…,xt,…,xt分别为t步前向过程中生成的数据;t表示前向过程的总步数;q(x1:t∣x0)表示前向过程;q(xt∣xt-1)表示xt-1成立的条件下xt形成的概率;n()表示标准高斯分布;βt为前向过程中第t步的方差系数;i为标准高斯分布的方差。
24、优选的,所述逆向过程具体为:
25、
26、其中,p(xt-1∣xt,x0)表示逆向过程;n()表示标准高斯分布;αs=1-βs;βs和βt分别为前向过程中的第s步和第t步的方差系数;i为标准高斯分布的方差。
27、优选的,所述方差系数具体为:
28、
29、其中,βt为前向过程中的第t步的方差系数;cos()表示余弦函数;π为圆周率;t表示前向过程的总步数;s为预设常量。
30、第二方面,本专利技术提供了一种可再生能源运行场景生成方法,所述方法包括:
31、从标准高斯分布中采样,样本维度与要生成的场景维度一致;
32、将所述样本输入可再生能源运行场景生成模型;
33、模型输出可再生能源运行场景;
34、所述可再生能源运行场景生成模型是根据第一方面中任一所述方法训练得到。
35、第三方面,本专利技术提供一种电子设备,包括:存储器,用于存储程序;处理器,用于执行存储器存储的程序,当存储器存储的程序被执行时,处理器用于执行第一方面中任一所述的方法,或执行第二方面所述的方法。
36、总体而言,通过本专利技术所构思的以上技术方案与现有技术相比,具有以下有益效果:
37、(1)本专利技术了提出了一个基于去噪扩散概率模型(ddpm)的可再生能源场景生成方法;去噪扩散概率模型是一种新型的数据驱动的生成式模型,它在图像领域表现出比gans更优越的能力,本专利技术针对可再生能源运行场景对去噪扩散概率模型采取一定的改进,能够有效生成可再生能源运行场景,反应实际发电单元的出力特征;
38、(2)本专利技术中扩散过程采用余弦变化的方差系数,平滑加噪水平,并在逆向过程以逐步形式去除噪声,由此提高了模型对于可再生能源不确定性建模的准确度;
39、(3)本专利技术中采用扩散模型学习高斯噪声分布到可再生能源场景的映射,由此实现任意高斯噪声到场景的端到端生成,保证了所生成的场景具有良好的多样性。
本文档来自技高网...【技术保护点】
1.一种可再生能源运行场景生成模型训练方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述可再生能源运行场景生成模型具体为:
3.根据权利要求2所述的方法,其特征在于,训练所述可再生能源运行场景生成模型的损失函数为:
4.根据权利要求1所述的方法,其特征在于,采用系数R(τ)对所述可再生能源运行场景生成模型生成的场景进行时序相关性验证:
5.根据权利要求1所述的方法,其特征在于,使用覆盖率c评价所述可再生能源运行场景生成模型生成场景的准确性:
6.根据权利要求1所述的方法,其特征在于,所述前向过程具体为:
7.根据权利要求6所述的方法,其特征在于,所述逆向过程具体为:
8.根据权利要求1、6或7所述的方法,其特征在于,所述方差系数具体为:
9.一种可再生能源运行场景生成方法,其特征在于,所述方法包括:
10.一种电子设备,其特征在于,包括:
【技术特征摘要】
1.一种可再生能源运行场景生成模型训练方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述可再生能源运行场景生成模型具体为:
3.根据权利要求2所述的方法,其特征在于,训练所述可再生能源运行场景生成模型的损失函数为:
4.根据权利要求1所述的方法,其特征在于,采用系数r(τ)对所述可再生能源运行场景生成模型生成的场景进行时序相关性验证:
5.根据权利要求1所述的方法...
【专利技术属性】
技术研发人员:张俊,尚磊,董旭柱,高天露,许成龙,戴宇欣,苏适,谢青洋,白浩,周强,陈丝,
申请(专利权)人:武汉大学,
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。