本发明专利技术公开了一种基于动态自适应机制的负荷场景生成方法，属于电力系统场景生成技术领域。本发明专利技术首先根据负荷原始数据的时间尺度，设计生成对抗网络的网络层数和卷积核大小。其次，通过引入一种动态自适应机制，在生成器与判别器的零和博弈训练过程中动态识别最佳迭代次数。最后，基于多层聚类算法对生成的大规模负荷场景进行削减，获得不同典型标签下的典型场景。本发明专利技术提高了生成对抗网络训练过程的稳定性，减少了过拟合或欠拟合等问题的发生，并且能够准确识别聚类中心，有效提高聚类精度。
【技术实现步骤摘要】
本专利技术涉及电力系统场景生成，具体涉及一种基于动态自适应机制的负荷场景生成方法。
技术介绍
1、当前，全球能源需求不断增加，导致温室气体排放量显著上升。电力行业作为能源领域碳排放的最主要来源。在构建以新能源为主体的新型电力系统这一背景下，需求响应、负荷聚合商、微网等新技术和新角色不断被引入，这使得电力负荷表现出更加复杂多变的新特性和新形态。
2、然而，电力系统的规划与调控往往需要考虑负荷的波动特性。利用年时序场景对电力系统的规划和调控进行场景分析计算成本高、效率低。而典型日法则过于保守，不能反映负荷的全部波动特性且现有负荷场景生成方法的训练过程中易发生过拟合或欠拟合等问题。因此，对负荷全年数据进行场景缩减生成典型场景集，可将负荷出力消耗变化的不确定场景转化为多个确定的场景，对电力系统的规划与调度、风光的消纳能力评估等具有重要意义。
技术实现思路
1、针对目前负荷特性复杂多变，现有负荷场景生成方法的训练过程中过拟合或欠拟合等问题的发生，导致准确度下降的问题，本专利技术旨在提出一种基于动态自适应机制的负荷场景生成方法。
2、本专利技术首先提供了一种基于动态自适应机制的负荷场景生成方法，包括以下步骤：
3、1)采集本地电力系统中预设时间范围内的历史负荷数据；
4、2)构建包括生成器和判别器的生成对抗网络模型，并在构建的生成对抗网络模型中引入动态自适应机制，所述动态自适应机制用于在生成器与判别器的训练过程中动态识别最佳迭代次数；
>5、3)将步骤1)采集的历史负荷数据输入到引入了动态自适应机制的生成对抗网络模型中进行训练，并根据生成器的训练误差计算回归系数生成收敛趋势曲线，选取曲线斜率发生返转时的迭代次数作为训练次数，在训练完成后得到训练好的生成对抗网络模型；6、4)将未来预测值输入到训练好的生成对抗网络模型，获得迭代收敛后生成器生成的负荷场景；所述未来预测值为本地电力系统对未来负荷变动情况进行规划的负荷数据；
7、5)通过多层聚类算法求解迭代收敛后生成器生成的负荷场景，并采用谱聚类方式对负荷场景中的负荷数据进行聚类得到聚类后的负荷场景，从而完成基于动态自适应机制的负荷场景生成。
8、本专利技术还提供了一种用于实现上述负荷场景生成方法的负荷场景生成系统，包括：
9、历史负荷数据采集模块，用于采集本地电力系统的历史负荷数据；
10、对抗网络模型构建模块，用于构建包括生成器和判别器的生成对抗网络模型；
11、对抗网络模型训练模块，用于在构建的生成对抗网络模型中引入动态自适应机制，并应用采集的历史负荷数据对生成对抗网络模型进行训练；
12、负荷场景生成模块，用于将未来预测值输入到训练好的生成对抗网络模型，获得迭代收敛后生成器生成的负荷场景；并通过多层聚类算法求解迭代收敛后生成器生成的负荷场景，并采用谱聚类方式对负荷场景中的负荷数据进行聚类，从而完成基于动态自适应机制的负荷场景生成。
13、与现有技术相比，本专利技术的有益效果在于：
14、本专利技术所采用的生成对抗网络方法，无需任何统计假设，避免了参数拟合误差，能够在准确捕捉负荷历史数据特征的同时，生成高质量的负荷样本。
15、本专利技术所采用的生成对抗网络方法引入动态自适应机制，在生成器与判别器的零和博弈训练过程中动态识别最佳迭代次数，可以提高了生成对抗网络训练过程的稳定性，减少了过拟合或欠拟合等问题的发生；
16、本专利技术所采用的生成对抗网络方法用多层聚类算法对生成的大规模负荷场景进行削减，能够准确识别聚类中心，有效提高聚类精度。
本文档来自技高网...
【技术保护点】
1.一种基于动态自适应机制的负荷场景生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的负荷场景生成方法，其特征在于，步骤2)所述的生成对抗网络模型包括生成器和判别器；所述生成器包括3层卷积网络，生成器用于生成符合高斯分布的场景；所述判别器包括3层卷积网络和一个全连接神经网络，判别器用于判别生成器生成的场景与真实场景的差异，输出生成器生成的场景为真实场景的概率。
3.根据权利要求2所述的负荷场景生成方法，其特征在于，所述生成器包括3层卷积网络，生成器中3层卷积网络的卷积核大小均为3×3，第一层卷积网络的滤波器数量为32，第二层卷积网络的滤波器数量为64，第三层卷积网络的滤波器数量为1；所述判别器包括3层卷积网络和一层全连接神经网络，判别器中3层卷积网络的卷积核大小均为3×3，第一层卷积网络的滤波器数量为32，第二层卷积网络的滤波器数量为64，第三次卷积网络的滤波器数量为16，最后连接一个全连接神经网络。
4.根据权利要求1所述的负荷场景生成方法，其特征在于，所述步骤2)中在生成对抗网络模型中引入的动态自适应机制具体为：
5.根据权利要求1所述的负荷场景生成方法，其特征在于，所述步骤3)中，生成器以服从分布的随机噪声z和条件标签y作为输入，生成给定标签下符合分布的场景；所述条件标签y为负荷的类别标签；分布为真实场景x的分布规律；所述判别器的输入为训练集的真实场景x、生成器生成的负荷场景和条件标签y，判定生成器生成的负荷场景是否符合分布。
6.根据权利要求1所述的负荷场景生成方法，其特征在于，所述步骤5)具体为：
7.一种用于实现权利要求1所述负荷场景生成方法的负荷场景生成系统，其特征在于，包括：
...
【技术特征摘要】
1.一种基于动态自适应机制的负荷场景生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的负荷场景生成方法，其特征在于，步骤2)所述的生成对抗网络模型包括生成器和判别器；所述生成器包括3层卷积网络，生成器用于生成符合高斯分布的场景；所述判别器包括3层卷积网络和一个全连接神经网络，判别器用于判别生成器生成的场景与真实场景的差异，输出生成器生成的场景为真实场景的概率。
3.根据权利要求2所述的负荷场景生成方法，其特征在于，所述生成器包括3层卷积网络，生成器中3层卷积网络的卷积核大小均为3×3，第一层卷积网络的滤波器数量为32，第二层卷积网络的滤波器数量为64，第三层卷积网络的滤波器数量为1；所述判别器包括3层卷积网络和一层全连接神经网络，判别器中3层卷积网络的卷积核大小均为3×3，第一层卷积网络的滤波器数量为32...
【专利技术属性】
技术研发人员：呼斯乐，吕海霞，于源，南家楠，李晔，郭裕，白伟，杨家强，高源，陈超，曹林峰，赵禹灿，
申请(专利权)人：内蒙古电力集团有限责任公司，
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。