一种基于深度学习的对抗网络生成方法、系统及存储介质技术方案

本发明专利技术公开了一种基于深度学习的对抗网络生成方法、系统及存储介质，方法包括如下步骤：S1：采集风力和光伏发电历史时序基础数据，生成训练集历史样本；S2：构建对抗网络模型，选择特性指标的近似特征；S3：进行深度学习迭代对抗网络，在每个迭代轮次中依次训练生成器G、判别器D和辅助网络Q，直到达到收敛标准；S4：通过对抗网络模型生成可再生能源场景。本发明专利技术的有益效果是，可调特征具有实际的物理含义，可以直接反映场景模式的统计特性；生成的场景可以根据统计特性偏好进行有意地修改调整，并可以实现历史数据中不存在的新的场景模式；可以通过预先设定预期的相关特征实现新的场景模式的生成。

【技术实现步骤摘要】

本专利技术涉及风力发电，特别是涉及一种基于深度学习的对抗网络生成方法、系统及存储介质。

技术介绍

1、面向用户侧的多元融合高弹性配电网系统中的各类设备相互影响，为多元融合高弹性配电网系统运行模式带来巨大的复杂性与不确定性。因此，基于学习的协同优化方法要求数据尽可能覆盖多元融合高弹性配电网系统不同场景下的运行模式。训练样本的多样性与差异性将显著影响学习算法的有效性，既包涵对已有模式识别的准确性也表现在对未知模式的推理泛化能力。然而，在实际中能源系统所积累的工况数据很难覆盖全面的特性模式，使得基于数据驱动的学习策略呈小样本学习窘境。针对多元融合高弹性配电网系统协同调控学习算法的数据需求，研究多种不确定性、耦合化的能源与负荷形式的场景生成方法和具备可解释性与条件可控的改进型生成对抗网络模型。所研究方法需要生成足够广泛的多能耦合运行场景，从而既能反映多元融合高弹性配电网系统的内在模式，又能产生足够多样的场景模式学习样本。同时，场景生成方法及模型能够对所生成的多种能源形式(风、光、冷、热、电负荷)不同时空特性的刻画具备可控性与可解释性，即模型在数据驱动的基础上，可以本文档来自技高网...

【技术保护点】

1.一种基于深度学习的对抗网络生成方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的对抗网络生成方法，其特征在于，所述步骤S1包括：

3.根据权利要求1所述的基于深度学习的对抗网络生成方法，其特征在于，所述步骤S2中近似特征通过特性指标F与控制向量c欧氏距离最小匹配得到。

4.根据权利要求1所述的基于深度学习的对抗网络生成方法，其特征在于，所述步骤S3包括：

5.根据权利要求1所述的基于深度学习的对抗网络生成方法，其特征在于，所述噪声变量z在高斯分布中Pnoise采用得到，所述控制向量c由一组可解释的特征构成，通过从历...

【技术特征摘要】

1.一种基于深度学习的对抗网络生成方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的对抗网络生成方法，其特征在于，所述步骤s1包括：

3.根据权利要求1所述的基于深度学习的对抗网络生成方法，其特征在于，所述步骤s2中近似特征通过特性指标f与控制向量c欧氏距离最小匹配得到。

4.根据权利要求1所述的基于深度学习的对抗网络生成方法，其特征在于，所述步骤s3包括：

5.根据权利要求1所述的基于深度学习的对抗网络生成方法，其特征在于，所述噪声变量z在高斯分布中pnoise采用得到，所述控制向量c由一组可解释的特征构成，通过从历史样本x中计算特性指标f进行赋值。

【专利技术属性】
技术研发人员：张炜，龚利武，薛俊，刘维亮，黄建新，吴韬，顾一星，胡雷剑，钱伟杰，徐克，
申请(专利权)人：平湖市通用电气安装有限公司，
类型：发明
国别省市：