一种基于时序生成对抗网络的风电日前场景生成方法与流程

本发明属于数据处理领域，具体涉及一种基于时序生成对抗网络的风电日前场景生成方法。

背景技术：

1、风电出力场景生成主要研究的是风力发电不确定性的建模，其目标是利用神经网络生成模型在基于风电预测结果的基础上生成与实际风电出力数据分布一致的场景。目前，基于神经网络的风电场景生成算法和模型大都是对传统的用于图像生成的方法进行改进而得来的。

2、风电日前出力数据是一种典型的时间序列，然而用于图像生成方法改进来的网络模型往往仅重点关注提取时序序列概率分布特征，而缺乏专门针对序列中时间变化规律网络结构，没有充分考虑时间序列存在动态时间相关性，因此难以深入挖掘其中特征进行风电出力场景生成。

技术实现思路

1、有鉴于此，本发明提供了一种基于时序生成对抗网络的风电日前场景生成方法，以解决现有图像生成方法改进来的网络模型往往仅重点关注提取时序序列概率分布特征，而缺乏专门针对序列中时间变化规律网络结构，没有充分考虑时间序列存在动态时间相关性，因此难以深入挖掘其中特征进行风电出力场景生成的问题。

2、本发明采用的技术方案如下：

3、一种基于时序生成对抗网络的风电日前场景生成方法，包括以下步骤：

4、步骤1：构建时序生成对抗网络模型，所述时序生成对抗网络模型包括自编码器与生成对抗网络；

5、步骤2：对所述自编码器进行无监督训练，训练过程包括对原始的风电序列进行编码从而获得潜藏特征的过程和解码过程，并定义数据重构损失ler对自编码器进行优化；

6、所述步骤2具体包括以下步骤：

7、步骤2.1：基于嵌入式网络对原始风电日前预测数据进行升维以实现潜藏特征的提取，嵌入式网络函数表示如下：

8、ht＝ex(ht-1,xt)＝φ(xtwxh+ht-1whh+bt)  (1)

9、式中，ht对应原始的风电日前预测数据经过嵌入式网络映射后的高维潜藏特征向量，ex表示嵌入式函数，为了学习到序列的时间变化特征，利用递归网络结构来实现该函数，即每一步的输出都需要依赖前面的信息，ht-1分别表示上一时刻输出的信息特征；

10、步骤2.2：通过恢复网络将从高维潜在特征向量中重构还原原始低纬特征，其中恢复函数采用前馈网络来实现函数，具体表达式如下：

11、

12、式中，表示恢复网络输出的动态特征向量，σ表示激活函数；

13、步骤2.3：基于嵌入式网络和恢复网络的输出结果，构建联合损失函数ler，其具体形式如下所示：

14、

15、步骤3：对所述生成对抗网络模型训练，训练过程包括生成器生成数据和对抗器判别风电出力生成数据和风电出力真实数据的过程，并定义对抗损失lgd对生成对抗网络进行优化；

16、所述步骤3具体包括以下步骤：

17、步骤3.1：基于生成器网络从潜藏空间中进行随机抽样作为生成器网络的输入噪声，得到生成风电日前出力样本，所述生成器函数通过递归网络来实现，具体公式如下：

18、

19、式中，表示当前时刻生成器生成的生成风电日前出力样本；

20、步骤3.2：将生成器网络的输出结果与嵌入式函数的输出结果进行拼接并经过联合编码产生合成输出，再将合成输出作为判别器的输入，最后得到分类结果，其中判别器的公式表示如下式所示：

21、

22、式中，表示判别器输出的判别结果，cx表示前馈网络。

23、步骤3.4：将生成器和判别器的联合损失函数定义为lgd，具体公式如下所示：

24、

25、步骤4：对所述自编码器进行有监督训练，定义监督损失leg对有监督训练进行优化；

26、步骤4中所述监督损失leg的公式具体如下：

27、

28、式中，ht表示自编码器的嵌入式网络的输出，表示生成器的输出。

29、步骤5：将步骤2-4中的训练集样本代入时序生成对抗网络模型中进行反复迭代训练，优化模型参数；

30、步骤6：迭代训练完毕后，对结果进行分析评估，调节超参数，重复步骤5，直至得出预测效果最好的模型结构。

31、步骤6中所述对结果进行分析评估具体包括：

32、采用区间平均宽度p作为评估指标，其计算公式如下式所示：

33、

34、式中，pβ表示在置信度β下的区间平均宽度，表示在第n个点在置信区间下的最大值，表示第n个点在置信区间下的最小值。

35、综上所述，由于采用了上述技术方案，本发明的有益效果是：

36、本发明提出了基于时序生成对抗网络的风电日前出力场景生成方法。该方法将无监督学习的灵活性和有监督学习控制能力强的优点结合来解释风电出力序列的时间相关性。在本发明提出的模型中，在利用编码器对风电出力序列进行潜藏特征提取和利用生成器生成出力场景时采用递归网络结构，这就使得在提取特征时不仅能够关注到时序序列概率分布特征，还能关注到序列中时间变化规律，从而生成的风电日前出力场景更加精确，更能刻画风电出力的不确定性。

技术特征：

1.一种基于时序生成对抗网络的风电日前场景生成方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于时序生成对抗网络的风电日前场景生成方法，其特征在于，所述步骤2具体包括以下步骤：

3.根据权利要求2所述的一种基于时序生成对抗网络的风电日前场景生成方法，其特征在于，所述步骤3具体包括以下步骤：

4.根据权利要求1所述的一种基于时序生成对抗网络的风电日前场景生成方法，其特征在于，步骤4中所述监督损失leg的公式具体如下：

5.根据权利要求1所述的一种基于时序生成对抗网络的风电日前场景生成方法，其特征在于，步骤6中所述对结果进行分析评估具体包括：

技术总结
本发明提出一种基于时序生成对抗网络的风电日前场景生成方法，属于数据处理领域，以解决现有图像生成方法改进来的网络模型往往没有充分考虑时间序列存在动态时间相关性，因此难以深入挖掘其中特征进行风电出力场景生成的问题；本发明将无监督学习的灵活性和有监督学习控制能力强的优点结合来解释风电出力序列的时间相关性。在本发明提出的模型中，在利用编码器对风电出力序列进行潜藏特征提取和利用生成器生成出力场景时采用递归网络结构，这就使得在提取特征时不仅能够关注到时序序列概率分布特征，还能关注到序列中时间变化规律，从而生成的风电日前出力场景更加精确，更能刻画风电出力的不确定性。

技术研发人员：邓浩,梁文举,符芳育,何洪英,李博,秦浩庭,胡浩,邓月,郑武,刘毅,曾雪松,许桐,邹朋,苏鹏
受保护的技术使用者：中国电力工程顾问集团西南电力设计院有限公司
技术研发日：
技术公布日：2024/3/12