[发明专利]基于生成对抗网络的新能源发电场景数据迁移方法

权利要求书

1.一种基于生成对抗网络的新能源发电场景数据迁移方法，其特征在于，包括以下步骤：

步骤S1：建立C-DCGAN模型：

定义历史场景数据为真实数据，定义一组随机噪声数据z作为生成器的输入，以p_z(z)表示z的概率分布，以p_data(x)表示历史场景数据x的概率分布；生成器的输出为生成得到的数据样本G(z)，概率分布为p_G(z)；

定义判别器网络的输入为历史场景数据x或生成器生成得到的数据样本G(z)，输出为一个标量D(G(z))，表示输入数据服从历史数据分布p_data(x)的概率；

根据生成器与判别器的训练目标，分别构造生成器和判别器的损失函数L_G和L_D，并确定C-DCGAN训练过程中的目标函数；

步骤S2：引入Wasserstein距离与梯度惩罚函数，对C-DCGAN的目标函数进行转化；

步骤S3：将源电站与目标电站的训练样本数据作归一化处理；

步骤S4：以源电站的训练样本作为条件y，与随机噪声拼接后一并输入C-DCGAN模型的生成器，生成器输出生成样本；

步骤S5：以源电站的训练样本作为条件y，与目标电站的训练样本拼接后作为历史数据样本，输入C-DCGAN模型的判别器；同时，将条件y与生成样本拼接后作为生成数据样本，输入C-DCGAN模型的判别器；判别器输出对历史数据样本和生成数据样本的判别值；

步骤S6：计算生成器和判别器的损失函数，优化更新C-DCGAN模型网络参数；

步骤S7：当训练结束后，保留C-DCGAN中的生成器模型，确定目标电站缺失时间段，输入该时间段源电站历史数据与随机噪声拼接的样本，生成器输出若干个迁移后的目标电站新能源发电场景数据；

在步骤S1中，生成器和判别器的损失函数L_G和L_D分别为：

生成器的优化目标是将式(1)最小化，判别器的目标是将式(2)最大化；将式(1)和式(2)相结合，得到C-DCGAN训练过程中的目标函数：

步骤S2具体包括以下过程：

Wasserstein距离的定义如下：

式中，Ω(p_data,p_G)是以p_data和p_G为边缘分布的联合概率分布γ的集合；W(p_data,p_G)为(u,v)～γ期望的下确界，表示将生成分布p_G拟合成真实分布p_data，需要将u移动到v的距离，其中u和v分别表示从联合分布γ中随机采样的历史样本与生成样本；采用其Kantorovich-Rubinstein对偶形式来描述生成样本与真实样本之间的距离：

式中||f_D||L≤K表明判别器函数D(x)满足K-Lipschitz连续，即函数梯度的绝对值上限为K；为了保证梯度不超过限值K，对式(3)引入判别器函数D(x)在定义域内的梯度惩罚函数，使判别器函数D(x)满足K-Lipschitz连续，以描述Wasserstein距离；此时，C-DCGAN的目标函数转化为：

在步骤S4中，C-DCGAN模型的生成器结构如下所示：

卷积层1：32个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；

卷积层2：64个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；

卷积层3：4个卷积核，每个卷积核尺寸为3；步幅为1；边缘填充数为1；归一化函数为BatchNorm2D；激活函数为线性整流函数ReLU；

在步骤S5中，C-DCGAN模型的判别器结构如下所示：

输入层：64个卷积核，每个卷积核尺寸为3；步幅为1；

卷积层1：128个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；

卷积层2：256个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；

卷积层3：512个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；

卷积层4：1024个卷积核，每个卷积核尺寸为4；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；

卷积层5：512个卷积核，每个卷积核尺寸为3；步幅为2；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；

卷积层6：128个卷积核，每个卷积核尺寸为3；步幅为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；

卷积层7：512个卷积核，每个卷积核尺寸为1；步幅为1；归一化函数为BatchNorm2D；激活函数为线性整流函数LeakyReLU；

输出层：稠密层结构，包含1024个神经网络单元，1个样本作为输出。