[发明专利]基于联邦深度生成式学习的可再生能源时空场景生成方法

说明书

一种基于联邦深度生成式学习的可再生能源出力时空场景生成方法，其特点是，包括：对可再生能源历史数据进行归一化处理并将其重塑为24×24的数组矩阵；设计全局最小二乘生成对抗网络模型，并在中心服务器中初始化全局模型；将全局模型部署到各个客户端(可再生能源电站)；随机选择一定数量的客户端，被选中的客户端利用历史数据对本地模型进行训练；当达到设定的通信间隔时，客户端将本地模型的参数上传至中心服务器；中心服务器对上传的模型参数进行加权平均，并将其作为新的全局模型参数；中心服务器重新将全局模型部署到各个客户端；不断重复迭代。最终能够生成高质量的捕捉时空相关性的可再生能源场景。

技术领域

本发明涉及一种基于联邦学习和深度生成式模型的可再生能源场景生成方法，属于人工智能在电力系统中运用的技术领域。

背景技术

可再生能源(如风电和光伏)的开发与利用是解决环境污染、确保能源可持续供应的必然选择。然而，由于其固有的不确定性和间歇性，可再生能源的接入已经给当今电力系统的规划和运行带来了巨大的挑战。如何处理可再生能源发电的不确定性对电网运行的影响是目前电力系统经济优化研究中不得不面对的难点。场景分析法是处理不确定性的一种方法，通过生成一组符合可再生能源电力输出统计特征的典型时间序列场景来表征可再生能源发电的技术，从而将可再生能源的不确定性优化问题转化为确定性问题。通过使用所生成的可再生能源出力场景，电力系统运行人员能够在考虑可再生能源发电输出不确定性的情况下做出合理决策。

对可再生能源出力场景生成方法已经在不同方面进行了大量研究。不幸的是，先前的大多数工作都集中在基于模型的场景生成方法上，这些方法必须对可再生能源出力进行概率建模。例如蒙特卡洛方法必须假设风电和太阳辐照度满足某个特定的概率分布，然后从假设的分布中随机抽样得到出力场景。基于Copula函数的方法要先通过参数估计得出Copula函数参数，之后才能从该函数中随机抽样得到符合该函数的可再生能源出力场景。这些方法依赖于对先验的统计假设，建模过程繁琐并且生成场景的质量较低。

随着人工智能的发展，许多机器学习和深度学习方法被应用于场景生成领域。如人工神经网络、变分自动编码器和生成对抗网络等，也被用于可再生能源场景的生成。其中，生成对抗网络(Generative Adversarial Networks,GANs)作为一种强大的分布式网格模型受到了研究人员的关注，GANs可以在无需显式建模的情况下，以无监督的方式学习真实数据的潜在分布，生成高质量的场景数据。其主要思想是通过二人零和博弈同时训练两个深层神经网络：生成器和鉴别器。生成器网络通过学习已知历史数据的分布映射关系，将噪声分布转换为人工数据，并训练鉴别器来区分生成数据和历史数据。

但是，上述所有的方法都需要将每个风能/太阳能发电厂的所有数据传输到具有高性能计算集群的数据中心，从而生成可再生能源场景。这类集中式数据处理方法将面临以下问题：1)这些方法依赖于具有强大计算能力和存储空间的中央工作站；2)可再生能源发电厂和中央工作站之间频繁的数据交换将不可避免地造成较大的通信开销；3)以集中形式存储的数据容易受到数据泄漏和网络攻击；4)最重要的是，一些可再生能源数据所有者，如独立系统运营商，由于数据隐私的原因，不愿意在实际应用中与他人共享数据。数据隐私可以指具有商业竞争的并网可再生能源发电厂的商业敏感数据，也可以指具有可再生能源技术的家庭的个人数据。目前，许多国家颁布了专门法律，如欧盟实施的《通用数据保护条例》、中国的《网络安全法》和《数据安全法》，以规范数据的管理和使用。因此，迫切需要一种能够解决上述问题的分布式场景生成方法。

发明内容

本发明的目的是克服现有技术的缺陷，为更好的有效解决在生成多个可再生能源电站出力场景所导致的数据安全和通信开销问题提供一种科学合理，能够以一种分布式的隐私保护方式生成更高质量的可再生能源出力场景，为考虑风、光不确定性的电力系统规划和运行问题提供更先进的不确定变量处理方法。

本发明的目的是由以下技术方案来实现的：提出了一种基于联邦深度生成式学习的可再生能源场景生成方法。