[发明专利]基于进化框架的模糊对抗生成网络风功率预测方法及装置

说明书

本发明涉及风功率预测技术领域，特别是指一种基于进化框架的模糊对抗生成网络风功率预测方法及装置。该方法包括：构建风机数据生成模型，风机数据生成模型用于生成多个风机数据；构建风机数据合理性判别模型，风机数据合理性判别模型用于判断生成的风机数据是否符合要求；基于风机数据生成模型以及风机数据合理性判别模型，构建基于进化计算的样本生成优化模型；基于进化计算的样本生成优化模型以及真实风机数据，生成多个风机样本数据；构建风电功率预测初始模型，通过风机样本数据对功率预测初始模型进行训练，得到训练完毕的风电功率预测模型；通过风电功率预测模型，预测风电功率。采用本发明，可以提高复杂条件下风功率预测的效果。

技术领域

本发明涉及风功率预测技术领域，特别是指一种基于进化框架的模糊对抗生成网络风功率预测方法及装置。

背景技术

风电作为一种重要的可持续能源，在过去的几十年里取得了快速的发展。截至到2019年底，全球风力发电机(简称“风机”)装机容量达到651GW，覆盖全球6％以上的电力需求。然而，与传统电力不同的是，风机处在复杂的环境中，多变的环境给风机的发电预测带来了很大的挑战，对电力系统的稳定性也造成了很大的负面影响。为了解决这个问题，人们开发了风功率预测技术来预测风力发电的功率，从而辅助电力系统的稳定运行。风功率预测是一种至关重要的软测量技术，在风电和电力系统的应用中发挥着重要作用。

在风功率预测中，短期预测十分重要。在短期风功率预测中，通常需要利用过去几个小时的历史数据来预测未来几个小时的风电功率。短期风电功率预测方法主要有基于机理的方法、基于统计的方法和基于人工智能的方法。通常，基于机理的方法和基于统计的方法往往需要大量的额外信息(例如，细解析度的天气数据，风机所处环境的各项物理数据等)才能使用，而这些额外的信息往往很难取得。因此，更多基于人工智能的方法(包括浅度学习方法和深度学习方法)被更多地应用于短期风功率预测。

在基于人工智能的短期风功率预测方法中，浅度学习方法易于部署和使用，得到了广泛的研究和应用。这些方法通常使用历史数据建立回归模型，从而预测未来几个小时的风功率。这些方法中，基于神经网络模型、支持向量回归模型和极限学习机模型的浅层学习方法得到了较多的研究。与此同时，随着深度学习技术的快速发展，近年来深度学习方法在短期风功率预测领域得到了广泛的研究。在深度学习方法中，在回归模型中引入了更多的隐藏层，从而使模型的性能得到较大的提升，从而更加准确地预测风功率。

然而，尽管许多方法取得了非常显著的效果，但仍存在一些问题需要解决：

(1)现有的许多方法虽然能够取得良好的平均预测性能。然而，在一些极端条件下(如剧烈变化的环境)，它们的预测性能会严重恶化，这对电力系统的稳定性构成了很大的威胁。

(2)由于这些极端条件下的样本数量有限，无法很好地训练基于人工智能方法的预测模型。

发明内容

本发明实施例提供了一种基于进化框架的模糊对抗生成网络风功率预测方法及装置。所述技术方案如下：

一方面，提供了一种基于进化框架的模糊对抗生成网络风功率预测方法，该方法由电子设备实现，该方法包括：

S1、构建风机数据生成模型，所述风机数据生成模型用于生成不同条件下的多个风机数据；

S2、构建风机数据合理性判别模型，所述风机数据合理性判别模型用于判断生成的多个风机数据是否符合风机数据的要求；

S3、基于所述风机数据生成模型以及风机数据合理性判别模型，构建基于进化计算的样本生成优化模型；

S4、基于所述进化计算的样本生成优化模型以及真实风机数据，生成多个风机样本数据；

S5、构建风电功率预测初始模型，通过所述风机样本数据对所述功率预测初始模型进行训练，得到训练完毕的风电功率预测模型；