[发明专利]基于校正条件生成对抗网络的风电场景数据生成方法、装置及系统

权利要求书

1.一种基于校正条件生成对抗网络的风电场景数据生成方法，其特征在于，包括：

将获取到的预测风电数据和真实风电数据划分为训练集和测试集；

获取预设的校正条件生成对抗网络，所述校正条件生成对抗网络包括条件校正器、判别器和生成器；所述条件校正器用于对接收到的数据进行校正，其输出端分别与所述判别器和生成器相连；

利用所述训练集训练所述校正条件生成对抗网络，直至判别器和生成器之间达到Nash均衡；

利用所述训练集和测试集对训练好的校正条件生成对抗网络完成交叉验证；

利用训练好的校正条件生成对抗网络输出风电场景数据。

2.根据权利要求1所述的一种基于校正条件生成对抗网络的风电场景数据生成方法，其特征在于：所述利用所述训练集训练所述校正条件生成对抗网络，直至判别器和生成器之间达到Nash均衡，包括以下步骤：

将所述训练集中的预测风电数据和真实风电数据均输入至所述条件校正器，由所述条件校正器对训练集中的数据进行校正，获得校正条件数据，并将所述校正条件数据分别发送至判别器和生成器；

将所述训练集中的真实风电数据输入至所述判别器；

利用所述生成器的多层卷积不断提取校正条件数据的分布特征，得到生成数据；

利用所述判别器的多层卷积完成校正条件数据与生成数据之间的分类监督学习任务，通过与生成器的反复博弈，直至达到Nash均衡。

3.根据权利要求1所述的一种基于校正条件生成对抗网络的风电场景数据生成方法，其特征在于：所述条件校正器包括第一层网络和第二层网络；

将训练集中的预测风电数据分为预测失准事件A1和预测合理事件A2；

当所述训练集输入至所述条件校正器后，利用所述第一层网络根据预测误差，判断预测失准事件A1是否发生；

当判断完预测失准事件A1后，利用所述第二层网络基于改进旋转门算法识别出预测失准事件A1下的风电爬坡事件A3；

将预测风电数据中识别为风电爬坡事件A3的数据片段保留，剩余数据片段利用对应的真实风电数据替换，生成新的预测风电数据，用作条件标签输入至生成器和判别器。

4.根据权利要求3所述的一种基于校正条件生成对抗网络的风电场景数据生成方法，其特征在于：所述利用所述第一层网络根据预测误差，判断预测失准事件A1是否发生，具体包括：

基于训练集中的预测风电数据和真实风电数据，计算出预测误差；

当所述预测误差满足时，则判定发生预测失准事件A1，其中，T^e为预测误差持续时长；t为风电预测时间点；Δt为风电预测的时间间隔；RMSE为均方根误差，y_t，分别为t时刻风电功率的实际值和预测值，m为样本长度；p_t为风电功率；为预测误差满足上限时可接受的时长；

当所述预测误差满足时，则判定发生预测合理事件A2。

5.根据权利要求3或4所述的一种基于校正条件生成对抗网络的风电场景数据生成方法，其特征在于：所述利用所述第二层网络基于改进旋转门算法识别出预测失准事件A1下的风电爬坡事件A3，具体包括：

将训练集中的真实风电数据输入至旋转门算法模块；

利用旋转门算法模块将真实风电数据划分为若干个阶段，并根据风电爬坡事件A3的定义判断每个阶段是否有风电爬坡事件A3发生；其中，风电爬坡事件A3的定义具体为：风电功率的变化幅度与额定功率相比满足第一设定比例，则记为爬坡事件，或风电功率的变化幅度与额定功率相比满足第二设定比例，且持续时间满足预设阈值，则记为爬坡事件；

利用旋转门算法模块输出真实风电数据的判断结果，完成风电爬坡事件A3的识别；

所述将预测风电数据中识别为风电爬坡事件A3的数据片段保留，具体为：

将所述判断结果按时段对应到预测风电数据，获得预测风电数据中识别为风电爬坡事件A3的数据片段；

保留预测风电数据中识别为风电爬坡事件A3的数据片段。

6.根据权利要求1所述的一种基于校正条件生成对抗网络的风电场景数据生成方法，其特征在于：所述判别器和生成器中的卷积均采用膨胀卷积。