[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

说明书

本发明公开了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、装置及系统，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；利用训练好的校正条件生成对抗网络输出风电场景数据。本发明能够获得更加准确的风电场景数据。

技术领域

本发明属于风电出力场景数据生成领域，具体涉及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、装置及系统。

背景技术

风电出力场景是电力系统规划、运行的数据基础。统计学方法描述风电出力的不确定性成为了常用方法。统计学方法采用先验的统计模型，通过拟合风电历史数据并求解模型的参数，再进行抽样以生成风电出力场景。统计理论下的风电场景生成方法包括：蒙特卡洛抽样、场景树、动态场景树和马尔可夫链等。采用统计理论描述风电出力需假设固定及先验的概率模型，而风电出力的模糊性和随机性难以满足不变的概率模型，且概率模型的参数维度决定了该方法难以全面地描述风电不确定性出力的高维特征，生成场景数据存在特征模态单一、波动范围大、精度欠佳等问题。

发明内容

针对上述问题，本发明提出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、装置及系统，充分考虑了风电历史预测数据的准确性，在生成对抗网络中设计条件校正器，能够准确识别风电预测失准事件和风电爬坡事件，对作为条件信息的风电历史预测数据进行清洗，保证条件信息的高度可参考性。

为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

第一方面，本发明提供了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，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。

可选地，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。

可选地，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；