一种基于条件生成式对抗网络的光伏出力区间预测方法与流程

1.本发明涉及电气工程领域，特别涉及一种基于条件生成式对抗网络的光伏出力区间预测方法。


背景技术：

2.近年来，全球范围内能源转型趋势明显。作为最具前景的可再生能源利用形式之一，光伏发电在电力系统中的渗透率不断提高。然而，受太阳光照、云层、湿度等多种气象因素影响，光伏出力具有很大的间歇性和不确定性。当光伏发电设备规模化并网后，光伏出力的不确定性将严重威胁电网的稳定性和安全性。因此，准确的光伏出力预测是电网调度部门的重要决策依据，可保证其未雨绸缪，提前调配储能资源和备用机组，以保障电网的安全经济运行水平。
3.目前，大多数的光伏出力预测方法是点预测，这类方法得到的预测结果一般是确定性的出力值预测，欠缺对光伏出力不确定性的考虑。因此提供给调度部门关于光伏出力可能的变化信息较少，难以表达预测结果的概率可信度。因此，针对点预测的不足，现有研究多围绕光伏出力开展区间预测。相比于点预测，区间预测能够量化光伏出力的不确定性波动，为光伏并网提供更多有价值的决策信息。


技术实现要素：

4.针对上述技术问题，本发明提供一种基于条件生成式对抗网络的光伏出力区间预测方法。
5.其技术方案为，包括，
6.s1、对光伏出力实测数据预处理，确定预测的时间步长h和数据切片的滑动窗口长度s，得到每组数据的条件标签c和真实样本x；
7.s2、搭建生成器框架和判别器框架；
8.s3、训练条件生成式对抗网络；
9.s4、训练结束时提取出生成器，采样m个噪声向量z，分别和条件标签c拼接输入到生成器，得到m个光伏出力预测场景；
10.s5、采用bootstrap法对s4中的预测场景重采样；
11.s6、用区间估计的方法，在给定置信度下计算这些预测场景的置信区间，即得到区间预测的结果。
12.优选为，所述s1中对光伏出力实测数据预处理，具体为，确定预测的时间步长h，以长度为s的滑动窗口划分数据集；
13.每组数据中历史数据部分{x0,x1,
…
,x
t
}作为条件标签c，而待预测部分作为真实样本x。
14.优选为，所述s2搭建生成器框架和判别器框架，具体为，
15.生成器网络包括一层全连接层和三层2d-conv层，除输出层以外的每一层后面均
添加批归一化层，激活函数均采用leakyrelu；
16.判别器网络与生成器基本对称，包括三层2d-conv层和一层全连接层，除输出层以外的每一层后面均添加批归一化层，隐藏层采用leakyrelu激活函数，而输出层不添加任何激活函数。
17.优选为，所述s3训练生成式对抗网络，具体为，采用基于wasserstein距离的损失函数来指导生成器和判别器的训练过程，所述生成器和判别器均按照使其损失函数最小进行训练；
18.采用每更新判别器网络参数4-5次，优选4次，更新1次生成器网络参数的交替训练方式，训练结束时判别器和生成器达到纳什均衡，生成器学习到历史测量数据与预测光伏出力间的映射关系，从而能在给定历史数据下生成符合光伏出力规律的数据。
19.优选为，所述s4中，噪声向量z从均值为0、标准差为1的高斯分布中采样得到，采样m次即可得到m个噪声向量，每个噪声向量和条件标签横向拼接后输入到生成器，得到m个光伏出力预测场景。
20.优选为，所述s5中bootstrap重采样，具体为，对s4中得到的m个光伏出力预测场景，按有放回的抽取m次；
21.重复n次，得到n个容量为m的bootstrap样本
[0022][0023]
对这n个样本集进行bootstrap估计，计算每个样本的算数均值：
[0024][0025]
其中，m表示样本集的容量，pk表示第k个样本样本集的算数均值。
[0026]
优选为，所述s6用区间估计的方法计算置信区间，具体为，对所述n个样本均值(p1,p2,
…
,pn)，在1-α置信度下计算预测区间的上、下界：
[0027][0028]
其中，p
uα
和p
lα
分别表示预测区间的上界和下界，和σ分别表示(p1,p2,
…
,pn)样本中光伏出力的均值和标准差，z
α
/2是在α显著水平下的置信因子，可通过查z值表获得。一般地，取置信度1-α为0.95时(即在0.05显著水平下)的置信因子为1.96。
[0029]
优选为，所述生成器框架的输入为噪声向量z与条件标签c的横向拼接，输出为与条件标签c映射的预测功率；
[0030]
所判别器框架的输入包括来自生成器输出的预测功率，及来自真实样本的实测功率；所述预测功率及实测功率分别与条件标签c横向拼接输入到所述判别器，判别器试图识别出在条件c下无效的预测值，同时输出其输入样本为实测功率的概率。
[0031]
优选为，所述基于wasserstein距离的损失函数，具体为：
[0032][0033][0034]
其中，lg、ld分别表示生成器和判别器训练时的损失函数，e表示计算期望，z～pz(z)表示从高斯分布pz(z)中采样得噪声向量z，x～pr(x)表示从真实样本中采样得实测功率g(z|{x0,
…
,x
t
})表示在条件c＝{x0,x1,
…
,x
t
}下的预测功率，d(
·
)表示判别器判定输入样本为实测功率的概率。
[0035]
优选为，所述光伏出力预测方法为区间预测。
[0036]
本发明实施例提供的技术方案带来的有益效果是：
[0037]
(1)本发明采用深度学习技术，不涉及任何显式的建模，依靠纯数据驱动的方式描述光伏出力可能的波动范围，可以有效避免传统物理模型求解模型参数的繁琐复杂。
[0038]
(2)本发明采用无监督的条件生成式对抗网络模型，生成器试图生成与条件标签相映射的预测功率，判别器尽可能识别出在条件标签下无效的预测值，两个网络在相互切磋中共同进步。当训练完成时，生成器能无监督学习光伏出力特征并生成符合数据分布规律的场景集。这些丰富的场景集，为区间预测提供关键输入信息，这对于研究光伏出力区间预测具有极大的价值。
[0039]
(3)本发明将历史测量数据作为条件标签输入到网络中，通过生成器和判别器的对抗博弈，生成器可学习到历史测量与预测光伏出力间的映射关系，并能生成符合光伏出力规律的多个场景。在此基础上，采用bootstrap和区间估计可得到较高质量的光伏出力预测区间，从而为光伏并网提供更多有价值的决策信息。
附图说明
[0040]
图1为本发明实施例的条件生成式对抗网络结构示意图。
[0041]
图2为本发明实施例的光伏出力区间预测流程框图。
[0042]
图3为本发明实施例的生成器架构图。
[0043]
图4为本发明实施例的判别器架构图。
[0044]
图5为本发明实施例的光伏出力区间预测结果一。
[0045]
图6为本发明实施例的光伏出力区间预测结果二。
[0046]
图7为本发明实施例的光伏出力区间预测结果三。
[0047]
图8为本发明实施例的连续三天的光伏出力区间预测结。
具体实施方式
[0048]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。当然，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0049]
需要说明的是，在不冲突的情况下，本发明创造中的实施例及实施例中的特征可以相互组合。
[0050]
实施例1
[0051]
本发明提供一种基于条件生成式对抗网络的光伏出力区间预测方法，包括，
[0052]
s1、对光伏出力实测数据预处理，确定预测的时间步长h和数据切片的滑动窗口长度s，得到每组数据的条件标签c和真实样本x；
[0053]
s2、搭建生成器框架和判别器框架；
[0054]
s3、训练条件生成式对抗网络；
[0055]
s4、训练结束时提取出生成器，采样m个噪声向量z，分别和条件标签c拼接输入到生成器，得到m个光伏出力预测场景；
[0056]
s5、采用bootstrap法对s4中的预测场景重采样；
[0057]
s6、用区间估计的方法，在给定置信度下计算这些预测场景的置信区间，即得到区间预测的结果。
[0058]
s1中对光伏出力实测数据预处理，具体为，确定预测的时间步长h，以长度为s的滑动窗口划分数据集；
[0059]
每组数据中历史数据部分{x0,x1,
…
,x
t
}作为条件标签c，而待预测部分作为真实样本x。
[0060]
s2搭建生成器框架和判别器框架，具体为，
[0061]
生成器网络包括一层全连接层和三层2d-conv层，除输出层以外的每一层后面均添加批归一化层，激活函数均采用leakyrelu；
[0062]
判别器网络与生成器基本对称，包括三层2d-conv层和一层全连接层，除输出层以外的每一层后面均添加批归一化层，隐藏层采用leakyrelu激活函数，而输出层不添加任何激活函数。
[0063]
s3训练生成式对抗网络，具体为，采用基于wasserstein距离的损失函数来指导生成器和判别器的训练过程，生成器和判别器均按照使其损失函数最小进行训练；
[0064]
采用每更新判别器网络参数4-5次，优选4次，更新1次生成器网络参数的交替训练方式，训练结束时判别器和生成器达到纳什均衡，生成器学习到历史测量数据与预测光伏出力间的映射关系，从而能在给定历史数据下生成符合光伏出力规律的数据。
[0065]
s4中，噪声向量z从均值为0、标准差为1的高斯分布中采样得到，采样m次即可得到m个噪声向量，每个噪声向量和条件标签横向拼接后输入到生成器，得到m个光伏出力预测场景。
[0066]
s5中bootstrap重采样，具体为，对s4中得到的m个光伏出力预测场景，按有放回的抽取m次；
[0067]
重复n次，得到n个容量为m的bootstrap样本
[0068][0069]
对这n个样本集进行bootstrap估计，计算每个样本的算数均值：
[0070][0071]
其中，m表示样本集的容量，pk表示第k个样本样本集的算数均值。
[0072]
s6用区间估计的方法计算置信区间，具体为，对n个样本均值(p1,p2,
…
,pn)，在1-α置信度下计算预测区间的上、下界：
[0073][0074]
其中，p
uα
和p
lα
分别表示预测区间的上界和下界，和σ分别表示(p1,p2,
…
,pn)样本中光伏出力的均值和标准差，z
α
/2是在α显著水平下的置信因子，可通过查z值表获得。一般地，取置信度1-α为0.95时(即在0.05显著水平下)的置信因子为1.96。
[0075]
实施例2
[0076]
本发明提供一种基于条件生成式对抗网络的光伏出力区间预测方法，包括，
[0077]
s1、对光伏出力实测数据预处理，确定预测的时间步长h和数据切片的滑动窗口长度s，得到每组数据的条件标签c和真实样本x；
[0078]
s2、搭建生成器框架和判别器框架；
[0079]
s3、训练条件生成式对抗网络；
[0080]
s4、训练结束时提取出生成器，采样m个噪声向量z，分别和条件标签c拼接输入到生成器，得到m个光伏出力预测场景；
[0081]
s5、采用bootstrap法对s4中的预测场景重采样；
[0082]
s6、用区间估计的方法，在给定置信度下计算这些预测场景的置信区间，即得到区间预测的结果。
[0083]
s1中对光伏出力实测数据预处理，具体为，确定预测的时间步长h，以长度为s的滑动窗口划分数据集；
[0084]
每组数据中历史数据部分{x0,x1,
…
,x
t
}作为条件标签c，而待预测部分作为真实样本x。
[0085]
s2搭建生成器框架和判别器框架，具体为，
[0086]
生成器网络包括一层全连接层和三层2d-conv层，除输出层以外的每一层后面均添加批归一化层，激活函数均采用leakyrelu；
[0087]
判别器网络与生成器基本对称，包括三层2d-conv层和一层全连接层，除输出层以外的每一层后面均添加批归一化层，隐藏层采用leakyrelu激活函数，而输出层不添加任何激活函数。
[0088]
s3训练生成式对抗网络，具体为，采用基于wasserstein距离的损失函数来指导生成器和判别器的训练过程，生成器和判别器均按照使其损失函数最小进行训练；
[0089]
采用每更新判别器网络参数4-5次，优选4次，更新1次生成器网络参数的交替训练方式，训练结束时判别器和生成器达到纳什均衡，生成器学习到历史测量数据与预测光伏出力间的映射关系，从而能在给定历史数据下生成符合光伏出力规律的数据。
[0090]
s4中，噪声向量z从均值为0、标准差为1的高斯分布中采样得到，采样m次即可得到m个噪声向量，每个噪声向量和条件标签横向拼接后输入到生成器，得到m个光伏出力预测场景。
[0091]
s5中bootstrap重采样，具体为，对s4中得到的m个光伏出力预测场景，按有放回的抽取m次；
[0092]
重复n次，得到n个容量为m的bootstrap样本
[0093][0094]
对这n个样本集进行bootstrap估计，计算每个样本的算数均值：
[0095][0096]
其中，m表示样本集的容量，pk表示第k个样本样本集的算数均值。
[0097]
s6用区间估计的方法计算置信区间，具体为，对n个样本均值(p1,p2,
…
,pn)，在1-α置信度下计算预测区间的上、下界：
[0098][0099]
其中，p
uα
和p
lα
分别表示预测区间的上界和下界，和σ分别表示(p1,p2,
…
,pn)样本中光伏出力的均值和标准差，z
α
/2是在α显著水平下的置信因子，可通过查z值表获得。一般地，取置信度1-α为0.95时(即在0.05显著水平下)的置信因子为1.96。
[0100]
生成器框架的输入为噪声向量z与条件标签c的横向拼接，输出为与条件标签c映射的预测功率；
[0101]
所判别器框架的输入包括来自生成器输出的预测功率，及来自真实样本的实测功率；预测功率及实测功率分别与条件标签c横向拼接输入到判别器，判别器试图识别出在条件c下无效的预测值，同时输出其输入样本为实测功率的概率。
[0102]
基于wasserstein距离的损失函数，具体为：
[0103][0104][0105]
其中，lg、ld分别表示生成器和判别器训练时的损失函数，e表示计算期望，z～pz(z)表示从高斯分布pz(z)中采样得噪声向量z，x～pr(x)表示从真实样本中采样得实测功率g(z|{x0,
…
,x
t
})表示在条件c＝{x0,x1,
…
,x
t
}下的预测功率，d(
·
)表示判别器判定输入样本为实测功率的概率。
[0106]
光伏出力预测方法为区间预测。
[0107]
实施例3
[0108]
图1为本发明条件生成式对抗网络结构示意图。所述条件生成式对抗网络，其主要思想就是生成器和判别器之间互相对抗博弈。生成器试图生成与条件标签相映射且与真实数据分布一致的样本，判别器尽可能识别出在条件标签下无效的生成样本及鉴别样本的真伪，两个网络在相互切磋中共同进步。以光伏出力区间预测为例，图2为该方法的整体流程框图，该方法包含以下步骤：
[0109]
(1)构建光伏出力数据集：汇总2012年12月1日至2020年9月30日期间比利时全国
范围内的光伏出力实测数据作为算例样本，数据分辨率为15min，原始数据集共有271680个采样点数据。算例将12h作为预测的时间步长，用长度为48个点(窗口长度为12h)的滑动窗口对数据进行切片，共得到5659组数据，每组数据均包括条件标签y(48个点)和光伏出力实测值x(48个点)。对切片后的数据集按照9：1的比例划分训练集和测试集，所有数据都归一化为[0，1]。
[0110]
(2)搭建生成器框架
[0111]
本例中的生成器架构如图3所示，其输入为噪声向量z与条件标签y的横向拼接，输出为与条件标签y映射的预测功率。生成器网络包括一层全连接层和三层2d-conv层，除输出层以外的每一层后面均添加批归一化层，激活函数均采用leakyrelu。
[0112]
(3)搭建判别器框架
[0113]
本例中的判别器架构如图4所示，其输入既来自生成器输出的预测功率，也来自真实样本的实测功率。两者分别与条件标签y横向拼接输入到所述判别器，判别器试图识别出在条件y下无效的预测值，同时输出其输入样本为实测功率的概率。判别器网络与生成器基本对称，包括三层2d-conv层和一层全连接层，除输出层以外的每一层后面均添加批归一化层，隐藏层采用leakyrelu激活函数，而输出层不添加任何激活函数。
[0114]
(4)训练条件生成式对抗网络
[0115]
采用基于wasserstein距离的损失函数来指导生成器和判别器的训练过程，所述生成器和判别器均按照使其损失函数最小进行训练。采用每更新判别器网络参数4次，更新1次生成器网络参数的交替训练方式。训练过程中，批处理数设为64，采用rmsprop优化算法更新网络模型权重参数，并将学习率设置为0.0001。
[0116]
为欺骗判别器，让判别器以为生成样本为实测功率，令生成器的损失函数如下：
[0117][0118]
生成器的训练目标就是使上述损失函数最小，即让判别器将生成的预测功率判定为实测功率的概率尽可能大。
[0119]
同时，要求判别器识别出在条件标签下无效的预测值，令判别器的损失函数如下：
[0120][0121]
判别器的训练目标就是使上述损失函数最小，即让判别器尽可能识别出在条件标签下无效的预测值，将预测功率判定为实测值的概率尽可能小，将实测功率判定为实测值的概率尽可能大。
[0122]
随着训练迭代次数的增加，通过两个网络的博弈对抗，生成器试图生成与条件标签相映射的预测功率，判别器尽可能增强自身鉴别真伪的能力，识别出在条件标签下无效的预测值。两个网络在相互切磋中共同进步，最终达到纳什均衡，生成器学习到历史测量数据与预测光伏出力间的映射关系，从而能在给定历史数据下生成符合光伏出力规律的数据。
[0123]
(5)生成m个预测场景
[0124]
训练结束时，提取出生成器，从均值为0、标准差为1的高斯分布中随机采样得m个噪声向量z，每个噪声向量和条件标签横向拼接后输入到生成器，得到在条件y下的m个光伏出力预测场景。
[0125]
(6)bootstrap重采样
[0126]
对步骤(5)中得到的m个光伏出力预测场景，按有放回的抽取m次。重复50次，即得到50个容量为m的bootstrap样本
[0127][0128]
然后对这50个样本集进行bootstrap估计，计算每个样本的算数均值：
[0129][0130]
上式中，m表示样本集的容量，pk表示第k个样本集的算数均值。
[0131]
(7)计算预测区间上、下界
[0132]
用区间估计的方法计算光伏出力预测区间，对步骤(6)中所述50个样本均值(p1,p2,
…
,p
50
)，在1-α置信度下计算预测区间的上、下界：
[0133][0134]
其中，p
uα
和p
lα
分别表示预测区间的上界和下界，和σ分别表示(p1,p2,
…
,p
50
)样本中光伏出力的均值和标准差，z
α
/2是在α显著水平下的置信因子，可通过查z值表获得。一般地，取置信度1-α为0.95时(即在0.05显著水平下)的置信因子为1.96。
[0135]
图5-图7为本例中在m＝100的情况下，随机选取的某测试样本分别在95％、90％和85％置信度下的预测区间。图中虚线表示已知的历史光伏出力情况，实线表示光伏出力实测值，阴影区域为得到的预测区间。可以看出，在不同的置信度下，预测区间都能有效覆盖实测值，说明该方法在光伏出力区间预测应用上的可行性与可信性。
[0136]
图8为本例中在m＝100的情况下，连续三天的某测试样本在90％置信度下的区间预测结果。图中实线表示光伏出力实测值，阴影区域表示得到的预测区间。可以看出，预测区间对实测值实现了大范围的覆盖，说明预测精度较高。并且预测区间的上、下界变化趋势与实测值几乎一致，说明模型的生成器学习到了光伏出力的变化规律以及历史测量数据与预测功率值间的映射关系，能够生成有效的预测场景。以上都表明该方法在光伏出力连续预测应用上的可行性。
[0137]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。