一种条件对抗神经网络训练方法、场景生成方法和系统与流程

1.本发明涉及基于人工智能的综合能源系统运行场景构建领域，具体涉及一种条件对抗神经网络训练方法、场景生成方法和系统。


背景技术：

2.目前，场景生成技术可分为概率模型方法、矩阵变换方法、马尔可夫链方法和人工智能场景生成方法。人工智能技术包括强化学习、深度学习和迁移学习。强化学习的基本思想是通过代理与环境的相互作用来获得奖励，从而学习实现目标的最佳策略。因此，强化学习法更注重学习问题解决策略；由于其强大的特征表示和挖掘能力，深度学习侧重于对事物的感知和表达，能够更好地挖掘事物的相关特征。因此，基于人工智能技术的场景构建往往采用深度学习算法。其中，人工智能场景方法不受可再生能源场景模型建立的约束。通过分析历史数据所包含的信息，可以了解该地区可再生能源资源的状况，总结场景变化规律。场景分析方法构造的场景精度越高，随机优化问题的解越接近实际最优值。
3.通过对历史实际负荷的聚类分析，得到一组典型的时间序列负荷场景。深度学习生成方法基于深度学习框架，可以进行深入的数据挖掘，深入分析数据的内在统计规律，实现场景的无监督生成。在能源领域，人工智能技术主要用于在线安全评估和预测。由于gan在图像识别和生成方面的优势，它将更多地应用于可再生能源数据的在线预测。
4.目前，传统的统计模型不能充分考虑可再生能源输出的各种相关性和隐含关系。现有的研究成果缺乏可再生能源产出特征与深度学习网络结构之间的关系，黑箱模型的解释性较差。另一方面，对于依赖于外部天气影响的可再生能源而言，目前还不清楚天气与场景之间的对应关系。


技术实现要素：

5.针对现有技术的不足，本发明提供了一种条件对抗神经网络训练方法，包括：
6.基于可再生能源输出功率数据及对应的历史气象数据，采用多种权重分析法得到可再生能源输出功率数据的各气象因素的组合权重，并确定天气类别标签；
7.对所述历史可再生能源功率输出数据进行采样得到噪声数据；
8.以所述历史可再生能源输出功率数据、噪声数据、和对应的天气类别标签为训练数据，采用条件对抗生成神经网络进行训练，得到训练好的条件对抗神经网络；
9.所述训练好的条件对抗神经网络用于生成新能源场景。
10.优选的，所述基于可再生能源输出功率数据及对应的历史气象数据，采用多种权重分析法得到可再生能源输出功率数据的各气象因素的组合权重，包括：
11.基于可再生能源输出功率数据及对应的历史气象数据结合预先构建的气象条件评价指标体系，采用层次分析法得到各评价因素的主观权重；
12.基于可再生能源输出功率数据及对应的历史气象数据，采用熵权法确定各评价因素的权重；
13.对所述各评价因素的主观权重和各评价因素的权重进行权重组合得到组合权重；
14.其中，所述气象条件评价指标体系包括以气象因子构成的方案层、气象类型构建的准则层，以及天气评估结果构建的决策层构成；
15.所述多种权重分析法包括：层次分析法和熵权法。
16.优选的，所述气象因子包括下述一种或多种：露点、风速、湿度、温度、光照强度和气压；
17.所述天气类别标签包括下述一种或多种：晴天、多云、多雨、降雪、大风。
18.优选的，所述基于可再生能源输出功率数据及对应的历史气象数据结合预先构建的气象条件评价指标体系，采用层次分析法得到各评价因素的主观权重，包括：
19.基于预先构建的气象条件评价指标体系，依据所述可再生能源输出功率数据及对应的历史气象数据，得到各评价因素的判断矩阵；
20.以所述各评价因素的判断矩阵的一致性为基础，通过计算得到所述各评价因素的判断矩阵的最大特征矢量；
21.基于所述各评价因素的判断矩阵的最大特征矢量，进行标准化，将标准化后的最大特征矢量作为各评价因素的主观权重。
22.优选的，所述基于可再生能源输出功率数据及对应的历史气象数据，采用熵权法确定各评价因素的权重，包括：
23.基于所述可再生能源输出功率数据及对应的历史气象数据，结合预先构建的气象条件评价指标体系，进行标准化处理得到各评价因素的标准化值；
24.利用所述各评价因素的标准化值计算各评价因素的信息熵；
25.利用所述各评价因素的信息熵计算得到各评价因素的信息熵权重。
26.优选的，所述各评价因素的标准化值按下式计算：
[0027][0028]
式中，yi为各评价因素的第个指标的标准化值；xi为各评价因素的个指标集合。
[0029]
优选的，所述利用各评价因素的标准化值计算各评价因素的信息熵，如下式所示：
[0030][0031]
式中，ei为各评价因素的第个指标的信息熵；yi为各评价因素的第个指标的标准化值；n为历史气象数据指标的总数。
[0032]
优选的，所述各评价因素的信息熵权重按下式计算：
[0033][0034]
式中，wi为各评价因素的第个指标信息熵权重；ei为各评价因素的第个指标数据信息熵；k为各评价因素的指标总数。
[0035]
优选的，所述对所述各评价因素的主观权重和各评价因素的权重进行权重组合得到组合权重，包括：
[0036]
对所述各评价因素的主观权重和熵权重采用组合加权法进行计算，得到所述各评
价因素的组合权重。
[0037]
优选的，所述以所述历史可再生能源输出功率数据、噪声数据、和对应的天气类别标签为训练数据，采用条件对抗生成神经网络进行训练，得到训练好的条件对抗神经网络，包括：
[0038]
将所述噪声数据输入到生成器网络中生成可再生能源输出数据的预测分布；
[0039]
将所述天气标签、所述历史可再生能源输出功率数据和所述可再生能源输出数据的预测分布作为判别器网络的输入数据，将所述可再生能源输出数据的预测分布与所述历史可再生能源输出功率数据的分布进行真假判断，将每次训练生成的判断结果作为损失函数，对生成器网络进行反向传播训练，并进行迭代；迭代收敛后，得到训练好的生成器网络；
[0040]
其中，所述条件对抗神经网络包括：生成器网络和判别器网络。
[0041]
基于同一发明构思，本发明还提供了一种基于对抗神经网络训练确定新能源场景的系统，包括：
[0042]
权重及天气标签模块用于：基于可再生能源输出功率数据及对应的历史气象数据，采用多种权重分析法得到可再生能源输出功率数据的各气象因素的组合权重，并确定天气类别标签；
[0043]
采样模块用于：对所述历史可再生能源功率输出数据进行采样得到噪声数据；
[0044]
神经网络训练模块用于：以所述历史可再生能源输出功率数据、噪声数据、和对应的天气类别标签为训练数据，采用条件对抗生成神经网络进行训练，得到训练好的条件对抗神经网络；
[0045]
所述训练好的条件对抗神经网络用于生成新能源场景。
[0046]
优选的，所述权重及天气标签模块包括：
[0047]
主观权重确定模块用于：基于可再生能源输出功率数据及对应的历史气象数据结合预先构建的气象条件评价指标体系，采用层次分析法得到各评价因素的主观权重；
[0048]
熵权重确定模块用于：基于可再生能源输出功率数据及对应的历史气象数据，采用熵权法确定各评价因素的熵权重；
[0049]
组合权重确定模块用于：对所述各评价因素的主观权重和各评价因素的权重进行权重组合得到组合权重；
[0050]
其中，所述气象条件评价指标体系包括以气象因子构成的方案层、气象类型构建的准则层，以及天气评估结果构建的决策层构成；
[0051]
所述多种权重分析法包括：层次分析法和熵权法。
[0052]
优选的，所述气象因子包括下述一种或多种：露点、风速、湿度、温度、光照强度和气压；
[0053]
所述天气类别标签包括下述一种或多种：晴天、多云、多雨、降雪、大风。
[0054]
优选的，所述主观权重确定模块，具体用于：
[0055]
基于预先构建的气象条件评价指标体系，依据所述可再生能源输出功率数据及对应的历史气象数据，得到各评价因素的判断矩阵；
[0056]
以所述各评价因素的判断矩阵的一致性为基础，通过计算得到所述各评价因素的判断矩阵的最大特征矢量；
[0057]
基于所述各评价因素的判断矩阵的最大特征矢量，进行标准化，将标准化后的最
大特征矢量作为各评价因素的主观权重。
[0058]
优选的，所述熵权重确定模块，具体用于：
[0059]
基于所述可再生能源输出功率数据及对应的历史气象数据，结合预先构建的气象条件评价指标体系，进行标准化处理得到各评价因素的标准化值；
[0060]
利用所述各评价因素的标准化值计算各评价因素的信息熵；
[0061]
利用所述各评价因素的信息熵计算得到各评价因素的信息熵权重。
[0062]
基于同一发明构思，本发明提供了一种条件对抗神经网络场景生成方法，包括：
[0063]
获取可再生能源输出数据的气象数据和所述可再生能源输出数据的噪声数据；
[0064]
将所述可再生能源输出数据的气象数据和所述可再生能源输出数据的噪声数据输入到训练好的条件对抗神经网络中，得到所述噪声数据对应的新能源场景；
[0065]
其中，所述训练好的条件对抗神经网络是采用上述的一种条件对抗神经网络训练方法训练得到的。
[0066]
基于同一发明构思，本发明还提供了一种条件对抗神经网络场景生成系统，包括：
[0067]
数据获取模块用于：获取可再生能源输出数据的气象数据和所述可再生能源输出数据的噪声数据；
[0068]
场景生成模块用于：将所述可再生能源输出数据的气象数据和所述可再生能源输出数据的噪声数据输入到训练好的条件对抗神经网络中，得到所述噪声数据对应的新能源场景；
[0069]
其中，所述训练好的条件对抗神经网络是采用上述的一种条件对抗神经网络训练方法训练得到的。
[0070]
再一方面，本技术还提供了一种计算机设备，包括：一个或多个处理器；
[0071]
所述处理器，用于存储一个或多个程序；
[0072]
当所述一个或多个程序被所述一个或多个处理器执行时，实现上述的一种条件对抗神经网络训练方法。
[0073]
再一方面，本技术还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现上述的一种条件对抗神经网络训练方法。
[0074]
与最接近的现有技术相比，本发明具有的有益效果：
[0075]
本发明涉及一种条件对抗神经网络训练方法、场景生成方法和系统，包括：基于可再生能源输出功率数据及对应的历史气象数据，采用多种权重分析法得到可再生能源输出功率数据的各气象因素的组合权重，并确定天气类别标签；对所述历史可再生能源功率输出数据进行采样得到噪声数据；以所述历史可再生能源输出功率数据、噪声数据、和对应的天气类别标签为训练数据，采用条件对抗生成神经网络进行训练，得到训练好的条件对抗神经网络；所述训练好的条件对抗神经网络用于生成新能源场景；本发明相比于现有的技术，基于训练好的条件对抗神经网络能够生成更加符合真实情况的场景，能够更为准确地描述可再生能源输出的不确定性。
附图说明
[0076]
图1是本发明提供的一种条件对抗神经网络训练方法流程图；
[0077]
图2是本发明提供的气象数据与光照的相关系数图；
[0078]
图3是本发明提供的一种条件对抗神经网络训练系统结构示意图；
[0079]
图4是本发明提供的气象条件评价指标体系的层次结构图；
[0080]
图5是本发明提供的一种条件对抗神经网络场景生成方法流程图；
[0081]
图6是本发明提供的一种条件对抗神经网络场景生成方法原理示意图；
[0082]
图7是本发明提供的日照数据集gan训练过程图；
[0083]
图8是本发明提供的训练过程中的wasserstein距离图；
[0084]
图9是本发明提供的生成场景概率分布函数pdf图；
[0085]
图10是本发明提供的生成场景的累积概率密度函数cdf图；
[0086]
图11是本发明提供的一种条件对抗神经网络场景生成系统结构图。
具体实施方式
[0087]
下面结合附图对本发明的具体实施方式作进一步的详细说明。
[0088]
实施例1：
[0089]
本发明提供了一种条件对抗神经网络训练方法，如图1所示，包括：
[0090]
步骤1：基于可再生能源输出功率数据及对应的历史气象数据，采用多种权重分析法得到可再生能源输出功率数据的各气象因素的组合权重，并确定天气类别标签；
[0091]
步骤2：对所述历史可再生能源功率输出数据进行采样得到噪声数据；
[0092]
步骤3：以所述历史可再生能源输出功率数据、噪声数据和对应的天气类别标签为训练数据，采用条件对抗生成神经网络进行训练，得到训练好的条件对抗神经网络；
[0093]
所述训练好的条件对抗神经网络用于生成新能源场景。
[0094]
其中，步骤1，基于可再生能源输出功率数据及对应的历史气象数据，采用多种权重分析法得到可再生能源输出功率数据的各气象因素的组合权重，并确定天气类别标签，具体包括：
[0095]
1-1采用层次分析法(ahp)对可再生能源及相关气象数据的联系进行权重建模。
[0096]
层次分析法(ahp)用于确定决策者在多目标决策中选择和判断难以量化且无法避免的因素的作用。具体步骤如下：
[0097]
a1：建立了包括目标层、准则层和指标层的层次分析结构模型；
[0098]
a2：构建各级指标的判断矩阵；
[0099]
a3：测试矩阵的一致性，判断矩阵的一致性指数ci和一致性比率cr如下：
[0100][0101][0102]
其中λ
max
是判断矩阵的最大特征值，ri值如表所示。
[0103]
表1平均随机一致性指数
[0104]
yriyriyri1040.8971.362051.1281.4130.5261.2491.46
[0105]
a4：确定主观权重，即取判断矩阵的最大特征矢量进行标准化。
[0106]
本发明采用层次分析法对气象要素进行主观赋权；天气一般分为4种或5种类型。对于常见的天气类型，本文选取了晴天、多云、多雨、降雪、大风五种天气类型。选取露点、风速、湿度、温度、光照强度和气压6个气象因子作为各评价因素即气象条件评价指标。
[0107]
以气象条件评价为例：将气象条件评价指标体系分解为目标层、指标层和目标层；根据历史数据与主观判断的相关性，构建指标判断矩阵。
[0108]
对于历史气象数据，x＝{x1,x2,...xn}，y＝{y1,y2,...yn}表示露点、风速、温度等n维数据，是其平均值。对于相关性，为了表征随机变量之间的相关性，皮尔逊相关系数是常用的指标。
[0109]
根据式3计算皮尔逊相关系数，形成历史气象资料之间的相关系数矩阵，如式3和图2所示。
[0110][0111][0112]
根据相关系数，判断矩阵c计算为：
[0113][0114]
因此，层次分析法确定的露点、风速、湿度、温度的权重系数为：
[0115]wahp
＝[0.0864 0.2115
ꢀ‑
0.4442 0.4608
ꢀ‑
0.0183]
ꢀꢀ
(6)
[0116]
1-2运用熵权法对可再生能源输出数据与天气数据进行数据建模，分析权重；
[0117]
在熵权法中，熵是对系统无序程度的度量，它可以度量数据提供的有效信息，熵权法可以有效地利用指标值。具体步骤如下：
[0118]
b1：各指标数据标准化。假设给定了k个指标x1,x2,...,xk，其中xi＝{x1,x2,...,xn}。假设每个指标数据的标准化值为y1,y2,...,yk，和
[0119]
b2：求出各指标的信息熵；根据信息论中资讯熵的定义，一组数据的信息熵为：
[0120]
[0121]
式中,当p
ij
＝0时，定义
[0122]
b3：确定各指标信息熵权重，通过信息熵计算各指标信息熵权重：
[0123][0124]
综合层次分析法与熵权法所得出的权重，进行权重组合，得到各评价因素的组合权重ws；
[0125]
将所述各评价因素的组合权重代入式(8)完成组合加权过程后，之后用式(9)判断加权的合理性：
[0126][0127][0128]
计算组合加权方法s与原k次加权方法的加权结果的贴近度d
sk
(k＝1,2,...,q)，ws是由组合加权方法s得到的组合加权矢量，w
(k)
是由原k次加权方法得到的属性加权矢量，并且0≤d
sk
≤1，然后用以反映组合加权方法s与原始q加权方法之间的平均相关度(平均拟合度)。不难看出0≤ds≤1，组合赋权法得到的ds结果越大，越合理。
[0129]
获得合理的各评价指标的组合权重，并依据所述组合权重对应的各评价因素的主管权重系数，匹配所述天气标签。
[0130]
其中，步骤2，对所述历史可再生能源功率输出数据进行采样得到噪声数据，具体包括：
[0131]
获取历史可再生能源功率输出数据和当前气象数据；
[0132]
其中，所述新能源的历史气象数据包括：历史风/光输出数据；
[0133]
假设有n年的历史风/光输出数据，每年分为t个时段。pg(x)表示观测数据的真实分布；然后给出一组从已知分布中采样的噪声数据z～pz(z)(可以选择任何易于采样的分布，本发明采用的是最常用的正态分布)。
[0134]
其中，步骤3，以所述历史可再生能源输出功率数据、噪声数据和对应的天气类别标签为训练数据，采用条件对抗生成神经网络进行训练，得到训练好的条件对抗神经网络，具体包括：
[0135]
将所述噪声数据输入到生成器网络中生成可再生能源输出数据的预测分布；
[0136]
将所述天气标签、所述历史可再生能源输出功率数据和所述可再生能源输出数据的预测分布作为判别器网络的输入数据，将所述可再生能源输出数据的预测分布与所述历史可再生能源输出功率数据的分布进行真假判断，将每次训练生成的判断结果作为损失函数，对生成器网络进行反向传播训练，并进行迭代；迭代收敛后，得到训练好的生成器网络；
[0137]
其中，所述条件对抗神经网络包括：生成器网络和判别器网络。
[0138]
实施例2：
[0139]
基于同一发明构思，本发明还提供了一种条件对抗神经网络训练系统，如图3所
示，包括：
[0140]
权重及天气标签模块用于：基于可再生能源输出功率数据及对应的历史气象数据，采用多种权重分析法得到可再生能源输出功率数据的各气象因素的组合权重，并确定天气类别标签；
[0141]
采样模块用于：对所述历史可再生能源功率输出数据进行采样得到噪声数据；
[0142]
神经网络训练模块用于：以所述历史可再生能源输出功率数据、噪声数据、和对应的天气类别标签为训练数据，采用条件对抗生成神经网络进行训练，得到训练好的条件对抗神经网络；
[0143]
所述训练好的条件对抗神经网络用于生成新能源场景。
[0144]
其中，所述权重及天气标签模块，包括：
[0145]
主观权重确定模块用于：基于可再生能源输出功率数据及对应的历史气象数据结合预先构建的气象条件评价指标体系，采用层次分析法得到各评价因素的主观权重；
[0146]
熵权重确定模块用于：基于可再生能源输出功率数据及对应的历史气象数据，采用熵权法确定各评价因素的熵权重；
[0147]
组合权重确定模块用于：对所述各评价因素的主观权重和各评价因素的权重进行权重组合得到组合权重；
[0148]
其中，所述气象条件评价指标体系包括以气象因子构成的方案层、气象类型构建的准则层，以及天气评估结果构建的决策层构成，如图4所示；
[0149]
所述多种权重分析法包括：层次分析法和熵权法。
[0150]
其中，所述气象因子包括下述一种或多种：露点、风速、湿度、温度、光照强度和气压；
[0151]
所述天气类别标签包括下述一种或多种：晴天、多云、多雨、降雪、大风。
[0152]
其中，所述主观权重确定模块，具体用于：
[0153]
基于预先构建的气象条件评价指标体系，依据所述可再生能源输出功率数据及对应的历史气象数据，得到各评价因素的判断矩阵；
[0154]
以所述各评价因素的判断矩阵的一致性为基础，通过计算得到所述各评价因素的判断矩阵的最大特征矢量；
[0155]
基于所述各评价因素的判断矩阵的最大特征矢量，进行标准化，将标准化后的最大特征矢量作为各评价因素的主观权重。
[0156]
其中，所述熵权重确定模块，具体用于：
[0157]
基于所述可再生能源输出功率数据及对应的历史气象数据，结合预先构建的气象条件评价指标体系，进行标准化处理得到各评价因素的标准化值；
[0158]
利用所述各评价因素的标准化值计算各评价因素的信息熵；
[0159]
利用所述各评价因素的信息熵计算得到各评价因素的信息熵权重。
[0160]
实施例3：
[0161]
基于同一发明构思，本发明提供了一种条件对抗神经网络场景生成方法，如图5所示，包括：
[0162]
s1：获取可再生能源输出数据的气象数据和所述可再生能源输出数据的噪声数据；
[0163]
s2:将所述可再生能源输出数据的气象数据和所述可再生能源输出数据的噪声数据输入到训练好的条件对抗神经网络中，得到所述噪声数据对应的新能源场景；
[0164]
其中，所述训练好的条件对抗神经网络是采用上述的一种条件对抗神经网络训练方法训练得到的；具体原理如图6所示；
[0165]
其中，s1，获取可再生能源输出数据的气象数据和所述可再生能源输出数据的噪声数据，具体包括：
[0166]
获取新能源的历史气象数据和当前气象数据；
[0167]
其中，所述新能源的历史气象数据包括：历史风/光输出数据；
[0168]
假设有n年的历史风/光输出数据，每年分为t个时段。pg(x)表示观测数据的真实分布；然后给出一组从已知分布中采样的噪声数据z～pz(z)(可以选择任何易于采样的分布，本发明采用的是最常用的正态分布)。
[0169]
其中，步骤s2，将所述可再生能源输出数据的气象数据和所述可再生能源输出数据的噪声数据输入到训练好的条件对抗神经网络中，得到所述噪声数据对应的新能源场景，具体包括：
[0170]
将所述噪声数据输入到生成器网络中生成可再生能源输出数据的预测分布；
[0171]
将所述天气标签、所述历史可再生能源输出功率数据和所述可再生能源输出数据的预测分布作为判别器网络的输入数据，将所述可再生能源输出数据的预测分布与所述历史可再生能源输出功率数据的分布进行真假判断，生成与所述噪声数据对应的新能源场景。
[0172]
其中，所述神经网络的目标是通过训练使采样数据尽可能接近真实分布pg(x)。训练过程由两个深度神经网络完成：生成器网络g(z；θ
(g)
)和判别器网络d(x；θ
(d)
)，其中θ
(g)
和θ
(d)
分别表示两个网络的权值参数。
[0173]
对于生成器网络，其输入是从分布pz(z)中采样的噪声数据z，其映射空间定义为g(z；θ
(g)
)，其中g是一个可微函数，其输出pg(z)表示为生成的数据样本；生成器网络的目标是使生成的数据样本尽可能接近真实分布，理想情况下pg(z)～pg(x)。
[0174]
对于判别器网络，它的输入是实数据或生成器生成的数据，它的映射空间也定义为d(x；θ
(d)
)，其中d是可微的，它的输出p
real
是标量，pg(x)表示输入数据服从实际分布的概率。判别网络的目标是尽可能准确地判别输入数据的来源。
[0175]
在条件对抗神经网络发生器的输入端，将噪声z和标签c作为生成器g的输入，通过生成器g的输出产生采样x
′
＝g(z|c)。cgan的判别器d不仅要判断生成的样本分布p(x
′
)与真实样本分布p(x)的相似性，还要判断生成的样本x
′
是否满足标签条件c。
[0176]
因此，条件对抗神经网络发生器中生成器和判别器的损失函数如式10和式11所示。
[0177]
lossg＝-e
x
′
～p(x
′
)
[d(x
′
|c)]
ꢀꢀ
(10)
[0178]
lossd＝-e
x～p(x)
[d(x|c)]+e
x
′
～
p(x
′
)
[d(x
′
|c)]
ꢀꢀ
(11)
[0179]
基本的神经网络在训练过程中容易出现训练困难和模式崩溃。
[0180]
这是因为基本的神经网络使用js散度作为判别器的损失函数d；当生成的样本与实际样本分布不重叠时，js散度将始终保持不变。对于可再生能源日前场景生成，需要学习日前场景分布的映射关系。
[0181]
如果判别器使用js散度作为损失函数，它将无法精确测量样本分布之间的距离，并且梯度将在反向传输中消失。网络训练的难度直接影响到生成场景集的准确性。
[0182]
wasserstein距离可以有效地度量两个概率分布之间的距离，即使两个概率分布之间没有重叠，它仍然可以有效地描述分布之间的距离。
[0183]
通过与是否采用该发明算法所得到的随机场景进行对比，验证了本发明所提一种条件对抗神经网络场景生成方法的有效性。
[0184]
实施例4：
[0185]
以2018年美国拉斯维加斯地区256个地点的每小时光伏和气象数据，本发明所提出的一种条件对抗神经网络场景生成方法中采用了合理的天气标签定义方法生成场景，现将本发明中的采用天气标签定义方法生成的场景和不使用合理的标签定义方法生成的场景进行对比，得出本发明所提出的一种条件对抗神经网络场景生成方法生成的场景最优。
[0186]
程序工具和计算环境设置如下：处理器为inter(r)core(tm)i7-1065g7 cpu@1.30ghz；ram为16gb；程序在python平台上进行计算；生成器g包括2个反卷积层，步长为2
×
2。
[0187]
首先，输入噪声z被上采样，场景x被包括2个步长为2
×
2的卷积层的判别器d下采样，生成器从完全连接的多层感知器开始上采样；判别器具有反向结构，可以执行单个sigmoid输出；两个卷积层基本上足以表示训练集的日常动态，如表2所示。
[0188]
表2条件对抗神经网络发生器结构
[0189] 生成器g判别器d输入10024*24layer 1mlp,2048conv,64layer 2mlp,1024conv,128layer 3mlp,128mlp,1024layer 4conv_transpose,128mlp,128layer 5conv_transpose,64 [0190]
注：mlp表示多层感知器，后跟神经元数；conv/conv_transpose表示卷积/反卷积层，后跟滤波器数；sigmoid用于在[0,1]中约束判别器的输出。
[0191]
本文中的所有模型都使用rmsprop优化器进行训练，最小批量为32。神经网络中神经元的所有权值均由中心正态分布初始化，标准差为0.02；除输入层外，每一层前均采用批量归一化方法，通过将每一层的输入归一化为零均值和单位方差来稳定学习；发生器采用relu启动，判别器采用relu启动。
[0192]
根据以上步骤计算出的天气权重，将天气分为5类，并据此定义了历史数据的标签；图7显示了cgan学习的训练过程。可以看出，初始判别器能够清晰地区分真实数据和生成的数据，但经过10000次训练后，训练结果收敛，判别器难以区分，已达到纳什均衡状态。
[0193]
生成器生成的数据接近真实的数据分布，但是判别器不能识别真(生成)图像和假(生成)图像，对给定数据的真预测概率接近0.5。
[0194]
所以d(x)类似于d(g(z))，如图8所示体现出了在训练过程中生成的数据样本的wasserstein距离的变化。可以看出，随着训练次数的增加，10000次训练后基本收敛到0附近；图9和图10是2018年美国拉斯维加斯地区256个地点的每小时光伏和气象数据、不使用
合理的标签定义方法和本发明所提出的天气标签定义方法生成的场景样本的概率分布函数(pdf)和累积概率密度函数(cdf)比较。可以直观地看到，本方法生成的样本，在图中以点划线表示，更接近历史数据在图中以实线表示，不合理的标签定义将大大降低cgan生成样本的精度。
[0195]
实施例5：
[0196]
基于同一发明构思，本发明还提供了一种条件对抗神经网络场景生成系统，如图11所示，包括：
[0197]
数据获取模块用于：获取可再生能源输出数据的气象数据和所述可再生能源输出数据的噪声数据；
[0198]
场景生成模块用于：将所述可再生能源输出数据的气象数据和所述可再生能源输出数据的噪声数据输入到训练好的条件对抗神经网络中，得到所述噪声数据对应的新能源场景；
[0199]
其中，所述训练好的条件对抗神经网络是采用上述的一种条件对抗神经网络训练方法训练得到的。
[0200]
实施例6：
[0201]
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specificintegrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种条件对抗神经网络训练方法的步骤。
[0202]
实施例7：
[0203]
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中的一种条件对抗神经网络训练方法的步骤。
[0204]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产
品的形式。
[0205]
本发明是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0206]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0207]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0208]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。