一种新能源发电场景生成方法、系统、电子设备及介质与流程

1.本发明涉及新能源发电技术领域，特别是涉及一种基于wgan-gp和gmm的新能源发电场景生成方法、系统、电子设备及介质。


背景技术：

2.近年来，随着可再生能源装机容量的增加，高比例的可再生能源被并入电网，风力发电和光伏发电的不确定性和可变性特征对电网稳定性和用户满意度产生了很大影响，对电网的安全构成了巨大的挑战。多能源互补是解决高比例可再生能源并网问题的有效策略。然而，由于各种设备在地理上分散，它们通常独立运行，彼此缺乏协调，这将会导致资源配置不合理等问题。
3.vpp(virtual powerplant，虚拟发电厂)可聚集分布式可再生能源、用户负荷及储能设备，具有环保、高效协同和内部能源互动的典型特征，这意味着vpp不仅整合了不同领域的各种分布式能源，有效管理内部分布式能源和可控负载，并使传统能源和可再生能源相互协调运行，而且还与市场参与者交互。目前，vpp优化调度已经引起了广泛的研究。即便如此，风能和太阳能等可再生能源的不确定性和波动性挑战了平衡需求和发电的任务。鉴于这个问题，在vpp的调度中需要考虑可再生能源的不确定性。许多研究人员对风力发电和光伏发电不确定性的建模方法进行了广泛的研究。其中，场景分析是最有效、最简单的方法之一。场景分析在具有高可再生能源比例的电力系统运行和设计中是一个重要的过程。场景分析可根据风电光伏历史数据生成符合风电、光伏出力统计特征的时序场景，从而将不确定性模型转换为确定性模型。
4.场景分析一般采用参数化方法，主要基于概率分布假设，场景通过蒙特卡洛采样或拉丁超立方采样等生成。然而，上述方法假设风能和太阳能资源服从一定的确定性分布，因此无法准确描述场景资源的真实情况。由于风电转换的不精确性，使用风速来生成风力发电场景可能会导致结果中的重大误差。


技术实现要素：

5.本发明的目的是提供一种基于wgan-gp算法场景生成以及高斯聚类场景缩减的典型场景集生成方法，可生成更符合风能和太阳能等可再生能源发电的不确定性和波动性的场景，进而平衡需求和发电的任务，提高风能和太阳能发电的稳定性。
6.为实现上述目的，本发明提供了如下方案：
7.一种新能源发电场景生成方法，包括：
8.获取原始数据集；所述原始数据集中包括多组出力数据；每组出力数据包括风力发电量及光伏发电量；
9.根据所述原始数据集，基于场景生成模型，生成基本场景集；所述基本场景集中包括多个基本场景，每个基本场景包括风力发电量及光伏发电量；所述场景生成模型为预先采用训练样本集，对wgan-gp进行训练得到的；所述训练样本集中包括多组历史出力数据；
10.采用高斯混合模型及k-means聚类方法对所述基本场景集进行场景缩减，得到经典场景集；所述经典场景集中包括调度周期内各时刻的光伏发电量集风力发电量。
11.可选地，所述采用高斯混合模型及k-means聚类方法对所述基本场景集进行场景缩减，得到经典场景集，具体包括：
12.采用高斯混合模型，对所述基本场景集进行聚类，确定典型场景集；
13.采用k-means聚类方法寻找所述典型场景集中的聚类中心，以得到经典场景集。
14.可选地，所述高斯混合模型为：
[0015][0016]
其中，p(x)为高斯混合模型的概率密度函数，x为基本场景集中的任一基本场景，k为高斯混合模型中高斯密度分布的数量，πk为第k个高斯密度分布的方差，且0≤πk≤1，为第k个高斯密度分布的概率密度，μk为第k个高斯密度分布的期望值，σk为第k个高斯密度分布的权重。
[0017]
可选地，所述经典场景集为：
[0018][0019]
其中，为典型场景集s，为典型场景集s中t时刻的风力发电量，为典型场景集s中t时刻的光伏发电量，t＝1,2,...,t，t为调度周期内时刻的数量。
[0020]
为实现上述目的，本发明还提供了如下方案：
[0021]
一种新能源发电场景生成系统，包括：
[0022]
数据获取单元，用于获取原始数据集；所述原始数据集中包括多组出力数据；每组出力数据包括风力发电量及光伏发电量；
[0023]
基本场景生成单元，与所述数据获取单元连接，用于根据所述原始数据集，基于场景生成模型，生成基本场景集；所述基本场景集中包括多个基本场景，每个基本场景包括风力发电量及光伏发电量；所述场景生成模型为预先采用训练样本集，对wgan-gp进行训练得到的；所述训练样本集中包括多组历史出力数据；
[0024]
场景缩减单元，与所述基本场景生成单元连接，用于采用高斯混合模型及k-means聚类方法对所述基本场景集进行场景缩减，得到经典场景集；所述经典场景集中包括调度周期内各时刻的光伏发电量集风力发电量。
[0025]
为实现上述目的，本发明还提供了如下方案：
[0026]
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的新能源发电场景生成方法。
[0027]
为实现上述目的，本发明还提供了如下方案：
[0028]
一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的新能源发电场景生成方法。
[0029]
根据本发明提供的具体实施例，本发明公开了以下技术效果：首先获取原始数据集，原始数据集中包括多组风力发电量及光伏发电量；然后根据原始数据集，基于预先对
wgan-gp进行训练得到的场景生成模型，生成基本场景集；最后采用高斯混合模型及k-means聚类方法对基本场景集进行场景缩减，得到经典场景集；通过结合wgan-gp、高斯混合模型及k-means聚类方法，能够生成更符合风能和太阳能等可再生能源发电的不确定性和波动性的场景，进而平衡需求和发电的任务，提高风能和太阳能发电的稳定性。
附图说明
[0030]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0031]
图1为本发明新能源发电场景生成方法的流程图；
[0032]
图2为新能源发电场景生成过程的整体流程图；
[0033]
图3为本发明新能源发电场景生成系统的模块示意图。
[0034]
符号说明：
[0035]
数据获取单元-1，基本场景生成单元-2，场景缩减单元-3。
具体实施方式
[0036]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037]
本发明的目的是提供一种新能源发电场景生成方法、系统、电子设备及介质，通过结合wgan-gp、高斯混合模型及k-means聚类方法，能够生成更符合风能和太阳能等可再生能源发电的不确定性和波动性的场景，进而平衡需求和发电的任务，提高风能和太阳能发电的稳定性。
[0038]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0039]
实施例一
[0040]
如图1所示，本实施例提供的新能源发电场景生成方法包括：
[0041]
s1：获取原始数据集。所述原始数据集中包括多组出力数据；每组出力数据包括风力发电量及光伏发电量。具体地，将风电场、光伏电站所收集的历史出力数据构成原始数据集。
[0042]
s2：根据所述原始数据集，基于场景生成模型，生成基本场景集。所述基本场景集中包括多个基本场景，每个基本场景包括风力发电量及光伏发电量。所述场景生成模型为预先采用训练样本集，对wgan-gp进行训练得到的。所述训练样本集中包括多组历史出力数据。
[0043]
具体地，场景生成模型采用以下方法构建：
[0044]
gan为无监督的神经网络，它基于最小化生成数据和真实数据之间进行模型参数优化。生成器的损失函数为：
[0045][0046]
其中，lg为生成器的损失函数值，为期望函数，g(
·
)为生成器函数，d(
·
)为判别器函数，pz(z)为噪声分布。
[0047]
判别器的输入数据为真实数据(原始数据集中的数据)或生成器输出的数据，判别器的损失函数为:
[0048][0049]
其中，ld为判别器的损失函数值，pr(x)为真实数据(原始数据集中的数据)的分布，lg(
·
)为以10为底的对数函数。
[0050]
生成器与判别器对抗的代价函数为：
[0051][0052]
当判别器达到最优时，优化的代价函数l
*
用js(jensen-shannon)散度d
js
表示如下：
[0053]
l
*
＝2d
js
(pr||pg)-2lg2；
[0054]
其中，pg表示生成数据的分布。
[0055]
gan由生成器和鉴别器组成，但当梯度消失时，原始gan算法很难训练生成器。为了获得更好的训练效果，wgan使用wasserstein距离作为损失函数，最终的数学表达式如下：
[0056][0057]
其中，w(pr,pg)为真实数据的分布与生成数据的分布的wasserstein距离，k为f(x)的lipschitz常数，||f||
l
为函数f满足a-lipschitz连续，l为角标，代表lipschitz，sup是最小上界。
[0058]
鉴别器是遵循以下约束的k-lipschitz函数：
[0059]
||f||
l
≤a；
[0060]
k-lipschitz连续条件：若映射f：rn→
r，对函数上的任意两个点xi,xj∈rn，都存在常数k，使得：|f(x1)-f(x2)|≤k|x
1-x2|；其中，函数f()可以用神经网络拟合，通过限制所有参数不超过某确信范围使得a存在。对判别器输入真实数据与生成数据采样点连线上的均匀采样。
[0061]
在标准gan中，采用“minmax”交替迭代的方法完成对抗训练，其中max步骤构造了分布pg和pr之间以js散度，而min步骤最小化这个散度。然而，在实际应用中wgan经常会出现梯度爆炸和不收敛的情况，因此在原网络损失函数的基础上加入惩罚项，实现lipschitz约束，以弥补wgan的缺陷。wgan-gp模型的损失函数l(g,d)可表示为：
[0062]
[0063]
式中：||
·
||
p
表示p范数；表示梯度算子；λ为惩罚项系数；表示梯度算子；λ为惩罚项系数；ζ服从[0,1]范围内的均匀分布；表示沿从目标数据分布pr(
·
)和生成数据分布pg(
·
)中抽样点之间的直线均匀抽样。wgan-gp模型中生成器的损失函数可表示为：
[0064]
lg＝1-d(g(z))；
[0065]
在模型的训练过程中，选用adam优化器通过分别迭代l(g,d)和lg以优化判别器和生成器的参数。
[0066]
s3：采用gmm(gaussian mixture model，高斯混合模型)及k-means聚类方法对所述基本场景集进行场景缩减，得到经典场景集。所述经典场景集中包括调度周期内各时刻的光伏发电量集风力发电量。
[0067]
通过场景生成获得的基本场景规模很大，一些数据具有很高的相似度。为了筛选出符合不确定变量统计特征且具有规划意义的典型场景，有必要合理缩减基本场景集。在这种情况下，聚类方法用于场景缩减。具体地，首先采用高斯混合模型，对所述基本场景集进行聚类，确定典型场景集。再采用k-means聚类方法寻找所述典型场景集中的聚类中心，以得到经典场景集。场景生成的整体过程如图2所示。
[0068]
假设一个随机变量x，一天的风力发电量为xn(n＝1,2,...,96)，则所述高斯混合模型为：
[0069][0070]
其中，p(x)为高斯混合模型的概率密度函数，x为基本场景集中的任一基本场景，k为高斯混合模型中高斯密度分布的数量，πk为第k个高斯密度分布的方差，且0≤πk≤1，为第k个高斯密度分布的概率密度，μk为第k个高斯密度分布的期望值，σk为第k个高斯密度分布的权重。
[0071]
最大似然估计方法用于参数估计，计算步骤如下：
[0072][0073][0074][0075][0076][0077]
其中，γ(i,k)为第i个基本场景属于第k个高斯密度分布的概率，n为一天中风力发电量的总数，在本实施例中n＝96。
[0078]
在本实施例中，最终生成的经典场景集采用以下公式表示：
[0079][0080]
其中，为典型场景集s，为典型场景集s中t时刻的风力发电量，为典型场景集s中t时刻的光伏发电量，t＝1,2,...,t，t为调度周期内时刻的数量。其中，为典型场景集s中t时刻的光伏发电量，t＝1,2,...,t，t为调度周期内时刻的数量。其中，和分别为风力发电量波动范围的下限和上限，和分别为光伏发电量波动范围的下限和上限。
[0081]
wgan(wasserstein gan)，wgan更多地用于场景生成领域，在此基础上，根据判别器的输入对其梯度进行惩罚，即本发明采用的wgan-gp(wasserstein generative adversarial network-gradient penalty，梯度惩罚wasserstein生成对抗网络)，以获得稳定的训练模型和高质量的生成信息。
[0082]
实施例二
[0083]
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种新能源发电场景生成系统。
[0084]
如图3所示，本实施例提供的新能源发电场景生成系统包括：数据获取单元1、基本场景生成单元2及场景缩减单元3。
[0085]
其中，数据获取单元1用于获取原始数据集；所述原始数据集中包括多组出力数据。每组出力数据包括风力发电量及光伏发电量。
[0086]
基本场景生成单元2与所述数据获取单元1连接，基本场景生成单元2用于根据所述原始数据集，基于场景生成模型，生成基本场景集。所述基本场景集中包括多个基本场景，每个基本场景包括风力发电量及光伏发电量。所述场景生成模型为预先采用训练样本集，对wgan-gp进行训练得到的。所述训练样本集中包括多组历史出力数据。
[0087]
场景缩减单元3与所述基本场景生成单元2连接，场景缩减单元3用于采用高斯混合模型及k-means聚类方法对所述基本场景集进行场景缩减，得到经典场景集。所述经典场景集中包括调度周期内各时刻的光伏发电量集风力发电量。
[0088]
具体地，场景缩减单元包括：聚类单元及经典场景确定单元。
[0089]
聚类单元与所述基本场景生成单元连接，聚类单元用于采用高斯混合模型，对所述基本场景集进行聚类，确定典型场景集。
[0090]
经典场景确定单元与所述聚类单元连接，经典场景确定单元用于采用k-means聚类方法寻找所述典型场景集中的聚类中心，以得到经典场景集。
[0091]
相对于现有技术，本实施例提供的新能源发电场景生成系统与实施例一提供的新能源发电场景生成方法的有益效果相同，在此不再赘述。
[0092]
实施例三
[0093]
本实施例提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例一的新能源发电场景生成方法。
[0094]
可选地，上述电子设备可以是服务器。
[0095]
另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计
算机程序被处理器执行时实现实施例一的新能源发电场景生成方法。
[0096]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0097]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。