一种寒潮大风天气样本扩充方法、系统、存储介质及设备与流程

本发明涉及一种寒潮大风天气样本扩充方法、系统、存储介质及设备，属于新能源功率预测。

背景技术：

1、在“碳达峰”“碳中和”目标下，以光伏、风电为代表的新能源进入快速发展期，但由于风电、光伏本身所具有的随机性及波动性，其大规模接入电网对电力系统的安全稳定运行带来了冲击，提前对风电、光伏在多种时间尺度上进行输出功率预测，并根据预测结果预留消纳空间是提高新能源消纳水平和保障电力系统安全的重要技术手段。

2、目前常用的功率预测方法采用的是基于样本库的统计学算法，该方法需要建立一定规模的历史数据库，即样本库。但是，对于寒潮、大风等极端天气，由于发生频率低，样本库中样本不多，如果基于这些小样本(即数量少的样本)进行统计训练，很容易出现过拟合现象，进而会造成功率预测精度不高的问题，因此，需要扩充寒潮大风天气样本，但是目前还没有相应的方法。

技术实现思路

1、本发明提供了一种寒潮大风天气样本扩充方法、系统、存储介质及设备，解决了背景技术中披露的问题。

2、为了解决上述技术问题，本发明所采用的技术方案是：

3、一种寒潮大风天气样本扩充方法，包括：

4、提取样本库原始样本中的温度气象要素和风速气象要素；

5、根据温度气象要素和风速气象要素，分别筛选出样本库中的寒潮天气样本和大风天气样本；

6、采用生成对抗网络对寒潮天气样本和大风天气样本进行扩充。

7、温度气象要素包括时间和温度；

8、根据温度气象要素，筛选出样本库中的寒潮天气样本，包括：

9、根据原始样本中的时间和温度，获取若干预设时间段内的最低温度和温度变化幅度；

10、若任一预设时间段内的最低温度和温度变化幅度满足相应的预设条件，则相应的原始样本为寒潮天气样本。

11、风速气象要素包括风速；

12、根据风速气象要素，筛选出样本库中的大风天气样本，包括：

13、若原始样本中的风速大于阈值，则原始样本为大风天气样本。

14、生成对抗网络为在传统生成对抗网络基础上改进的网络，改进处包括：

15、去掉判别器的sigmoid函数，采用wasserstein距离代替生成对抗网络的距离分布度量；

16、对判别器提供的梯度范数进行约束，将判别器更新参数的条件约束改为梯度惩罚；

17、将梯度惩罚和多分类标签重建相融合，生成判别器的损失函数。

18、wasserstein距离衡量真实样本和生成样本的远近程度，公式为：

19、

20、式中，x表示真实样本，y表示生成样本，pr表示真实样本概率分布，pn表示生成样本概率分布，w表示真实样本和生成样本的远近程度，π(pr,pn)表示真实样本和生成样本联合概率分布的集合，inf表示集合中所有元素的下界的最大值，γ表示π(pr,pn)中的一个联合概率分布，e(x,y)～γ表示在γ下随机向量(x,y)的期望欧氏距离。

21、梯度惩罚为：

22、

23、式中，lgp表示梯度惩罚函数，λ表示惩罚系数，表示生成对抗网络的l2范数，约束在1.0附近，表示判别器d的梯度，表示真实样本概率分布和生成样本概率分布的直线均匀采样，表示插值样本，由生成器生成的样本和真实样本x的线性组合得到，表示在真实样本x和生成器生成的样本之间进行插值得到的的分布，表示从抽样出的数学期望。

24、判别器的损失函数为：

25、

26、

27、

28、式中，ld表示判别器的损失函数，表示类别损失函数，表示用于更新判别器权重的样本损失函数，表示从真实样本概率分布pr采样的真实样本x通过判别器d的期望输出，表示从先验噪声样本概率分布pz采样的先验噪声样本z依次通过生成器g和判别器d的期望输出，lgp为表示梯度惩罚项，dc表示与分类有关的判别器，e[log p(c＝c|x)]表示真实样本x下类别c＝c的对数概率的期望，p(c＝c|x)表示真实样本x时类别c＝c的概率，c为给定的类别特定值，e[logp(c＝c|y)]表示生成样本y下类别c＝c的对数概率的期望，p(c＝c|y)表示生成样本y时类别c＝c的概率。

29、一种寒潮大风天气样本扩充系统，包括：

30、提取模块，用以提取样本库原始样本中的温度气象要素和风速气象要素；

31、筛选模块，用以根据温度气象要素和风速气象要素，分别筛选出样本库中的寒潮天气样本和大风天气样本；

32、扩充模块，用以采用生成对抗网络对寒潮天气样本和大风天气样本进行扩充。

33、一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行寒潮大风天气样本扩充方法。

34、一种计算机设备，包括一个或多个处理器、以及一个或多个存储器，一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行寒潮大风天气样本扩充方法的指令。

35、本发明所达到的有益效果：1、本发明提取原始样本中的温度气象要素和风速气象要素，进而筛选出样本库中的寒潮天气样本和大风天气样本，采用生成对抗网络对寒潮天气样本和大风天气样本进行扩充，实现了小样本的扩充，从而保证功率预测精度；2、本发明的生成对抗网络，去掉了判别器的sigmoid函数，采用wasserstein距离代替生成对抗网络的距离分布度量，对判别器提供的梯度范数进行约束，将判别器更新参数的条件约束改为梯度惩罚，当数据分布无重叠或重叠部分可以忽略不计时，可解决梯度消失和模式崩溃的问题；3、本发明在设计判别器损失函数时，将梯度惩罚和多分类标签重建相融合，有助于训练的稳定性和收敛。

技术特征：

1.一种寒潮大风天气样本扩充方法，其特征在于，包括：

2.根据权利要求1所述的寒潮大风天气样本扩充方法，其特征在于，温度气象要素包括时间和温度；

3.根据权利要求1所述的寒潮大风天气样本扩充方法，其特征在于，风速气象要素包括风速；

4.根据权利要求1所述的寒潮大风天气样本扩充方法，其特征在于，生成对抗网络为在传统生成对抗网络基础上改进的网络，改进处包括：

5.根据权利要求4所述的寒潮大风天气样本扩充方法，其特征在于，wasserstein距离衡量真实样本和生成样本的远近程度，公式为：

6.根据权利要求4所述的寒潮大风天气样本扩充方法，其特征在于，梯度惩罚为：

7.根据权利要求4所述的寒潮大风天气样本扩充方法，其特征在于，判别器的损失函数为：

8.一种寒潮大风天气样本扩充系统，其特征在于，包括：

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行权利要求1～7所述的任一方法。

10.一种计算机设备，其特征在于，包括：

技术总结
本发明公开了一种寒潮大风天气样本扩充方法、系统、存储介质及设备，本发明提取原始样本中的温度气象要素和风速气象要素，进而筛选出样本库中的寒潮天气样本和大风天气样本，采用生成对抗网络对寒潮天气样本和大风天气样本进行扩充，实现了小样本的扩充，从而保证功率预测精度。

技术研发人员：唐成虹,王伟,杨冬梅,陈遗志,叶闻杰,刘刚
受保护的技术使用者：国电南瑞科技股份有限公司
技术研发日：
技术公布日：2024/1/15