一种月度源荷随机场景生成方法和系统与流程

本技术涉及人工智能，特别涉及一种月度源荷随机场景生成方法和系统。

背景技术：

1、电力系统是未来我国达成双碳战略目标的重要载体，推动其朝着低碳化演进对促进能源结构转型以及实现电网的可持续发展有着重要意义。随着以风光为主体的新能源发电以及各类柔性负荷在电力系统中的占比不断提升，传统的单一源/荷场景已难以满足电力系统中运行模拟、规划调度对于处理不确定性的需求，因此如何考量新型电力系统源荷两侧的随机波动性，对源荷功率进行准确模拟以保障电网安全运行十分重要。

2、场景生成法是量化源荷不确定性的有效方法之一，可用于构建符合时序特征的源荷随机场景。随机场景根据时间维度可划分成超短期、短期和中长期场景，其中中长期尺度通常以单位月或年为时序总长，以天或小时为时间颗粒度。月度源荷场景作为一种评估中长期尺度下源荷不确定性的手段，可为火电、水电、风光等电源的月度发电计划合理化、考虑中长期电力电量平衡的随机运行模拟、月度灵活性资源调度以及优化机组检修计划等提供重要依据。

3、场景生成法可分为基于先验分布假设的统计学法与基于数据驱动的非参深度学习法。现有研究中直接生成的月度源荷场景的质量较差，目前缺少选用合理的场景生成方法对月度源荷场景进行准确建模，以提高场景精度。

4、现有技术中，针对月度场景高维变量建模困难问题，主要通过采用生成式网络进行场景生成的方法实现。具体地，首先选择合适的生成式网络，例如时序生成对抗网络(sequential generative adversarial networks,sgan)、自变分编码器(variationalauto-encoder,vae)等，然后根据月度下随机变量维度高的特点，进行高维变量拆分处理，设计相应的网络结构。其次，将历史的源或荷功率曲线数据输入到网络中，网络学习生成与历史数据统计特征相似的源荷耦合场景，通过损失函数调整网络参数，以提高网络最终的场景生成效果，生成单日风/光场景，再依次拼接得到月度场景。最后，利用训练好的网络模型，生成大量的时序场景，并通过场景约简方法得到典型月度场景。这种方法没有考虑中长期尺度下源荷联合场景生成。受长期趋势影响，当时间尺度上升到月度时，源荷之间的互动关系更为动态，风光出力与负荷需求的不确定性相互影响，对源或荷单独建模无法满足场景的精度需求，且顺序拼接单日场景的方法可能无法深入挖掘月度场景下相邻日之间的相关性，难以充分表达时序特征。因此，导致现有此方法中直接生成的月度场景质量较差。

5、现有技术在存在考虑气象对源荷功率的影响，根据气象信息对源荷功率曲线进行建模，预测未来电力系统中风光出力和负荷大小的方法。具体地，首先根据气象数据对源荷功率曲线进行聚类。然后采用多层感知机(multilayer perceptron,mlp)进行建模，设计相应的网络结构。其次，将历史的源荷功率曲线数据和对应的气象分类标签输入到网络中，网络学习生成与对应标签的历史数据统计特征相似的月度场景，通过损失函数调整网络参数，以提高网络最终的场景生成效果。最后，利用训练好的网络模型，输入相应的气象标签，生成对应气象情况的单一月度源荷场景。此方法缺少考虑中长期尺度下天气的高混沌性对预测精度有较大影响，单一确定性场景无法充分表征不确定性特征，且受限于mlp的简单结构，较难处理高维变量问题，模型的泛化能力与生成能力受到一定限制。

技术实现思路

1、本技术针对现有技术的缺陷，提供了一种月度源荷随机场景生成方法和系统，能够通过对风-光-荷时序序列的纵向拼接和多时间尺度卷积模块的特性，增强网络对源荷各自时序特征和相关性的提取能力。

2、为了实现以上发明目的，本技术采取的技术方案如下：

3、一种月度源荷随机场景生成方法，包括以下步骤：

4、收集源荷数据，包括：风电功率、光电功率、负荷功率，并按月度时序整理成数据集；

5、确定所述数据集的数据分辨率和时间间隔；

6、设计生成器和判别器的网络结构，使生成器和判别器互为镜像；

7、判别器接受真实样本的数据分辨率随判别器网络的层数增加而增加；

8、生成器通过渐进增长生成由低分辨率向高分辨率逐步增长的场景集；

9、在低维隐空间内捕捉月、周下的日级别时序基本模式和趋势；

10、随着训练进行，逐渐增加数据分辨率、减小场景的时间间隔，以最终实现月度源荷场景生成；

11、在生成场景过程中，根据相同时刻作为拼接条件，将不同源荷的实测数据按顺序匹配后进行拼接；

12、采用多层卷积提取采样点功率值和时序特征，并利用滑动窗口特性捕捉不同数据源之间的相互关系；

13、生成器最终输出月度源荷场景；

14、在生成器和判别器中采用leaky relu作为激活函数；

15、使用带梯度惩罚项的wasserstein距离作为损失函数。

16、进一步地，所述确定所述数据集的数据分辨率和时间间隔，具体如下：以风电、光电、负荷三维时序序列、时间间隔24h、每月30天，为起始源荷数据分辨率。

17、进一步地，所述训练进行中随训练的深入，逐渐增加数据分辨率，依次逐步向3×45、3×90、3×180、3×360、3×720的数据分辨率渐进增长，时间间隔t由24h依次向16h、8h、4h、2h、1h减小。

18、进一步地，训练进行中，引入渐进式增长机制，通过对上一层数据的上采样及对下一层数据的下采样，将插值法与卷积过程结合，随训练次数的递进，以某一固定速率α线性匀速平滑式地增加数据分辨率，如下式所示：

19、

20、式中：αi为第i层向第i+1层的增长速率；b为网络训练小批次数；b为数据集总批次数；ei为第i层网络训练轮次数；训练网络时α从0增长到1，增长一层数据分辨率完毕后重新置0。

21、进一步地，所述生成器的卷积激活运算如下式所示：

22、

23、式中：yig表示生成器中第i层输出；表示生成器中第i层的卷积核；n表示特征归一化操作；

24、所述判别器的卷积激活运算如下式所示：

25、

26、式中：yid表示判别器中第i层输出；表示判别器中第i层的卷积核。

27、进一步地，设计卷积结构和网络结构参数，具体如下所示：

28、卷积结构参数如下：

29、econv1：通道数：128，卷积核：1×3，步长：1×1，填充：0×1；

30、econv2：通道数：128，卷积核：1×5，步长：1×1，填充：0×2；

31、econv3：通道数：128，卷积核：1×7，步长：1×1，填充：0×3；

32、渐进式增长生成对抗网络结构参数如下：

33、生成器g：

34、输出形状：noise：100，elinear：128×3×30，econv1：128×3×30，upsample：128×3×45，econv1：128×3×45，econv1：128×3×45，upsample：128×3×90，econv1：128×3×90，econv1：128×3×90，upsample：128×3×180，econv2：128×3×180，econv2：128×3×180，upsample：128×3×360，econv2：128×3×360，econv2：128×3×360，upsample：128×3×720，econv3：128×3×720，econv3：128×3×720；

35、其中，econv1、econv2、econv3为卷积名称；

36、判别器d：

37、输出形状：real sample：1×3×720，from scenario：128×3×720，econv3：128×3×720，downsample：128×3×30，econv1：128×3×30，to scenario：1×3×720，elinear：1；

38、其中econv、elinear表示经均衡学习率处理的卷积层与线性层，其中，econv1、econv2、econv3为卷积层名称。

39、本技术还公开了一种月度源荷随机场景生成系统，包括：

40、数据准备模块：负责收集源荷数据，包括风电、光电和负荷数据，并按照月度时序整理成数据集；此模块还负责确定数据集的数据分辨率和时间间隔；

41、pggan模型设计模块：

42、设计生成器和判别器的网络结构，使生成器和判别器互为镜像；

43、判别器接受真实样本的数据分辨率随判别器网络的层数增加而增加；

44、生成器通过渐进增长生成由低分辨率向高分辨率逐步增长的场景集；

45、训练网络模块：在低维隐空间内捕捉月、周下的日级别时序基本模式和趋势；

46、随着训练进行，逐渐增加数据分辨率、减小场景的时间间隔，以最终实现月度源荷场景生成；

47、生成场景模块：在生成场景过程中，根据相同时刻作为拼接条件，将不同源荷的实测数据按顺序匹配后进行拼接；采用多层卷积提取采样点功率值和时序特征，并利用滑动窗口特性捕捉不同数据源之间的相互关系；生成器最终输出月度源荷场景；

48、网络结构与参数设计模块：设计卷积结构和网络结构参数，包括通道数、卷积核、步长、填充；根据不同时间间隔下的源荷时序特性设计相应的网络结构；

49、激活函数和损失函数调用模块：在生成器和判别器中采用leaky relu作为激活函数，使用带梯度惩罚项的wasserstein距离作为损失函数；

50、优化训练模块：使用均衡学习率、特征归一化、小批次标准差特有训练策略以稳定模型迭代过程。

51、进一步地，所述月度源荷随机场景生成系统，还包括结果呈现和显示模块：提供用户界面，用于显示生成的月度源荷场景；

52、允许用户对比生成的场景与历史数据或其他场景，以评估生成场景的质量和准确性；

53、提供参数调整功能，允许用户调整模型参数或输入条件，并实时预览生成的场景。

54、本技术还公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的月度源荷随机场景生成方法。

55、本技术还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的月度源荷随机场景生成方法。

56、与现有技术相比，本技术的优点在于：

57、通过收集并整理源荷数据集，并确定所述数据集的数据分辨率和时间间隔，使得生成的场景能够覆盖不同维度的电力系统行为，提高了模型的逼真度和实用性。

58、利用渐进增长生成机制，从低分辨率逐步向高分辨率生成场景，使得模型能够逐步学习复杂的数据特征，从而提高了生成场景的质量和准确度。

59、采用多层卷积提取采样点功率值和时序特征，以及利用滑动窗口特性捕捉不同数据源之间的相互关系，有助于模型更好地理解和模拟源荷数据的变化规律，提高了生成场景的真实性和多样性。

60、在生成器和判别器中采用leaky relu作为激活函数，以及使用带梯度惩罚项的wasserstein距离作为损失函数，有助于稳定模型的训练过程，提高了生成场景的稳定性和收敛速度。

61、将生成的月度源荷场景应用于实际的电力系统规划、运营决策、电量交易等领域，为电力系统的长期分析和决策提供了可靠的参考依据，提高了电力系统的可靠性和经济性。