本技術(shù)涉及人工智能，特別涉及一種月度源荷隨機場景生成方法和系統(tǒng)。

背景技術(shù)：

1、電力系統(tǒng)是未來我國達(dá)成雙碳戰(zhàn)略目標(biāo)的重要載體，推動其朝著低碳化演進對促進能源結(jié)構(gòu)轉(zhuǎn)型以及實現(xiàn)電網(wǎng)的可持續(xù)發(fā)展有著重要意義。隨著以風(fēng)光為主體的新能源發(fā)電以及各類柔性負(fù)荷在電力系統(tǒng)中的占比不斷提升，傳統(tǒng)的單一源/荷場景已難以滿足電力系統(tǒng)中運行模擬、規(guī)劃調(diào)度對于處理不確定性的需求，因此如何考量新型電力系統(tǒng)源荷兩側(cè)的隨機波動性，對源荷功率進行準(zhǔn)確模擬以保障電網(wǎng)安全運行十分重要。

2、場景生成法是量化源荷不確定性的有效方法之一，可用于構(gòu)建符合時序特征的源荷隨機場景。隨機場景根據(jù)時間維度可劃分成超短期、短期和中長期場景，其中中長期尺度通常以單位月或年為時序總長，以天或小時為時間顆粒度。月度源荷場景作為一種評估中長期尺度下源荷不確定性的手段，可為火電、水電、風(fēng)光等電源的月度發(fā)電計劃合理化、考慮中長期電力電量平衡的隨機運行模擬、月度靈活性資源調(diào)度以及優(yōu)化機組檢修計劃等提供重要依據(jù)。

3、場景生成法可分為基于先驗分布假設(shè)的統(tǒng)計學(xué)法與基于數(shù)據(jù)驅(qū)動的非參深度學(xué)習(xí)法?，F(xiàn)有研究中直接生成的月度源荷場景的質(zhì)量較差，目前缺少選用合理的場景生成方法對月度源荷場景進行準(zhǔn)確建模，以提高場景精度。

4、現(xiàn)有技術(shù)中，針對月度場景高維變量建模困難問題，主要通過采用生成式網(wǎng)絡(luò)進行場景生成的方法實現(xiàn)。具體地，首先選擇合適的生成式網(wǎng)絡(luò)，例如時序生成對抗網(wǎng)絡(luò)(sequential?generative?adversarial?networks,sgan)、自變分編碼器(variationalauto-encoder,vae)等，然后根據(jù)月度下隨機變量維度高的特點，進行高維變量拆分處理，設(shè)計相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)。其次，將歷史的源或荷功率曲線數(shù)據(jù)輸入到網(wǎng)絡(luò)中，網(wǎng)絡(luò)學(xué)習(xí)生成與歷史數(shù)據(jù)統(tǒng)計特征相似的源荷耦合場景，通過損失函數(shù)調(diào)整網(wǎng)絡(luò)參數(shù)，以提高網(wǎng)絡(luò)最終的場景生成效果，生成單日風(fēng)/光場景，再依次拼接得到月度場景。最后，利用訓(xùn)練好的網(wǎng)絡(luò)模型，生成大量的時序場景，并通過場景約簡方法得到典型月度場景。這種方法沒有考慮中長期尺度下源荷聯(lián)合場景生成。受長期趨勢影響，當(dāng)時間尺度上升到月度時，源荷之間的互動關(guān)系更為動態(tài)，風(fēng)光出力與負(fù)荷需求的不確定性相互影響，對源或荷單獨建模無法滿足場景的精度需求，且順序拼接單日場景的方法可能無法深入挖掘月度場景下相鄰日之間的相關(guān)性，難以充分表達(dá)時序特征。因此，導(dǎo)致現(xiàn)有此方法中直接生成的月度場景質(zhì)量較差。

5、現(xiàn)有技術(shù)在存在考慮氣象對源荷功率的影響，根據(jù)氣象信息對源荷功率曲線進行建模，預(yù)測未來電力系統(tǒng)中風(fēng)光出力和負(fù)荷大小的方法。具體地，首先根據(jù)氣象數(shù)據(jù)對源荷功率曲線進行聚類。然后采用多層感知機(multilayer?perceptron,mlp)進行建模，設(shè)計相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)。其次，將歷史的源荷功率曲線數(shù)據(jù)和對應(yīng)的氣象分類標(biāo)簽輸入到網(wǎng)絡(luò)中，網(wǎng)絡(luò)學(xué)習(xí)生成與對應(yīng)標(biāo)簽的歷史數(shù)據(jù)統(tǒng)計特征相似的月度場景，通過損失函數(shù)調(diào)整網(wǎng)絡(luò)參數(shù)，以提高網(wǎng)絡(luò)最終的場景生成效果。最后，利用訓(xùn)練好的網(wǎng)絡(luò)模型，輸入相應(yīng)的氣象標(biāo)簽，生成對應(yīng)氣象情況的單一月度源荷場景。此方法缺少考慮中長期尺度下天氣的高混沌性對預(yù)測精度有較大影響，單一確定性場景無法充分表征不確定性特征，且受限于mlp的簡單結(jié)構(gòu)，較難處理高維變量問題，模型的泛化能力與生成能力受到一定限制。

技術(shù)實現(xiàn)思路

1、本技術(shù)針對現(xiàn)有技術(shù)的缺陷，提供了一種月度源荷隨機場景生成方法和系統(tǒng)，能夠通過對風(fēng)-光-荷時序序列的縱向拼接和多時間尺度卷積模塊的特性，增強網(wǎng)絡(luò)對源荷各自時序特征和相關(guān)性的提取能力。

2、為了實現(xiàn)以上發(fā)明目的，本技術(shù)采取的技術(shù)方案如下：

3、一種月度源荷隨機場景生成方法，包括以下步驟：

4、收集源荷數(shù)據(jù)，包括：風(fēng)電功率、光電功率、負(fù)荷功率，并按月度時序整理成數(shù)據(jù)集；

5、確定所述數(shù)據(jù)集的數(shù)據(jù)分辨率和時間間隔；

6、設(shè)計生成器和判別器的網(wǎng)絡(luò)結(jié)構(gòu)，使生成器和判別器互為鏡像；

7、判別器接受真實樣本的數(shù)據(jù)分辨率隨判別器網(wǎng)絡(luò)的層數(shù)增加而增加；

8、生成器通過漸進增長生成由低分辨率向高分辨率逐步增長的場景集；

9、在低維隱空間內(nèi)捕捉月、周下的日級別時序基本模式和趨勢；

10、隨著訓(xùn)練進行，逐漸增加數(shù)據(jù)分辨率、減小場景的時間間隔，以最終實現(xiàn)月度源荷場景生成；

11、在生成場景過程中，根據(jù)相同時刻作為拼接條件，將不同源荷的實測數(shù)據(jù)按順序匹配后進行拼接；

12、采用多層卷積提取采樣點功率值和時序特征，并利用滑動窗口特性捕捉不同數(shù)據(jù)源之間的相互關(guān)系；

13、生成器最終輸出月度源荷場景；

14、在生成器和判別器中采用leaky?relu作為激活函數(shù)；

15、使用帶梯度懲罰項的wasserstein距離作為損失函數(shù)。

16、進一步地，所述確定所述數(shù)據(jù)集的數(shù)據(jù)分辨率和時間間隔，具體如下：以風(fēng)電、光電、負(fù)荷三維時序序列、時間間隔24h、每月30天，為起始源荷數(shù)據(jù)分辨率。

17、進一步地，所述訓(xùn)練進行中隨訓(xùn)練的深入，逐漸增加數(shù)據(jù)分辨率，依次逐步向3×45、3×90、3×180、3×360、3×720的數(shù)據(jù)分辨率漸進增長，時間間隔t由24h依次向16h、8h、4h、2h、1h減小。

18、進一步地，訓(xùn)練進行中，引入漸進式增長機制，通過對上一層數(shù)據(jù)的上采樣及對下一層數(shù)據(jù)的下采樣，將插值法與卷積過程結(jié)合，隨訓(xùn)練次數(shù)的遞進，以某一固定速率α線性勻速平滑式地增加數(shù)據(jù)分辨率，如下式所示：

19、

20、式中：αi為第i層向第i+1層的增長速率；b為網(wǎng)絡(luò)訓(xùn)練小批次數(shù)；b為數(shù)據(jù)集總批次數(shù)；ei為第i層網(wǎng)絡(luò)訓(xùn)練輪次數(shù)；訓(xùn)練網(wǎng)絡(luò)時α從0增長到1，增長一層數(shù)據(jù)分辨率完畢后重新置0。

21、進一步地，所述生成器的卷積激活運算如下式所示：

22、

23、式中：yig表示生成器中第i層輸出；表示生成器中第i層的卷積核；n表示特征歸一化操作；

24、所述判別器的卷積激活運算如下式所示：

25、

26、式中：yid表示判別器中第i層輸出；表示判別器中第i層的卷積核。

27、進一步地，設(shè)計卷積結(jié)構(gòu)和網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，具體如下所示：

28、卷積結(jié)構(gòu)參數(shù)如下：

29、econv1：通道數(shù)：128，卷積核：1×3，步長：1×1，填充：0×1；

30、econv2：通道數(shù)：128，卷積核：1×5，步長：1×1，填充：0×2；

31、econv3：通道數(shù)：128，卷積核：1×7，步長：1×1，填充：0×3；

32、漸進式增長生成對抗網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如下：

33、生成器g：

34、輸出形狀：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為卷積名稱；

36、判別器d：

37、輸出形狀：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表示經(jīng)均衡學(xué)習(xí)率處理的卷積層與線性層，其中，econv1、econv2、econv3為卷積層名稱。

39、本技術(shù)還公開了一種月度源荷隨機場景生成系統(tǒng)，包括：

40、數(shù)據(jù)準(zhǔn)備模塊：負(fù)責(zé)收集源荷數(shù)據(jù)，包括風(fēng)電、光電和負(fù)荷數(shù)據(jù)，并按照月度時序整理成數(shù)據(jù)集；此模塊還負(fù)責(zé)確定數(shù)據(jù)集的數(shù)據(jù)分辨率和時間間隔；

41、pggan模型設(shè)計模塊：

42、設(shè)計生成器和判別器的網(wǎng)絡(luò)結(jié)構(gòu)，使生成器和判別器互為鏡像；

43、判別器接受真實樣本的數(shù)據(jù)分辨率隨判別器網(wǎng)絡(luò)的層數(shù)增加而增加；

44、生成器通過漸進增長生成由低分辨率向高分辨率逐步增長的場景集；

45、訓(xùn)練網(wǎng)絡(luò)模塊：在低維隱空間內(nèi)捕捉月、周下的日級別時序基本模式和趨勢；

46、隨著訓(xùn)練進行，逐漸增加數(shù)據(jù)分辨率、減小場景的時間間隔，以最終實現(xiàn)月度源荷場景生成；

47、生成場景模塊：在生成場景過程中，根據(jù)相同時刻作為拼接條件，將不同源荷的實測數(shù)據(jù)按順序匹配后進行拼接；采用多層卷積提取采樣點功率值和時序特征，并利用滑動窗口特性捕捉不同數(shù)據(jù)源之間的相互關(guān)系；生成器最終輸出月度源荷場景；

48、網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)設(shè)計模塊：設(shè)計卷積結(jié)構(gòu)和網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，包括通道數(shù)、卷積核、步長、填充；根據(jù)不同時間間隔下的源荷時序特性設(shè)計相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)；

49、激活函數(shù)和損失函數(shù)調(diào)用模塊：在生成器和判別器中采用leaky?relu作為激活函數(shù)，使用帶梯度懲罰項的wasserstein距離作為損失函數(shù)；

50、優(yōu)化訓(xùn)練模塊：使用均衡學(xué)習(xí)率、特征歸一化、小批次標(biāo)準(zhǔn)差特有訓(xùn)練策略以穩(wěn)定模型迭代過程。

51、進一步地，所述月度源荷隨機場景生成系統(tǒng)，還包括結(jié)果呈現(xiàn)和顯示模塊：提供用戶界面，用于顯示生成的月度源荷場景；

52、允許用戶對比生成的場景與歷史數(shù)據(jù)或其他場景，以評估生成場景的質(zhì)量和準(zhǔn)確性；

53、提供參數(shù)調(diào)整功能，允許用戶調(diào)整模型參數(shù)或輸入條件，并實時預(yù)覽生成的場景。

54、本技術(shù)還公開了一種計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述的月度源荷隨機場景生成方法。

55、本技術(shù)還公開了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，該程序被處理器執(zhí)行時實現(xiàn)上述的月度源荷隨機場景生成方法。

56、與現(xiàn)有技術(shù)相比，本技術(shù)的優(yōu)點在于：

57、通過收集并整理源荷數(shù)據(jù)集，并確定所述數(shù)據(jù)集的數(shù)據(jù)分辨率和時間間隔，使得生成的場景能夠覆蓋不同維度的電力系統(tǒng)行為，提高了模型的逼真度和實用性。

58、利用漸進增長生成機制，從低分辨率逐步向高分辨率生成場景，使得模型能夠逐步學(xué)習(xí)復(fù)雜的數(shù)據(jù)特征，從而提高了生成場景的質(zhì)量和準(zhǔn)確度。

59、采用多層卷積提取采樣點功率值和時序特征，以及利用滑動窗口特性捕捉不同數(shù)據(jù)源之間的相互關(guān)系，有助于模型更好地理解和模擬源荷數(shù)據(jù)的變化規(guī)律，提高了生成場景的真實性和多樣性。

60、在生成器和判別器中采用leaky?relu作為激活函數(shù)，以及使用帶梯度懲罰項的wasserstein距離作為損失函數(shù)，有助于穩(wěn)定模型的訓(xùn)練過程，提高了生成場景的穩(wěn)定性和收斂速度。

61、將生成的月度源荷場景應(yīng)用于實際的電力系統(tǒng)規(guī)劃、運營決策、電量交易等領(lǐng)域，為電力系統(tǒng)的長期分析和決策提供了可靠的參考依據(jù)，提高了電力系統(tǒng)的可靠性和經(jīng)濟性。