本發(fā)明屬于小樣本場景生成，具體涉及基于改進lsgan的多風電場小樣本聯(lián)合場景生成方法。

背景技術：

1、在廣域多風電場風電功率預測中，存在著低風速與高風速小樣本場景歷史風電出力及風速數(shù)據(jù)稀缺問題，導致預測模型無法得到充分訓練，進而嚴重影響預測精度。在采用傳統(tǒng)方法對低風速與高風速的小樣本數(shù)據(jù)進行生成時，不同類別的小樣本數(shù)據(jù)概率密度函數(shù)差異大，存在模式崩潰的危險。改善小樣本數(shù)據(jù)生成模型，有助于提高風電預測精度，提高電力系統(tǒng)穩(wěn)定性。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供基于改進lsgan的多風電場小樣本聯(lián)合場景生成方法，解決現(xiàn)有技術中存在的采用傳統(tǒng)方法對低風速與高風速的小樣本數(shù)據(jù)進行生成時，不同類別的小樣本數(shù)據(jù)概率密度函數(shù)差異大，存在模式崩潰危險的問題。

2、本發(fā)明所采用的技術方案是，基于改進lsgan的多風電場小樣本聯(lián)合場景生成方法，具體按照以下步驟實施：

3、s1、定義高風速與低風速場景劃分標準，并建立lsgan模型；

4、s2、在lsgan模型加入焦點損失函數(shù)、dropout層與卷積層，生成改進lsgan模型；

5、s3、通過改進lsgan模型對多風電場數(shù)據(jù)進行聯(lián)合場景生成。

6、本發(fā)明的特點還在于，

7、s1中高風速與低風速場景劃分標準為：風速距平百分率不小于10％的風速為高風速場景，風速距平百分率小于-10％的風速為低風速場景。

8、s1中建立lsgan模型的具體步驟為：

9、建立lsgan模型，其lsgan的目標函數(shù)為：

10、

11、式中，pz(z)為真實數(shù)據(jù)的分布；pdata(x)為最優(yōu)解；為樣本分布為pdata(x)，x的期望；為樣本分布pz(z)，z的期望，g為生成器g，d為判別器。

12、s2中在lsgan模型加入焦點損失函數(shù)的具體步驟為：

13、焦點損失函數(shù)表示為：

14、

15、式中，pz(z)為真實數(shù)據(jù)的分布；pdata(x)為最優(yōu)解；為樣本分布為pdata(x)，x的期望；為樣本分布pz(z)，z的期望，g為生成器，d為判別器；

16、將焦點損失函數(shù)加入lsgan模型中進行改進，具體表示為：

17、

18、式中，α是樣本數(shù)量平衡因子，用來調節(jié)正負樣本的比重，當α越接近1時，正樣本對損失函數(shù)的貢獻就越大；γ是難易平衡因子，當γ越大時，難分樣本對損失函數(shù)的貢獻越大。

19、s2中在lsgan模型加入dropout層與卷積層的具體步驟為：為防止出現(xiàn)過擬合，在lsgan模型中生成器g加入dropout層，提取原始樣本細節(jié)特征,采用正則化dropout方法隨機忽略生成器部分神經(jīng)元，使之在反向傳播時不會更新權值參數(shù)，在判別器d中加入卷積層，提取原始信號細節(jié)特征,通過權值共享，卷積層減少lsgan模型訓練參數(shù)，利用卷積核對高、低風速小樣本進行區(qū)域動態(tài)特征提取。

20、s3具體步驟為：

21、通過改進lsgan模型將廣域多風電場的多維數(shù)據(jù)重塑為一個包含全部特征的矩陣作為輸入元組，將其作為改進lsgan模型的輸入元組進行廣域多風電場聯(lián)合場景生成。

22、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

23、本發(fā)明提供的基于改進lsgan的多風電場小樣本聯(lián)合場景生成方法，在改進lsgan模型的輸入端將廣域多風電場的多維數(shù)據(jù)重塑為一個包含全部特征的矩陣作為輸入元組，該矩陣包含廣域多風電場輸入的全部特征，將其作為改進lsgan模型的輸入進行廣域多風電場聯(lián)合場景生成，同時為防止出現(xiàn)過擬合，在改進lsgan模型的生成器中加入dropout層；在判別器中加入卷積層，提取更多原始樣本細節(jié)特征。采用正則化dropout方法隨機忽略生成器部分神經(jīng)元，使之在反向傳播時不會更新權值參數(shù)，降低對神經(jīng)元特定權值敏感性，提升模型的泛化能力。此外，在判別器中加入卷積層，使其提取更多原始信號細節(jié)特征。通過權值共享，卷積層減少模型訓練參數(shù)，提高訓練效率。同時，以卷積核對高、低風速小樣本進行區(qū)域動態(tài)特征提取，能提取出更多細節(jié)特征，從而提高樣本生成質量。

技術特征：

1.基于改進lsgan的多風電場小樣本聯(lián)合場景生成方法，其特征在于，具體按照以下步驟實施：

2.根據(jù)權利要求1所述的基于改進lsgan的多風電場小樣本聯(lián)合場景生成方法，其特征在于，s1中所述高風速與低風速場景劃分標準為：風速距平百分率不小于10％的風速為高風速場景，風速距平百分率小于-10％的風速為低風速場景。

3.根據(jù)權利要求1所述的基于改進lsgan的多風電場小樣本聯(lián)合場景生成方法，其特征在于，s1中所述建立lsgan模型的具體步驟為：建立lsgan模型，lsgan模型的目標函數(shù)為：

4.根據(jù)權利要求3所述的基于改進lsgan的多風電場小樣本聯(lián)合場景生成方法，其特征在于，s2中所述在lsgan模型加入焦點損失函數(shù)的具體步驟為：

5.根據(jù)權利要求4所述的基于改進lsgan的多風電場小樣本聯(lián)合場景生成方法，其特征在于，s2中所述在lsgan模型加入dropout層與卷積層的具體步驟為：

6.根據(jù)權利要求1所述的基于改進lsgan的多風電場小樣本聯(lián)合場景生成方法，其特征在于，所述s3具體步驟為：

技術總結
本發(fā)明公開的基于改進LSGAN的多風電場小樣本聯(lián)合場景生成方法，具體按以下步驟實施：S1、定義高風速與低風速場景劃分標準，并建立LSGAN模型；S2、在LSGAN模型加入焦點損失函數(shù)、Dropout層與卷積層，生成改進LSGAN模型；S3、通過改進LSGAN模型對多風電場數(shù)據(jù)進行聯(lián)合場景生成。本發(fā)明的基于改進LSGAN的多風電場小樣本聯(lián)合場景生成方法，解決現(xiàn)有技術中存在的采用傳統(tǒng)方法對低風速與高風速的小樣本數(shù)據(jù)進行生成時，不同類別的小樣本數(shù)據(jù)概率密度函數(shù)差異大，存在模式崩潰危險的問題。

技術研發(fā)人員：黃南天,唐立鵬,李炳玲,孫赫宏,王瑤瑤
受保護的技術使用者：東北電力大學
技術研發(fā)日：
技術公布日：2024/12/19