[0001] 本发明涉及配电及计算机技术领域，尤其涉及一种间歇性分布式电源在复杂运行场景下的出力建模方法、装置、电子设备及介质。

[0002] 为了提升配电系统和配电设备的容灾能力和可靠性水平，需要模拟配电网复杂运行场景。然而受制于建模复杂度约束，常规仿真模型中往往忽略了环境因素影响和多设备运行动态的相关性，从而无法准确地描述复杂运行场景下系统自组织临界特性和连锁反应机制，影响了系统态势评估和预测准确性，削弱了故障机理分析和推理的全面性。为此本专利提出基于对抗生成网络的配电网运行复杂场景生成的方法，通过对分布式电源不确定性的模拟，形成知识完备的配电网运行场景集合，支撑配电网态势预测和推演应用。复杂场景仿真的一块重要因素为间歇性分布式电源(distributed generation，DG，如风力发电和光伏电池)的输出功率受气候环境影响很大，具有明显的不确定性、随机性以及波动性，会影响电力系统的正常运行。

[0003] 对间歇性分布式电源的运行场景的精确模拟进行了不少研究，取得了许多理论和实践方面的成果，有研究者以供电公司的总成本最小为优化目标，给出了市场条件下间歇性分布式电源复杂场景的出力数据模拟模型，并采用启发式方法求解；有研究者以最大化有功输出为目标函数，将间歇性分布式电源的出力、线路的热稳定极限等作为约束，形成数学模型，然后利用线性规划方法求解该模型；有研究者针对风电机组出力的随机性以及负荷的不确定性，将机会约束规划应用于DWG的复杂场景的出力数据模拟中，采用随机潮流判断规划方案是否违反节点电压约束和支路功率传输约束；有研究者提出等效网损微增率的概念，并采用该概念指标计算得到的间歇性分布式电源的最优配置位置，能确保间歇性分布式电源接入配电网后系统的网损最小，且同时考虑评价间歇性分布式电源效益的电压、网损和环境效益3个指标，将间歇性分布式电源复杂场景的出力数据模拟转化为一个多目标非线性规划问题。

[0004] 现有技术存在间歇性分布式电源出力的不确定性进行建模方法中，概率建模方法需要准确描述不确定性因素，而实际工程仅能获取部分统计信息，很难得到精准的概率分布，且其忽略了间歇性分布式电源出力的时序特性；鲁棒优化方法过于保守，不能较好地平衡规划方案的经济性与安全性；传统的人工智能方法场景生成技术较难捕捉到高维数据的非线性特征，存在一定局限性，还可能偏离实际场景。目前建模方法没有考虑任何先验信息，导致生成对抗网络训练方向易丧失，训练效果差且不稳定。

[0054] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特有的意义。因此，“模块”、“部件”或“单元”可以混合地使用。“第一”、“第二”等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。在本后续的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

[0055] 如图1所示，本发明实施例提供了系统示意图，其包括客户端100和服务端200，在一些实施例中，服务端200响应于客户端100建模请求，获取间歇性分布式电源的第一数据，其中的第一数据为历史实测数据、噪声数据及类别标签中的至少一种；服务器200将第一数据通过深度神经生成对抗网络执行处理，得到第一数据的出力曲线；服务器200对出力曲线采用混合高斯模型确定其上限和下限；服务器200根据出力曲线及出力曲线的上限和下限调整深度神经生成对抗网络的配置，得到出力数据模拟。

[0056] 示例性的，其中的客户端可以是PC、网页、智能移动终端等设备。

[0057] 参考图2，其示例了间歇性分布式电源在复杂运行场景下的出力建模方法，包括但不限于步骤S100～S400：

[0058] S100，响应于建模请求，获取间歇性分布式电源的第一数据，第一数据用于表征历史实测数据、噪声数据及类别标签中的至少一种。

[0059] 在一些实施例中，类别标签数据为历史实测数据按场景分类时产生的标签信息，每条历史实测数据具有对应的类别标签数据，类别标签数据的场景包括时间、地点、机组标识号及分布式电源的特性数据中的至少一种。

[0060] 示例性地，每一条实测数据都有对应的类别标签，其代表指定的场景，如具体的月份、地址、机组号、风速、辐照度等等，其中风速和辐照度分别表示风力发电及太阳能发电的特性数据。

[0061] 传统的数据生成时由于没有考虑任何先验信息，导致训练方向易丧失，训练效果差且不稳定。通过本实施例的技术方案，通过加入了辅助类别信息，并将该类别信息作为数据生成和判别输入的一部分，从而可以生成指定类别的数据，并在数据判别时将类别判断作为基础，使得生成对抗网络的训练方向能够沿同一个方向进行迭代，提升训练效果。

[0062] S200，将第一数据通过深度神经生成对抗网络执行处理，得到第一数据的出力曲线。

[0063] 示例性地，参考图3，其示例了深度神经生成对抗网络生成的流程示意图，其包括但不限于：

[0064] S210，创建基于生成对抗网络的极大极小化博弈模型，生成对抗网络包括生成器及判别器；

[0065] 在一些实施例中，GAN由生成器G和判别器D两部分组成，G是一个数据生成器，能将简单的特征分布映射至高维空间，产生尽可能逼近真实数据的分布，D同时接收来自G合成的出力数据G(z)和从历史数据中采样得到的真实数据x，并尽可能最大化两者的差别，G与D两者不断博弈，最终达到一个“纳什均衡”状态，可以通过以下公式概括整个GAN网络的极大极小化博弈模型：

[0066]

[0067] S220，在生成器设置上采样神经网络，在判别器设置下采样神经网络；

[0068] 在一些实施例中，在G中设置上采样神经网络，用于生成高分辨率的出力样本，以便对出力样本进行时间对齐；在D中加入了下采样的神经网络层，以便对输入的历史实测数据和模拟测试数据进行下采样，用来对输入信号进行压缩，方便后续进行特征判别。

[0069] S230，对生成对抗网络执行训练，得到深度神经生成对抗网络。

[0070] 在一些实施例中，在训练过程中，随着迭代进行，G通过调整网络的权值提高生成数据与真实数据的相似度，同时D也通过学习提升判别能力，经过反复迭代，到训练完毕时，得到的DGAN将可用于对出力场景进行模拟。

[0071] 在一些实施例中，参考图4所示的生成对抗网络的处理流程图，将历史实测数据、噪声数据和类别标签数据导入改进的深度神经生成对抗网络，利用改进的深度神经生成对抗网络生成历史实测数据对应的出力曲线。

[0072] 本实施例的深度生成对抗网络(deep generative adversarial networks，DGAN)是对GAN的改进，它将深度神经网络引入GAN的结构中，基于深度神经网络较强的特征提取能力来提升GAN生成的数据质量。实测数据具有丰富的特征，DGAN的特点正好适用于提取出动态特征，以构建准确的出力曲线。生成对抗网络(generative adversarial networks，GAN)是一种深度学习模型，通过训练真实数据集来拟合模型，隐式地学习数据的概率分布，GAN用于评价生成模型的整体效果。

[0073] 示例性的，参考图5，其示例了深度神经生成对抗网络数据处理流程示意图，包括但不限于步骤S240～S260：

[0074] S240，将类别标签分别输入至生成器及判别器。

[0075] 在一些实施例中，DGAN在训练过程中额外加入了类别标签数据，数据可以是具体的月份、地址、机组号、风速、辐照度等等，并将该信息作为G和D输入的一部分，从而可以生成指定类别的数据，并在数据判别时将类别判断作为基础。改进条件DGAN的价值函数调整如下：

[0076]

[0077] 其中y即为辅助标签数据信息。

[0078] S250，通过生成器对噪声数据进行标幺化处理，利用标幺化处理后的噪声数据构建噪声数据向量，在噪声数据向量中插入类别标签，形成生成器跨域向量，将生成器跨域向量输入生成器，得到生成数据；

[0079] S260，通过判别器对历史实测数据进行标幺化处理，利用标幺化处理后的历史实测数据构建实测数据向量，在实测数据向量中与类别标签拼接,形成判别器跨域向量，将判别器跨域向量和生成数据输入到判别器进行处理，得到出力曲线。

[0080] 在一些实施例中，具体的输入数据处理为：

[0081] (1)生成器G的输入数据处理：对噪声数据进行标幺化处理，利用标幺化处理后的噪声数据构建噪声数据向量，在噪声数据向量中插入类别标签y,形成G跨域向量，将G跨域向量输入生成器G，得到生成的数据G(z)，G(z)也是以向量形式表达；

[0082] (2)对判别器D的输入数据处理：对历史实测数据进行标幺化处理，利用标幺化处理后的历史实测数据构建实测数据向量，在实测数据向量中与类别标签y拼接,形成D跨域向量，将D跨域向量和生成的数据G(z)输入到判别器D进行处理。

[0083] S300，对出力曲线采用混合高斯模型确定其上限和下限。

[0084] 在一些实施例中，参考图6，其示例了混合高斯模型处理流程示意图。包括但不限于步骤S310～S320：

[0085] S310，使用深度神经生成对抗网络生成多个出力曲线，将多个出力曲线通过结合高斯混合模型进行聚类，生成多个曲出力线集；

[0086] 在一些实施例中，得到DGAN模型后，固定类别标签中的信息，使用DGAN模型生成大量的出力曲线。生成的出力曲线通过结合高斯混合模型(Gaussian mixture model，GMM)进行聚类，生成若干个处出力线集。

[0087] S320，根据曲出力线集选取其中所包括的最大出力曲线上限和下限。

[0088] 在一些实施例中，GMM通过多个高斯函数的组合来有效地逼近任一连续的概率分布，其概率分布函数如下：

[0089] 通过多个高斯函数的组合逼近任一连续的概率分布，其概率分布函数为：

[0090]

[0091]

[0092]

[0093] 其中，αs代表第s个高斯分模型的权重，M为高斯分模型数量， 为高斯混合模型的参数，μs为均值， 代表方差

[0094] S400，根据出力曲线及出力曲线的上限和下限调整深度神经生成对抗网络的配置，得到出力数据模拟。

[0095] 在一些实施例中，针对不同的出力曲线集，通过取其中的最大出力曲线上限和下限，得到在该情况下的上下出力曲线边界。通过结合模拟配电网的故障，即可完成复杂运行场景的模拟。

[0096] 通过本发明实施例的技术方案，其至少具有以下有益效果：在生成对抗网络结构上采用了深度生成对抗网络DGAN，在生成器G和判别器D都加入神经网络，基于神经网络较强的特征提取能力来提升GAN生成的数据质量，以及提升GAN特征判别能力；在生成对抗网络训练时加入了类别标签，并将类别标签作为数据生成和判别输入的一部分，通过类别标签引导，使得生成对抗网络的训练方向能够沿同一个方向进行迭代，提升训练效果；在得到出力曲线后，通过结合高斯混合模型GMM计算每一个类别标签对应的出力的上下限，通过结合出力曲线和出力的上下限来进行DG复杂场景的出力数据模拟。

[0097] 图7是本发明实施例的间歇性分布式电源在复杂运行场景下的出力建模分析装置图。该装置包括了数据采集模块710、生成对抗模块720、混合高斯模块730及出力模拟模块740。

[0098] 装置包括：数据采集模块，用于根据建模请求，获取间歇性分布式电源的第一数据，第一数据用于表征历史实测数据、噪声数据及类别标签中的至少一种；生成对抗模块，用于将第一数据通过深度神经生成对抗网络执行处理，得到第一数据的出力曲线；混合高斯模块，用于对出力曲线采用混合高斯模型确定其上限和下限；出力模拟模块，用于根据出力曲线及出力曲线的上限和下限调整深度神经生成对抗网络的配置，得到出力数据模拟。

[0099] 示例性地，通过装置中的数据采集模块、生成对抗模块、混合高斯模块及出力模拟模块的合作下，实施例装置可以实现前述的任意一种间歇性分布式电源在复杂运行场景下的出力建模方法，即获取间歇性分布式电源的第一数据，第一数据用于表征历史实测数据、噪声数据及类别标签中的至少一种；将第一数据通过深度神经生成对抗网络执行处理，得到第一数据的出力曲线；对出力曲线采用混合高斯模型确定其上限和下限；根据出力曲线及出力曲线的上限和下限调整深度神经生成对抗网络的配置，得到出力数据模拟。通过本发明实施例的技术方案，其至少具有以下有益效果：在生成对抗网络结构上采用了深度生成对抗网络DGAN，在生成器G和判别器D都加入神经网络，基于神经网络较强的特征提取能力来提升GAN生成的数据质量，以及提升GAN特征判别能力；在生成对抗网络训练时加入了类别标签，并将类别标签作为数据生成和判别输入的一部分，通过类别标签引导，使得生成对抗网络的训练方向能够沿同一个方向进行迭代，提升训练效果；在得到出力曲线后，通过结合高斯混合模型GMM计算每一个类别标签对应的出力的上下限，通过结合出力曲线和出力的上下限来进行DG复杂场景的出力数据模拟。

[0100] 本发明实施例还提供了一种电子设备，该电子设备包括处理器以及存储器；

[0101] 存储器存储有程序；

[0102] 处理器执行程序以执行前述的间歇性分布式电源在复杂运行场景下的出力建模方法；该电子设备具有搭载并运行本发明实施例提供的间歇性分布式电源在复杂运行场景下的出力建模的软件系统的功能，例如，个人计算机(Personal Computer，PC)、手机、智能手机、个人数字助手(Personal Digital Assistant，PDA)、可穿戴设备、掌上电脑PPC(Pocket PC)、平板电脑等。

[0103] 本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的间歇性分布式电源在复杂运行场景下的出力建模方法。

[0104] 在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

[0105] 本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前述的间歇性分布式电源在复杂运行场景下的出力建模方法。

[0106] 此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

[0107] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0108] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

[0109] 计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

[0110] 应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

[0111] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

[0112] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

[0113] 以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。