亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于生成對(duì)抗網(wǎng)絡(luò)的綜合能源負(fù)荷場(chǎng)景生成方法

        2021-12-09 10:28:02朱慶鄭紅娟唐子逸韋思雅鄒子驍吳熙
        電力建設(shè) 2021年12期
        關(guān)鍵詞:方法模型

        朱慶,鄭紅娟,唐子逸,韋思雅,鄒子驍,吳熙

        (1. 國(guó)電南瑞科技股份有限公司,南京市 211106;2. 國(guó)網(wǎng)浙江杭州市余杭區(qū)供電有限公司,杭州市 311100;3. 東南大學(xué)電氣工程學(xué)院,南京市 210096)

        0 引 言

        綜合能源系統(tǒng)是多種能源協(xié)調(diào)形成的產(chǎn)消一體化系統(tǒng),在提高能源利用率,推進(jìn)能源供給改革等方面發(fā)揮了巨大作用[1]。由于數(shù)據(jù)采樣和傳輸過(guò)程中存在不可避免的干擾甚至故障,導(dǎo)致實(shí)際計(jì)量數(shù)據(jù)的丟失或異常,對(duì)基于綜合能源負(fù)荷場(chǎng)景的計(jì)量仿真和規(guī)劃運(yùn)行研究造成很大影響[2],因此亟需一種適用于綜合能源高隨機(jī)和多能耦合特點(diǎn)的場(chǎng)景生成方法。此外,隨著高比例新能源和儲(chǔ)能系統(tǒng)的加入,原本就存在能源耦合的綜合能源系統(tǒng)負(fù)荷場(chǎng)景所面臨的情況更加復(fù)雜[3-4]。

        目前較為常用的場(chǎng)景生成方法是基于統(tǒng)計(jì)模型[5-10]和基于人工智能的方法[11-17]。基于統(tǒng)計(jì)模型的方法主要有馬爾可夫鏈法、時(shí)間序列法、蒙特卡洛法等;基于人工智能的方法主要有生成對(duì)抗網(wǎng)絡(luò)(generative adversarial networks, GAN)方法。基于統(tǒng)計(jì)模型的場(chǎng)景生成方法有賴于實(shí)踐經(jīng)驗(yàn),很難對(duì)系統(tǒng)結(jié)構(gòu)存在差異的綜合能源系統(tǒng)進(jìn)行概率分布的顯式建模。近些年生成對(duì)抗網(wǎng)絡(luò)方法逐漸應(yīng)用于傳統(tǒng)負(fù)荷場(chǎng)景[11-12]、風(fēng)光新能源場(chǎng)景[13-14]和電動(dòng)汽車場(chǎng)景[15]的生成。文獻(xiàn)[13]基于條件卷積生成對(duì)抗網(wǎng)絡(luò),學(xué)習(xí)目標(biāo)新能源電站臨近電站的場(chǎng)景數(shù)據(jù),補(bǔ)充該目標(biāo)電站的缺失數(shù)據(jù)。文獻(xiàn)[14]基于條件生成對(duì)抗網(wǎng)絡(luò)研究可再生能源日前場(chǎng)景生成,提高了風(fēng)電預(yù)測(cè)的準(zhǔn)確性。文獻(xiàn)[15]結(jié)合了聚類算法和改進(jìn)生成對(duì)抗網(wǎng)絡(luò)模型,從而獲得更豐富的電動(dòng)汽車充電電流場(chǎng)景。文獻(xiàn)[16]應(yīng)用了梯度懲罰項(xiàng),以改善生成對(duì)抗網(wǎng)絡(luò)擬合效果、提高風(fēng)電功率場(chǎng)景的生成質(zhì)量。文獻(xiàn)[17]以日期、溫度和歷史數(shù)據(jù)作為條件,提出了一種對(duì)分布式能源隨機(jī)性負(fù)荷建模的條件生成對(duì)抗網(wǎng)絡(luò)模型。

        上述文獻(xiàn)主要研究了電力負(fù)荷場(chǎng)景、電動(dòng)汽車場(chǎng)景、風(fēng)力發(fā)電場(chǎng)景等均為單一類型負(fù)荷場(chǎng)景的生成方法,并不涉及到多元負(fù)荷形式及其相互耦合關(guān)系。本文研究的綜合能源系統(tǒng)負(fù)荷場(chǎng)景涉及到冷、熱、電等多種能源形式,存在多能源系統(tǒng)的耦合以及不同能源之間的交互影響,具有時(shí)序性、高隨機(jī)性和耦合性等特點(diǎn),問(wèn)題的復(fù)雜性使得上述文獻(xiàn)提及的生成方法在本文綜合能源負(fù)荷場(chǎng)景中可用性大大降低。

        本文提出一種結(jié)合基于梯度懲罰優(yōu)化的Wasserstein生成對(duì)抗網(wǎng)絡(luò)模型和深度長(zhǎng)短期記憶(long short-term memory, LSTM)的綜合能源負(fù)荷場(chǎng)景生成方法。首先,模型使用Wasserstein距離和梯度懲罰機(jī)制優(yōu)化負(fù)荷場(chǎng)景中容易出現(xiàn)的梯度消失和模式崩潰的問(wèn)題,提高生成對(duì)抗網(wǎng)絡(luò)的可靠性、穩(wěn)定性和擬合概率分布能力,更適用于隨機(jī)性較高的綜合能源負(fù)荷場(chǎng)景。其次,為更有效地提取場(chǎng)景中的時(shí)序特征,采用深度LSTM網(wǎng)絡(luò)構(gòu)建GAN的生成器和判別器,強(qiáng)化網(wǎng)絡(luò)的時(shí)序特性和非線性擬合能力,使其更能突出綜合能源場(chǎng)景多元負(fù)荷之間的時(shí)序特性和關(guān)聯(lián)性。最后,通過(guò)算例驗(yàn)證所提方法在概率分布、時(shí)序特征和負(fù)荷相關(guān)性方面的生成效果,并與蒙特卡洛法和原始生成對(duì)抗網(wǎng)絡(luò)算法進(jìn)行對(duì)比。

        1 綜合能源負(fù)荷場(chǎng)景

        綜合能源系統(tǒng)的負(fù)荷具有隨機(jī)性,同時(shí)也存在能源之間的相互耦合。多能源耦合使得負(fù)荷之間的關(guān)系比單一能源系統(tǒng)更緊密,某種負(fù)荷用能變化會(huì)對(duì)其他負(fù)荷產(chǎn)生相應(yīng)影響。例如,電負(fù)荷和熱負(fù)荷之間通過(guò)電鍋爐等方式耦合,冷負(fù)荷和電負(fù)荷之間通過(guò)電制冷機(jī)耦合。

        綜合能源系統(tǒng)負(fù)荷的復(fù)雜動(dòng)態(tài)特性、耦合與時(shí)變特性對(duì)建模提出了獨(dú)特的挑戰(zhàn)。一方面,生成負(fù)荷的概率分布要與高隨機(jī)性真實(shí)負(fù)荷保持一致;另一方面,生成負(fù)荷的時(shí)變特性要在幅值、波動(dòng)、峰值等方面有所體現(xiàn)。

        2 改進(jìn)的GAN模型

        2.1 生成對(duì)抗網(wǎng)絡(luò)模型

        生成對(duì)抗網(wǎng)絡(luò)由Ian Goodfellow首次提出[18],其核心思想是生成器和判別器相互競(jìng)爭(zhēng)的納什均衡。在博弈訓(xùn)練過(guò)程中,生成器的生成能力和判別器的判別能力越來(lái)越強(qiáng),直到達(dá)到平衡點(diǎn)為止,此時(shí)判別器無(wú)法對(duì)生成器樣本的真假進(jìn)行判別。生成器和判別器經(jīng)過(guò)相互訓(xùn)練提高生成能力和判別能力的過(guò)程,也即二者探索納什均衡的過(guò)程[19]。

        生成器和判別器的損失函數(shù)可以分別定義為:

        LG=-EZ{D[G(Z,θG),θG]}

        (1)

        LD=-EX{D(Strain,θD)+
        EZ{D[G(Z,θG),θD]}}

        (2)

        式中:LG、LD分別為生成器和判別器的損失函數(shù);θG表示生成器的網(wǎng)絡(luò)參數(shù);θD表示判別器的網(wǎng)絡(luò)參數(shù);G(Z,θG)表示生成器接收隨機(jī)的噪聲Z,通過(guò)不同功能的神經(jīng)元進(jìn)行一系列采樣操作,輸出生成的樣本數(shù)據(jù);D(Strain,θD)和D[G(Z,θG),θD]分別表示訓(xùn)練樣本和生成樣本作為輸入時(shí)判別器的輸出;EZ(·)和EX(·)分別表示對(duì)噪聲分布的期望值和訓(xùn)練樣本分布的期望值。當(dāng)輸入來(lái)自真實(shí)樣本數(shù)據(jù)時(shí),損失函數(shù)LD期望輸出盡可能接近1;當(dāng)輸入來(lái)自生成器生成的樣本時(shí),損失函數(shù)LG期望輸出盡可能接近0。

        根據(jù)GAN的訓(xùn)練規(guī)則,可以分別固定生成器和判別器,形成一個(gè)極大極小博弈問(wèn)題。令GAN網(wǎng)絡(luò)的目標(biāo)函數(shù)為V(G,D),則該博弈問(wèn)題可以表示為:

        (3)

        2.2 Wasserstein GAN

        相關(guān)研究表明,原始GAN模型存在訓(xùn)練不收斂問(wèn)題[2]。訓(xùn)練過(guò)程中生成器和判別器的損失函數(shù)都不會(huì)出現(xiàn)明顯的收斂過(guò)程,模型的訓(xùn)練程度只能通過(guò)觀察生成樣本的好壞間接判斷,缺少直接顯示訓(xùn)練程度的表征。

        為了解決上述問(wèn)題,采用基于Wasserstein距離的WGAN模型進(jìn)行綜合能源負(fù)荷場(chǎng)景生成。Wasserstein距離代表模型訓(xùn)練過(guò)程中負(fù)荷真實(shí)分布與生成分布之間的距離,會(huì)隨網(wǎng)絡(luò)參數(shù)訓(xùn)練不斷收斂。因此Wasserstein距離可以作為算法訓(xùn)練程度和生成質(zhì)量的評(píng)估指標(biāo),用于衡量GAN訓(xùn)練擬合程度和生成負(fù)荷場(chǎng)景概率分布的合理性。

        Wasserstein距離的定義為:

        (4)

        式中:π(x,x′)為滿足p(x)與p(x′)邊緣分布的聯(lián)合概率密度函數(shù);d(x,x′)為場(chǎng)景間距離測(cè)度。

        由于Wasserstein距離的計(jì)算成本較高,在GAN中可以使用Kantorovich-Rubinstein對(duì)偶簡(jiǎn)化Wasserstein距離的計(jì)算,其公式為:

        (5)

        式中:‖f(x)‖L≤1表示f(x)遵循1-Lipschitz函數(shù),其導(dǎo)數(shù)絕對(duì)值上界為1;pr為真實(shí)歷史數(shù)據(jù)的樣本分布;pg為生成對(duì)抗網(wǎng)絡(luò)生成樣本的概率分布;sup(·)函數(shù)是可以求解某條件下最小上邊界的函數(shù)。

        雖然WGAN目標(biāo)函數(shù)使生成器的優(yōu)化更加容易,但是對(duì)于某些特定的輸入,其仍然可能產(chǎn)生低質(zhì)量的樣本,或者在某些設(shè)置下無(wú)法收斂。通過(guò)引入梯度罰分項(xiàng)Gp來(lái)限制生成器和判別器的梯度下降,改善WGAN算法在收斂速度和收斂穩(wěn)定性方面存在的問(wèn)題。

        Gp=λ·Ex′~p(x′){[‖D(x′)‖-1]2}

        (6)

        因此,目標(biāo)函數(shù)V(G,D)轉(zhuǎn)換為:

        (7)

        2.3 基于LSTM的生成器和判別器

        為了確保模型有效捕捉綜合能源負(fù)荷數(shù)據(jù)的時(shí)序特征,挖掘多元負(fù)荷中隱含的相互依賴關(guān)系,本文采用LSTM模型構(gòu)建深度LSTM網(wǎng)絡(luò)設(shè)計(jì)生成器和判別器。由于LSTM內(nèi)部的記憶機(jī)制,深度LSTM模型能夠捕捉時(shí)間相關(guān)性[20],在時(shí)序上反向傳播不容易出現(xiàn)梯度消失,且更適用于綜合能源多元負(fù)荷時(shí)間序列數(shù)據(jù)的非線性和時(shí)序性。

        生成器和判別器結(jié)構(gòu)如圖1所示。生成器和判別器由輸入層、深度LSTM層、全連接層和池化層構(gòu)成,深度LSTM層由多層LSTM模型構(gòu)成。通過(guò)狀態(tài)信息在同層之間、層與層之間的傳遞,該神經(jīng)網(wǎng)絡(luò)理論上能夠應(yīng)對(duì)更復(fù)雜的時(shí)間序列,比淺層架構(gòu)的神經(jīng)網(wǎng)絡(luò)具有更好的泛化效果。

        圖1 生成器和判別器結(jié)構(gòu)Fig.1 Structure of generator and discriminator

        2.4 模型訓(xùn)練

        基于圖1生成對(duì)抗網(wǎng)絡(luò)架構(gòu),構(gòu)建綜合能源負(fù)荷生成模型,具體實(shí)現(xiàn)方法為:1)構(gòu)建淺層架構(gòu)和較少神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)的初始模型,選擇通用超參數(shù)配置以保證收斂的穩(wěn)定性;2)根據(jù)初始模型確定超參數(shù)調(diào)節(jié)閾值,尋找模型最優(yōu)超參數(shù)。為提高生成數(shù)據(jù)質(zhì)量,并在避免過(guò)擬合的前提下保證Wasserstein距離最近,參考文獻(xiàn)[21-23],設(shè)置超參數(shù)閾值如表1所示。

        依據(jù)模型調(diào)參結(jié)果,確定生成器由一個(gè)深度LSTM層和一個(gè)全連接層組成。深度LSTM層具有4個(gè)隱藏層,每層有300個(gè)LSTM單位,全連接層使用了線性整流函數(shù)(rectified linear unit, ReLU)。判別器由一個(gè)深度LSTM層、一個(gè)全連接層和一個(gè)平均池化層組成。LSTM層由4個(gè)隱藏層組成,每層有300個(gè)LSTM單位,全連接層采用ReLU函數(shù)。

        表1 負(fù)荷生成模型的超參數(shù)閾值Table 1 Hyper-parameter threshold of load generation model

        依據(jù)文獻(xiàn)[24-25],生成對(duì)抗網(wǎng)絡(luò)生成器的輸入噪聲分布會(huì)一定程度影響訓(xùn)練收斂速度,考慮到電負(fù)荷波動(dòng)較大,冷熱負(fù)荷波動(dòng)較小,采用N(0,5)分布作為電負(fù)荷模型的噪聲輸入,采用N(0,1)分布作為冷負(fù)荷和熱負(fù)荷的噪聲輸入。

        3 綜合能源多元負(fù)荷場(chǎng)景生成

        3.1 數(shù)據(jù)預(yù)處理

        由于神經(jīng)網(wǎng)絡(luò)的激活函數(shù)在[0, 1]區(qū)間輸入時(shí)具有良好的非線性,因此需要對(duì)數(shù)據(jù)進(jìn)行歸一化。為了保證數(shù)據(jù)量級(jí)的統(tǒng)一,使用最大最小歸一化對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,實(shí)現(xiàn)對(duì)原始數(shù)據(jù)的等比例縮放。每個(gè)數(shù)據(jù)的值被縮放為介于0和1之間的值,如下所示:

        (8)

        3.2 生成步驟

        綜合能源負(fù)荷場(chǎng)景生成模型如圖2所示,生成器基于噪聲Z產(chǎn)生的生成負(fù)荷場(chǎng)景和經(jīng)過(guò)預(yù)處理后的真實(shí)負(fù)荷場(chǎng)景混合在一起傳遞給判別器識(shí)別。判別器根據(jù)原始網(wǎng)絡(luò)參數(shù)和樣本標(biāo)簽計(jì)算損失函數(shù),通過(guò)反向傳播更新網(wǎng)絡(luò)參數(shù)。

        GAN通過(guò)2個(gè)對(duì)抗性網(wǎng)絡(luò)交替訓(xùn)練實(shí)現(xiàn)損失函數(shù)和網(wǎng)絡(luò)權(quán)重的更新。經(jīng)過(guò)算法驗(yàn)證,綜合能源負(fù)荷場(chǎng)景生成中生成器和判別器的訓(xùn)練進(jìn)度以1∶1交替訓(xùn)練時(shí),生成器與判別器的權(quán)重更新速率不匹配。為了確保每次更新生成器時(shí),判別器都有足夠的步數(shù)移動(dòng)到最佳點(diǎn),本文模型中生成器的學(xué)習(xí)率設(shè)置為判別器的5倍[26]。即判別器訓(xùn)練5次,生成器訓(xùn)練一次。不斷重復(fù)上述訓(xùn)練過(guò)程,直至2個(gè)網(wǎng)絡(luò)損失函數(shù)收斂,此時(shí)生成器具備生成逼真樣本的能力。

        圖2 GAN訓(xùn)練流程Fig.2 Training process of generative adversarial networks

        4 算例分析

        4.1 數(shù)據(jù)描述

        本文使用來(lái)自美國(guó)亞利桑那州立大學(xué)Campus Metabolism綜合能源平臺(tái)的每日24 h的電、冷、熱負(fù)荷數(shù)據(jù)構(gòu)建場(chǎng)景集。數(shù)據(jù)的時(shí)間間隔為1 h。

        4.2 模型訓(xùn)練與場(chǎng)景生成

        Wasserstein作為真實(shí)負(fù)荷場(chǎng)景與基于訓(xùn)練集的生成負(fù)荷場(chǎng)景的距離指標(biāo),指導(dǎo)并反映模型的訓(xùn)練程度和訓(xùn)練效果。在訓(xùn)練的早期階段,Wasserstein距離相對(duì)較大,真實(shí)樣本和生成樣本表現(xiàn)出很大的差異,這是因?yàn)樯善鞔藭r(shí)還未學(xué)習(xí)到真實(shí)數(shù)據(jù)的分布。Wasserstein距離隨訓(xùn)練變化情況如圖3所示。隨著訓(xùn)練的進(jìn)行,判別器通過(guò)和生成器的持續(xù)對(duì)抗提升判別能力,Wasserstein距離越來(lái)越小,最終保持在0.01附近波動(dòng)。這表明判別器已經(jīng)無(wú)法準(zhǔn)確判別出樣本的來(lái)源是真實(shí)樣本還是生成樣本,生成器已經(jīng)具備生成擬真樣本的能力。

        圖3 Wasserstein距離隨訓(xùn)練變化情況Fig.3 Wasserstein distance changes with training

        從未被模型學(xué)習(xí)過(guò)的測(cè)試集中隨機(jī)抽取真實(shí)場(chǎng)景,對(duì)多條生成場(chǎng)景進(jìn)行驗(yàn)證。生成場(chǎng)景與真實(shí)場(chǎng)景樣本數(shù)據(jù)比較如圖4所示。本文方法所生成的負(fù)荷場(chǎng)景與真實(shí)樣本基本一致,準(zhǔn)確地捕捉了冷熱電負(fù)荷場(chǎng)景的標(biāo)志性特征,如峰值、谷值和波動(dòng)性。譬如,冷負(fù)荷和熱負(fù)荷波動(dòng)較為平穩(wěn),其分別在15:00、07:00左右到達(dá)用電高峰,04:00、16:00左右到達(dá)用電低谷;電負(fù)荷隨機(jī)性、波動(dòng)性強(qiáng),白天相比夜晚負(fù)荷更高。

        圖4 生成場(chǎng)景與真實(shí)場(chǎng)景樣本數(shù)據(jù)比較Fig.4 Comparison of sample data between generated and real scenarios

        4.3 場(chǎng)景生成質(zhì)量評(píng)估

        綜合能源負(fù)荷生成場(chǎng)景可以從場(chǎng)景集的時(shí)序特性、概率分布特性、冷熱電負(fù)荷之間相關(guān)性3個(gè)方面進(jìn)行評(píng)估。

        1)時(shí)序特性。

        為研究生成場(chǎng)景與真實(shí)場(chǎng)景在時(shí)序特性方面的相關(guān)性,引入自相關(guān)系數(shù)對(duì)比場(chǎng)景的時(shí)序相關(guān)性[27]。自相關(guān)系數(shù)反映了原負(fù)荷序列與滯后τh負(fù)荷序列之間的相關(guān)性,具有驗(yàn)證生成樣本學(xué)習(xí)時(shí)間序列相關(guān)性的能力,可應(yīng)用于場(chǎng)景生成領(lǐng)域。

        本文方法生成場(chǎng)景與真實(shí)場(chǎng)景自相關(guān)系數(shù)比較如圖5所示,在滯后0~10 h的范圍內(nèi),本文方法所生成的冷、熱、電場(chǎng)景和真實(shí)場(chǎng)景的自相關(guān)系數(shù)一致性較高,生成場(chǎng)景的時(shí)序特性滿足真實(shí)場(chǎng)景時(shí)序特性的要求。

        圖5 本文方法生成場(chǎng)景與真實(shí)場(chǎng)景自相關(guān)系數(shù)比較Fig.5 Comparison of autocorrelation between generated and real scenarios

        2)概率分布特性。

        累積分布函數(shù)(cumulative distribution function, CDF)可以直觀表征負(fù)荷場(chǎng)景的概率分布,方便對(duì)比真實(shí)負(fù)荷場(chǎng)景與生成負(fù)荷場(chǎng)景之間的關(guān)系。本文采用累積分布函數(shù)分析生成場(chǎng)景的概率分布特性。

        圖6給出了本文方法、蒙特卡洛法和原始GAN方法生成的多元負(fù)荷場(chǎng)景集與真實(shí)場(chǎng)景集的CDF曲線對(duì)比,本文方法在冷、熱、電負(fù)荷生成中擬合效果最優(yōu)。3種方法對(duì)熱負(fù)荷和冷負(fù)荷的生成結(jié)果在概率分布方面差異較小,這與冷、熱負(fù)荷波動(dòng)小、較穩(wěn)定的特點(diǎn)相一致,蒙特卡洛法用于電負(fù)荷場(chǎng)景生成效果較差,2種GAN方法相對(duì)較優(yōu),這種差異可能是源于電負(fù)荷的高隨機(jī)性和波動(dòng)性,GAN的對(duì)抗式算法擬合概率分布的能力更強(qiáng)。相較于原始GAN算法,本文方法生成的多元負(fù)荷場(chǎng)景集的CDF曲線與真實(shí)場(chǎng)景的擬合度更高,學(xué)習(xí)給定數(shù)據(jù)潛在概率分布的能力更強(qiáng)。

        圖6 生成場(chǎng)景與真實(shí)場(chǎng)景數(shù)據(jù)概率分布特性比較Fig.6 Comparison of probability distribution characteristics between generated and real scenarios

        3)負(fù)荷相關(guān)性。

        綜合能源系統(tǒng)中的冷熱電負(fù)荷間協(xié)調(diào)互補(bǔ)的耦合機(jī)制也是衡量綜合能源負(fù)荷場(chǎng)景的重要指標(biāo),通過(guò)皮爾森(Pearson)相關(guān)系數(shù)ρx,y衡量能源x與能源y之間的相關(guān)性:

        (9)

        式中:cov(x,y)表示x和y之間的協(xié)方差;σx和σy分別表示x和y之間的標(biāo)準(zhǔn)差;μx和μy分別表示x和y的均值。

        真實(shí)場(chǎng)景、本文方法生成場(chǎng)景、原始GAN和蒙特卡洛方法生成場(chǎng)景下的負(fù)荷相關(guān)性如表2—5所示。

        表2 真實(shí)場(chǎng)景下的負(fù)荷相關(guān)性Table 2 Correlation of load in real scenarios

        表3 本文方法生成場(chǎng)景下的負(fù)荷相關(guān)性Table 3 Correlation of load scenarios generated by proposed method

        表4 原始GAN生成場(chǎng)景下的負(fù)荷相關(guān)性Table 4 Correlation of load scenarios generated by original GAN

        表5 蒙特卡洛生成場(chǎng)景下的負(fù)荷相關(guān)性Table 5 Correlation of load scenarios generated by Monte Carlo

        為了更清晰地量化真實(shí)場(chǎng)景與生成場(chǎng)景在多元化方面的真實(shí)程度,定義多元負(fù)荷相關(guān)系數(shù)特征向量v的歐幾里得范數(shù)δ衡量冷熱電相關(guān)系數(shù)特征向量之間的距離:

        (10)

        δ=‖vreal-vgen‖2

        (11)

        式中:ρ1,2、ρ2,3、ρ3,1分別表示某種場(chǎng)景下的電冷、電熱、冷熱相關(guān)系數(shù);vreal、vgen分別表示真實(shí)數(shù)據(jù)和生成數(shù)據(jù)的相關(guān)系數(shù)特征向量。

        本文方法所生成場(chǎng)景與真實(shí)場(chǎng)景的距離為0.053 85,原始GAN生成場(chǎng)景與真實(shí)場(chǎng)景的距離為0.123 69,蒙特卡洛法生成場(chǎng)景與真實(shí)場(chǎng)景的距離為0.393 19,本文方法生成的負(fù)荷場(chǎng)景與真實(shí)場(chǎng)景更接近,生成的場(chǎng)景整體更符合真實(shí)數(shù)據(jù)的相關(guān)性規(guī)律。這說(shuō)明本文的多元負(fù)荷場(chǎng)景生成方法能很好地學(xué)習(xí)到冷熱電負(fù)荷之間的復(fù)雜耦合性,并有很好的泛化效果。

        5 結(jié) 論

        本文提出了一種基于生成對(duì)抗網(wǎng)絡(luò)的綜合能源負(fù)荷場(chǎng)景生成方法。該模型使用帶梯度懲罰的Wasserstein距離作為判別器的損失函數(shù),以適應(yīng)綜合能源負(fù)荷場(chǎng)景中容易出現(xiàn)的梯度消失問(wèn)題。針對(duì)綜合能源負(fù)荷的時(shí)序性和關(guān)聯(lián)性,采用深度LSTM構(gòu)建GAN的生成器和判別器,使生成對(duì)抗網(wǎng)絡(luò)更適用于高隨機(jī)性的時(shí)間序列數(shù)據(jù)生成。通過(guò)真實(shí)負(fù)荷的訓(xùn)練和測(cè)試,結(jié)合原始GAN和蒙特卡洛方法的對(duì)比算例,表明該模型具有以下優(yōu)點(diǎn):

        1)以Wasserstein距離作為網(wǎng)絡(luò)訓(xùn)練程度的指標(biāo),避免了GAN訓(xùn)練的盲目性,提高了場(chǎng)景生成算法的概率分布擬合能力,優(yōu)于蒙特卡洛模型和原始GAN模型,能更穩(wěn)定、更高效率地產(chǎn)生高質(zhì)量場(chǎng)景集;

        2)加入的梯度懲罰項(xiàng)GP提高了算法的穩(wěn)定性,優(yōu)化了GAN訓(xùn)練可能會(huì)出現(xiàn)的梯度消失、梯度爆炸問(wèn)題;

        3)深度LSTM網(wǎng)絡(luò)架構(gòu)強(qiáng)化了生成場(chǎng)景的時(shí)序特性和非線性擬合能力,提高了綜合能源負(fù)荷生成場(chǎng)景與原始場(chǎng)景時(shí)序特征和多能耦合關(guān)系的一致性。

        猜你喜歡
        方法模型
        一半模型
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        學(xué)習(xí)方法
        可能是方法不對(duì)
        3D打印中的模型分割與打包
        用對(duì)方法才能瘦
        Coco薇(2016年2期)2016-03-22 02:42:52
        FLUKA幾何模型到CAD幾何模型轉(zhuǎn)換方法初步研究
        四大方法 教你不再“坐以待病”!
        Coco薇(2015年1期)2015-08-13 02:47:34
        賺錢(qián)方法
        国产三级在线观看性色av| 国精无码欧精品亚洲一区| 国产精品久免费的黄网站| 无码中文字幕久久久久久| 日本岛国一区二区三区四区| 久久99国产精品久久| 精品国内自产拍在线观看| 成在线人视频免费视频| 国产美女一区三区在线观看| 少妇真人直播免费视频| 亚洲欧美日韩人成在线播放| 无码Av在线一区二区三区| 少妇特殊按摩高潮对白| 粉嫩的18在线观看极品精品| 成人偷拍自拍视频在线观看| 亚洲成在人网站av天堂| 久久99热精品这里久久精品| 国产精品农村妇女一区二区三区| 最新中文字幕人妻少妇| 又粗又粗又黄又硬又深色的| 精品国产福利久久久| 一区二区三区四区国产亚洲| 亚洲精品一区久久久久一品av| 欧美第一黄网免费网站| 99亚洲乱人伦精品| 精品国产一区二区三区香| 欧美精品videosex极品| 午夜精品久久久| 亚洲一区二区三区新视频| 亚洲国产婷婷香蕉久久久久久| 女人扒开下面无遮挡| 色噜噜狠狠色综合欧洲| 久亚洲精品不子伦一区| 国产成人精品午夜视频| 日韩精品区欧美在线一区| 国产精品午夜高潮呻吟久久av| 97久久国产亚洲精品超碰热| 97精品伊人久久大香线蕉| 国产美女自拍国语对白| 中文字幕乱码亚洲无限码| 中文国产日韩欧美二视频|