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

背景技術(shù)：

1、在廣域多風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)中，存在著低風(fēng)速與高風(fēng)速小樣本場(chǎng)景歷史風(fēng)電出力及風(fēng)速數(shù)據(jù)稀缺問(wèn)題，導(dǎo)致預(yù)測(cè)模型無(wú)法得到充分訓(xùn)練，進(jìn)而嚴(yán)重影響預(yù)測(cè)精度。在采用傳統(tǒng)方法對(duì)低風(fēng)速與高風(fēng)速的小樣本數(shù)據(jù)進(jìn)行生成時(shí)，不同類(lèi)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(xiǎn)。改善小樣本數(shù)據(jù)生成模型，有助于提高風(fēng)電預(yù)測(cè)精度，提高電力系統(tǒng)穩(wěn)定性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供基于改進(jìn)lsgan的多風(fēng)電場(chǎng)小樣本聯(lián)合場(chǎng)景生成方法，解決現(xiàn)有技術(shù)中存在的采用傳統(tǒng)方法對(duì)低風(fēng)速與高風(fēng)速的小樣本數(shù)據(jù)進(jìn)行生成時(shí)，不同類(lèi)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(xiǎn)的問(wèn)題。

2、本發(fā)明所采用的技術(shù)方案是，基于改進(jìn)lsgan的多風(fēng)電場(chǎng)小樣本聯(lián)合場(chǎng)景生成方法，具體按照以下步驟實(shí)施：

3、s1、定義高風(fēng)速與低風(fēng)速場(chǎng)景劃分標(biāo)準(zhǔn)，并建立lsgan模型；

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

5、s3、通過(guò)改進(jìn)lsgan模型對(duì)多風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行聯(lián)合場(chǎng)景生成。

6、本發(fā)明的特點(diǎn)還在于，

7、s1中高風(fēng)速與低風(fēng)速場(chǎng)景劃分標(biāo)準(zhǔn)為：風(fēng)速距平百分率不小于10％的風(fēng)速為高風(fēng)速場(chǎng)景，風(fēng)速距平百分率小于-10％的風(fēng)速為低風(fēng)速場(chǎng)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(biāo)函數(shù)為：

10、

11、式中，pz(z)為真實(shí)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(diǎn)損失函數(shù)的具體步驟為：

13、焦點(diǎn)損失函數(shù)表示為：

14、

15、式中，pz(z)為真實(shí)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(diǎn)損失函數(shù)加入lsgan模型中進(jìn)行改進(jìn)，具體表示為：

17、

18、式中，α是樣本數(shù)量平衡因子，用來(lái)調(diào)節(jié)正負(fù)樣本的比重，當(dāng)α越接近1時(shí)，正樣本對(duì)損失函數(shù)的貢獻(xiàn)就越大；γ是難易平衡因子，當(dāng)γ越大時(shí)，難分樣本對(duì)損失函數(shù)的貢獻(xiàn)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(guò)擬合，在lsgan模型中生成器g加入dropout層，提取原始樣本細(xì)節(jié)特征,采用正則化dropout方法隨機(jī)忽略生成器部分神經(jīng)元，使之在反向傳播時(shí)不會(huì)更新權(quán)值參數(shù)，在判別器d中加入卷積層，提取原始信號(hào)細(xì)節(jié)特征,通過(guò)權(quán)值共享，卷積層減少lsgan模型訓(xùn)練參數(shù)，利用卷積核對(duì)高、低風(fēng)速小樣本進(jìn)行區(qū)域動(dòng)態(tài)特征提取。

20、s3具體步驟為：

21、通過(guò)改進(jìn)lsgan模型將廣域多風(fēng)電場(chǎng)的多維數(shù)據(jù)重塑為一個(gè)包含全部特征的矩陣作為輸入元組，將其作為改進(jìn)lsgan模型的輸入元組進(jìn)行廣域多風(fēng)電場(chǎng)聯(lián)合場(chǎng)景生成。

22、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

23、本發(fā)明提供的基于改進(jìn)lsgan的多風(fēng)電場(chǎng)小樣本聯(lián)合場(chǎng)景生成方法，在改進(jìn)lsgan模型的輸入端將廣域多風(fēng)電場(chǎng)的多維數(shù)據(jù)重塑為一個(gè)包含全部特征的矩陣作為輸入元組，該矩陣包含廣域多風(fēng)電場(chǎng)輸入的全部特征，將其作為改進(jìn)lsgan模型的輸入進(jìn)行廣域多風(fēng)電場(chǎng)聯(lián)合場(chǎng)景生成，同時(shí)為防止出現(xiàn)過(guò)擬合，在改進(jìn)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(xì)節(jié)特征。采用正則化dropout方法隨機(jī)忽略生成器部分神經(jīng)元，使之在反向傳播時(shí)不會(huì)更新權(quán)值參數(shù)，降低對(duì)神經(jīng)元特定權(quán)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(hào)細(xì)節(jié)特征。通過(guò)權(quán)值共享，卷積層減少模型訓(xùn)練參數(shù)，提高訓(xùn)練效率。同時(shí)，以卷積核對(duì)高、低風(fēng)速小樣本進(jìn)行區(qū)域動(dòng)態(tài)特征提取，能提取出更多細(xì)節(jié)特征，從而提高樣本生成質(zhì)量。

技術(shù)特征：

1.基于改進(jìn)lsgan的多風(fēng)電場(chǎng)小樣本聯(lián)合場(chǎng)景生成方法，其特征在于，具體按照以下步驟實(shí)施：

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)lsgan的多風(fēng)電場(chǎng)小樣本聯(lián)合場(chǎng)景生成方法，其特征在于，s1中所述高風(fēng)速與低風(fēng)速場(chǎng)景劃分標(biāo)準(zhǔn)為：風(fēng)速距平百分率不小于10％的風(fēng)速為高風(fēng)速場(chǎng)景，風(fēng)速距平百分率小于-10％的風(fēng)速為低風(fēng)速場(chǎng)景。

3.根據(jù)權(quán)利要求1所述的基于改進(jìn)lsgan的多風(fēng)電場(chǎng)小樣本聯(lián)合場(chǎng)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(biāo)函數(shù)為：

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

5.根據(jù)權(quán)利要求4所述的基于改進(jìn)lsgan的多風(fēng)電場(chǎng)小樣本聯(lián)合場(chǎng)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(quán)利要求1所述的基于改進(jìn)lsgan的多風(fēng)電場(chǎng)小樣本聯(lián)合場(chǎng)景生成方法，其特征在于，所述s3具體步驟為：

技術(shù)總結(jié)
本發(fā)明公開(kāi)的基于改進(jìn)LSGAN的多風(fēng)電場(chǎng)小樣本聯(lián)合場(chǎng)景生成方法，具體按以下步驟實(shí)施：S1、定義高風(fēng)速與低風(fēng)速場(chǎng)景劃分標(biāo)準(zhǔn)，并建立LSGAN模型；S2、在LSGAN模型加入焦點(diǎn)損失函數(shù)、Dropout層與卷積層，生成改進(jìn)LSGAN模型；S3、通過(guò)改進(jìn)LSGAN模型對(duì)多風(fēng)電場(chǎng)數(shù)據(jù)進(jìn)行聯(lián)合場(chǎng)景生成。本發(fā)明的基于改進(jìn)LSGAN的多風(fēng)電場(chǎng)小樣本聯(lián)合場(chǎng)景生成方法，解決現(xiàn)有技術(shù)中存在的采用傳統(tǒng)方法對(duì)低風(fēng)速與高風(fēng)速的小樣本數(shù)據(jù)進(jìn)行生成時(shí)，不同類(lèi)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(xiǎn)的問(wèn)題。

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