(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211223623.6 (22)申请日 2022.10.08 (71)申请人 国网上海市电力公司 地址 200126 上海市浦东 新区源深路1 122 号 申请人 上海交通大 学 (72)发明人 朱佳男　贺兴　艾芊　黄兴德　 陈赟　 (74)专利代理 机构 上海元好知识产权代理有限 公司 31323 专利代理师 张妍　张静洁 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 50/06(2012.01) G06F 113/06(2020.01) (54)发明名称 一种风力发电场景生成方法 (57)摘要 一 种 风 力 发 电 场 景 生 成 方 法 ，利 用 Wasserstein距 离和梯度惩罚项GP修正生成对 抗 网络GAN， 生成WGAN ‑GP网络， 针对风电场数据基 于WGAN‑GP网络生成单地点风力发电场景和多 地 点风力发电场景， 采用最大均值差异法MMD评价 生成的单地点风电场数据， 采用Pearson系数评 价生成的多地点风电场数据。 本发 明更好的体 现 风力发电机出力的时空相关性， 无需假设数据的 统计规律分布， 对场景采样的过程没有要求， 适 用于多种不同类型的数据集。 权利要求书1页 说明书6页 附图6页 CN 115526104 A 2022.12.27 CN 115526104 A 1.一种风力发电场景生成方法， 其特征在于， 利用Wasserstein距离和梯度 惩罚项GP修 正生成对抗网络GAN， 生成WGAN ‑GP网络， 针对风电场数据基于WGAN ‑GP网络生成单地点风力 发电场景和多地点风力发电场景， 采用最大均值差异法MMD 评价生成的单地点风电场数据， 采用Pearso n系数评价 生成的多地 点风电场数据。 2.如权利要求1所述的风力发电场景生成方法， 其特 征在于， 所述 WGAN‑GP网络的目标函数为： 其中， Pr和Pg分别表示真实数据和生成数据的概率分布， E表示数学期望， x～Pr表示x服 从Pr分布 ， z～Pg 表示z服从 Pg分布 ， D (x) 是 判别器D的 输出 ， 梯度惩 罚项 λ是惩罚系数， 是生成样本和真实样本的随机插值取样， 是判别器D的梯度。 3.如权利要求2所述的风力发电场景生成方法， 其特征在于， 训练所述WGAN ‑GP网络的 方法包含： 将多个风力发电数据按照4比1的比例分为训练集和测试集， 训练判别器以最大 化其区分真假样本的能力， 训练生成器以最大化 其生成样本被判别为真的能力。 4.如权利要求3所述的风力发电场景生成方法， 其特征在于， 所述采用最大均值差异法 MMD评价生成的单地 点风电场数据的方法包 含： 针对单地点的风力发电数据后， 采用最大均值差异法度量生成器产生的样本分布和真 实样本分布之间的距离， 其定义如下： 其中， F是从样本空间映射到实数集的所有函数集合， 取F为再生核希尔伯特空间的单 位球， MMD的大小取决于 差异最大的投影函数f。 5.如权利要求3所述的风力发电场景生成方法， 其特征在于， 所述采用Pearson系数评 价生成的多地 点风电场数据的方法包 含： 对于产生的模拟风力发电数据， 为检验多地点发电的空间相关性， 采用Pearson系数对 历史数据和生成数据进行分析对比， 其定义如下： 其中， xi和yi表示时间序列x和的第i个元 素； 和 表示时间序列的均值。权　利　要　求　书 1/1 页 2 CN 115526104 A 2一种风力 发电场景生成方 法 技术领域 [0001]本发明涉及一种风力发电场景生成方法。 背景技术 [0002]发展可再生能源以成为国际社会的普遍共识， 但是可再生能源本身具有的随机性 和间歇性会给电力系统带来巨大 的冲击。 场景生成方法能将不确定优化转化为确定优化， 为可再生能源的随机优化问题提供有效的解决方案。 基于概率模型的场景生成方法已经被 学术界广泛研究， 采用概率模型 的场景生成方法需要假设风力发电的概率分布， 真实的分 布情况十分复杂难以准确描述。 基于人工智能算法的场景生成方法在计算速度， 生成数据 的准确性上仍有待提高。 现有的场景生成方法大多只考虑单发电机的情况， 未考虑其地理 分布相近时的出力存在相关性的情况。 [0003]这里的陈述仅提供与本发明有关的背景技 术， 而并不必然地构成现有技 术。 发明内容 [0004]本发明的目的在于提供一种风力发电场景生成方法， 更好的体现风力发电机出力 的时空相关性， 无需假设数据的统计规律分布， 对场景采样的过程没有要求， 适用于多种不 同类型的数据集。 [0005]为了达到上述目的， 本 发明提供一种风力发电场景生成方法， 利用Wasserst ein距 离和梯度惩罚项GP修正生 成对抗网络GAN， 生 成WGAN‑GP网络， 针对风电场数据基于WGAN ‑GP 网络生成单地点风力发电场景和多地点风力发电场景， 采用最大均值差异法MMD评价生成 的单地点风电场数据， 采用Pearso n系数评价 生成的多地 点风电场数据。 [0006]所述WGAN‑GP网络的目标函数为： [0007] [0008]其中， Pr和Pg分别表示真实数据和生成数据的概率分布， E表示数学期望， x～Pr表 示x服从Pr分布， z～Pg表示z服从Pg分布， D(x)是判别器D的输出， 梯度惩罚项 λ是惩罚系数， 是生成样本和真实样本的随机插值取样， 是判别器D的梯度。 [0009]训练所述WGAN ‑GP网络的方法包含： 将多个风力发电数据按照4比1的比例分为训 练集和测试集， 训练判别器以最大化其区分真假样本的能力， 训练生成器以最大化其生成 样本被判别为真的能力。 [0010]所述采用最大均值差异法M MD评价生成的单地 点风电场数据的方法包 含： [0011]针对单地点的风力发电数据后， 采用最大均值差异法度量生成器产生的样本分布 和真实样本分布之间的距离， 其定义如下：说　明　书 1/6 页 3 CN 115526104 A 3