(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110664511.3 (22)申请日 2021.06.16 (65)同一申请的已公布的文献号 申请公布号 CN 113269314 A (43)申请公布日 2021.08.17 (73)专利权人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 邵振国　张承圣　陈飞雄　张嫣　 许良财　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 丘鸿超　蔡学俊 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 30/27(2020.01) G06F 16/21(2019.01) G06Q 50/06(2012.01) (56)对比文件 CN 10876 3857 A,2018.1 1.06 CN 112232488 A,2021.01.15 CN 111950868 A,2020.1 1.17 EP 3477633 A1,2019.0 5.01 董骁翀等.基 于条件生成对抗网络的可 再生 能源日前场景生成方法. 《中国电机 工程学报》 .2020,第40卷(第17期),全 文. Yize Chen et al. .Model-Fre e Renewable Scenario Generati on Using. 《IEEE TRANSACTIONS ON POWER SYSTE MS》 .2018,第3 3 卷(第3期),全 文. 审查员 解沙沙 (54)发明名称 基于生成对抗网络的新能源发电场景数据 迁移方法 (57)摘要 本发明提出一种基于生成对抗网络的新能 源发电场景数据迁移方法， 以历史数据大规模缺 失的新能源电站为目标电站， 以历史数据完整的 邻近新能源电站为源电站， 通过生成对抗网络模 型学习源电站与 目标电站之间的场景数据映射 关系， 进而根据源电站场景数据， 生成目标电站 场景数据， 且 所生成的数据符合 真实场景数据分 布规律。 仅需建立C ‑DCGAN模型学习目标电站与 源电站数据间的映射关系， 即可将源电站数据进 行处理后迁移至目标电站， 补全目标电站的缺失 数据， 能够更高效地完成数据补全， 简化算法流 程； 通过引入Wasserstein距 离与梯度惩罚函数， 增加了C‑DCGAN模型的稳定性； 提升了数据迁移 的准确度的同时， 减少了构建目标模型的时间， 降低了经济成本与时间成本 。 权利要求书3页 说明书8页 附图1页 CN 113269314 B 2022.10.28 CN 113269314 B 1.一种基于生成对抗网络的新能源发电场景数据迁移方法， 其特征在于， 包括以下步 骤： 步骤S1： 建立C ‑DCGAN模型： 定义历史场景数据为 真实数据， 定义一组随机噪声数据z作为生成器的输入， 以pz(z)表 示z的概率分布， 以pdata(x)表示历史场景数据x的概率分布； 生成器的输出为生成得到的数 据样本G(z)， 概 率分布为pG(z)； 定义判别器网络的输入为历史场景数据x或生成器生成得到的数据样本G(z)， 输出为 一个标量D(G(z) )， 表示输入数据服从历史数据分布pdata(x)的概率； 根据生成器与判别器的训练目标， 分别 构造生成器和判别器的损失函数LG和LD， 并确定 C‑DCGAN训练过程中的目标函数； 步骤S2： 引入Was serstein距离与梯度惩罚函数， 对C ‑DCGAN的目标函数进行转 化； 步骤S3： 将源电站与目标电站的训练样本数据作归一 化处理； 步骤S4： 以源电站的训练样本作为条件y， 与随机噪声拼接后一并输入C ‑DCGAN模型的 生成器， 生成器输出生成样本； 步骤S5： 以源电站的训练样本作为条件y， 与目标电站的训练样本拼接后作为历史数据 样本， 输入C ‑DCGAN模型的判别器； 同时， 将条件y与生成样本拼接后作为生成数据样本， 输 入C‑DCGAN模型的判别器； 判别器输出对历史数据样本和生成数据样本的判别值； 步骤S6： 计算 生成器和判别器的损失函数， 优化更新C ‑DCGAN模型网络参数； 步骤S7： 当训练结束后， 保留C ‑DCGAN中的生成器模型， 确定目标电站缺失时间段， 输入 该时间段源电站历史数据与随机噪声拼接的样本， 生成器输出若干个迁移后的目标电站 新 能源发电场景 数据； 在步骤S1中， 生成器和判别器的损失函数LG和LD分别为： 生成器的优化目标是将式(1 )最小化， 判别器的目标是将式(2)最大化； 将式(1)和式 (2)相结合， 得到 C‑DCGAN训练过程中的目标函数： 步骤S2具体包括以下 过程： Wasserstein距离的定义如下： 式中， Ω(pdata,pG)是以pdata和pG为边缘分布的联合概率分布γ的集合； W(pdata,pG)为 (u,v)～γ期望的下确界， 表示将生成分布pG拟合成真 实分布pdata， 需要将u移动到v的距离， 其中u和v分别表示 从联合分布γ中随机采样的历史样本与生 成样本； 采用其Kant orovich‑权　利　要　求　书 1/3 页 2 CN 113269314 B 2Rubinstein对偶形式来描述 生成样本与真实样本之间的距离： 式中||fD||L≤K表明判别器函数D(x)满足K ‑Lipschitz 连续， 即函数梯度的绝对 值上限 为K； 为了保证梯度不超过限值K， 对式(3)引入判别器函数D(x)在定义域内的梯度惩罚函 数， 使判别器函数D(x)满足K ‑Lipschit z连续， 以描述Wasserstein距离； 此时， C ‑DCGAN的目 标函数转 化为： 在步骤S4中， C ‑DCGAN模型的生成器结构如下 所示： 卷积层1： 32个卷积核， 每个卷积核尺寸为3； 步幅为1； 边缘填充数为1； 归一化函数为 BatchNorm2D； 激活函数为线性整流 函数LeakyReLU； 卷积层2： 64个卷积核， 每个卷积核尺寸为3； 步幅为1； 边缘填充数为1； 归一化函数为 BatchNorm2D； 激活函数为线性整流 函数LeakyReLU； 卷积层3： 4个卷积核， 每个卷积核尺寸为3； 步幅为1； 边缘填充数为1； 归一化函数为 BatchNorm2D； 激活函数为线性整流 函数ReLU； 在步骤S5中， C ‑DCGAN模型的判别器结构如下 所示： 输入层： 64个卷积核， 每 个卷积核尺寸 为3； 步幅为1； 卷积层1： 128个卷积核， 每个卷积核尺寸为4； 步幅为2； 归一化函数为B atchNorm2D； 激 活函数为线性整流 函数LeakyReLU； 卷积层2： 256个卷积核， 每个卷积核尺寸为4； 步幅为2； 归一化函数为B atchNorm2D； 激 活函数为线性整流 函数LeakyReLU； 卷积层3： 512个卷积核， 每个卷积核尺寸为4； 步幅为2； 归一化函数为B atchNorm2D； 激 活函数为线性整流 函数LeakyReLU； 卷积层4： 1024个卷积核， 每个卷积核尺寸为4； 步幅为2； 归一化函数为BatchNorm2D； 激 活函数为线性整流 函数LeakyReLU； 卷积层5： 512个卷积核， 每个卷积核尺寸为3； 步幅为2； 归一化函数为B atchNorm2D； 激 活函数为线性整流 函数LeakyReLU； 卷积层6： 128个卷积核， 每个卷积核尺寸为3； 步幅为1； 归一化函数为B atchNorm2D； 激 活函数为线性整流 函数LeakyReLU； 卷积层7： 512个卷积核， 每个卷积核尺寸为1； 步幅为1； 归一化函数为B atchNorm2D； 激 活函数为线性整流 函数LeakyReLU； 输出层： 稠密 层结构， 包 含1024个神经网络单 元， 1个样本作为输出。 2.根据权利要求1所述的基于生成对抗网络的新能源发电场景数据迁移方法， 其特征 在于： 步骤S3的归一 化公式如下： 权　利　要　求　书 2/3 页 3 CN 113269314 B 3