[发明专利]一种少样本生成式对抗学习网络的云储能系统控制方法

权利要求书

1.一种少样本生成式对抗学习网络的云储能系统控制方法，其特征在于，该方法将少样本学习方法和生成式对抗网络方法结合，用于云储能系统控制决策，能在不依赖大样本数据情况下对负荷进行精准预测并优化控制云储能系统；所提方法在使用过程中的主要步骤为：

步骤(1)：将本发明提出的少样本学习方法用于提取数据特征并扩充训练样本；

步骤(2)：将本发明提出的生成式对抗网络方法用于电力负荷预测；

步骤(3)：将本发明提出的方法应用于云储能系统的优化控制。

2.如权利要求1所述的一种少样本生成式对抗学习网络的云储能系统控制方法，其特征在于，所述步骤(1)中少样本学习方法引入主动学习构建对训练数据需求量更小的高效模型，挑选出典型特征并利用未标记数据来扩充现有的训练样本集，以此达到最优训练样本集的目的，所提方法模型的理想化训练目标是：

在训练中为了提高计算效率，此模型将上式逼近最大化：

其中T为标签的最大数量，(S,E)表示从某个分布D中采样的一个事件，π(S,T)表示在支持集S上展开T个步骤的策略模型，主动学习策略π会产生一些中间状态{(S₁,s₁),...,(S_T,s_T)}，是支持集中未标记项的预测奖励。

3.如权利要求1所述的一种少样本生成式对抗学习网络的云储能系统控制方法，其特征在于，所述步骤(2)中提出的生成式对抗网络方法为条件生成式对抗网络，历史电力负荷数据提供给生成器和鉴别器作为条件，均值为0标准差为1的高斯分布中采样的噪声向量作为生成器的输入，判别器对预测值进行判断使生成器生成的预测值x_t+1一步步逼近真实值,对预测值x_t+1的全部概率分布进行建模，需要精确地再现数据分布，所以选择相对熵散度来评价模型的性能，所提方法的目标函数为：

相对熵评估函数为：

其中P和Q为不同数据集的概率分布。

4.如权利要求所述的一种少样本生成式对抗学习网络的云储能系统控制方法，其特征在于，所述步骤(3)中的云储能系统决策优化模型包括不同区域用户充放电行为模型和云储能系统控制决策，先获取所有云储能用户的充放电需求；然后，基于成本最小优化云储能系统充放电策略，所提方法中单个用户的储能行为模型如下：

决策优化的目标函数如下：

其中和分别为用户在t时段所需求的充电功率和放电功率；和分别为t时段电网电价、低谷电价、高峰电价和平时电价；和分别为用户的云储能充放电效率；和分别为云储能的储能剩余容量最高和最低限值；和分别为(t-1)和t时段结束时刻云储能的剩余容量；Δt为时间间隔；和分别为购买的储能功率和储能容量的最大限值；α和β分别为储能单位功率购买成本和单位容量购买成本。