[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

说明书

本发明提出一种少样本生成式对抗学习网络的云储能系统控制方法。该方法将少样本学习方法和生成式对抗网络方法进行结合，用于云储能系统的控制。首先，所提方法中少样本学习方法主要用于历史电力数据的浅层特征提取，同时扩充原始数据样本。其次，所提方法中生成式对抗网络方法主要利用少样本学习方法提取的特征和扩充的数据实现短期电力负荷的精准预测。最后，云储能系统决策优化模型根据预测的负荷实现最优控制。所提方法能够较好地解决当前电网数据真实样本不足的问题，实现电力负荷精确预测，优化控制分布式云储能系统与储能装置间的功率流动，提高能源利用效率。

技术领域

本发明属于电力系统发电控制领域，涉及一种结合式的人工智能方法的云储能系统控制方法，适用于电力系统云储能系统的控制。

背景技术

在未来电力系统发展趋势下，大量分布式电源与分布式储能协同运行，储能容量的空置率使得云储能系统应运而生。因此，研究云储能系统在电力需求侧的应用意义重大。其中，基于精准电力负荷预测是云储能系统有效运行的关键。与传统电网相比，云储能系统用户规模相对较小，电力数据相对较少，系统电力负荷日前精准预测难度进一步增加。

近年来，机器学习发展迅猛，其在负荷预测领域的应用日益增多。反向传播神经网络，其结构简单，运用广泛。循环神经网络模型通过在不同层级之间的隐藏层之间建立联系，从而赋予了循环神经网络模型对于前时间输入信息的“记忆”功能，使循环神经网络模型能够较好处理时序问题。长短期记忆神经网络模型通过独特的门控制结构，在一定程度上能够避免梯度消失，可更好地处理时序序列问题。时间卷积网络直接去掉了门机制，拥有并行性、内存低和梯度稳定的特点，比长短期记忆神经网络更胜一筹。但是，上述研究通常建立在大规模历史数据的基础上，在历史样本规模极小时难以适用。

在小样本情况下，少样本学习方法表现较好，并且可以有效地分析出样本的分布规律。再利用生成式对抗网络方法能够较好地解决时间序列预测问题。因此，本发明将少样本学习方法和生成式对抗网络方法结合。所提方法能在少量训练样本的情况下实现日前电力负荷精准预测，同时优化云储能系统控制模型，利用预测负荷使云储能系统做出最优控制决策。

发明内容

本发明提出一种少样本生成式对抗学习网络的云储能系统控制方法。该方法将少样本学习方法和生成式对抗网络方法应用到云储能系统控制中，实现日前电力负荷预测并将数据发送给云储能系统优化控制模块，以此控制分布式云储能系统与储能装置间的功率流动。

本发明在少样本学习方法的基础上提出一种主动学习算法模型。通过自适应地选择有标记的支持集来解决每个任务，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。本发明模型改进训练片段的行为以便在训练中对没有遇到的测试片段实现最优化学习。

在每一集中该模型都与支持集S交互,这一支持集包括模型x和对应的模型要求的标签y以及一个定义相似的评估集E。设S_t表示t个标签序列查询后的标记项和未标记项的联合集。实值向量s_t表示学习t个标签后模型的控制状态，R(E,S_t,s_t)表示模型在根据t个标签查询后收到的信息在评估集预测标签时所获得的奖励。

预测奖励定义如下:

在主动学习的每一步中，此模型都要求从集合中得到一个输入样本x的标签并做出响应，更新从s_t-1到s_t的状态。模型对测试样本的预测值以及模型下一步选择的标签由S_t和s_t决定。

模型的理想化训练目标是: