一种基于条件生成对抗网络的表后光伏分解方法与流程

1.本发明涉及表后光伏分解技术领域，尤其是指基于条件生成对抗网络的表后光伏分解方法。


背景技术：

2.低碳排放是当今世界各国电力系统转型升级的主题。与光伏发电厂不同，容量小于10kw的光伏一般直接安装在电表后，无直接的光伏表测量，所以被称为表后光伏。随着表后光伏安装容量的增多，由于这部分的发电量电网公司无法感知，容易增加系统运行损耗，降低电能质量，引发逆潮流问题，缩短电网设备寿命等。
3.已有的表后光伏分解方法可取得一定的效果，但基于模型的方法依赖于精确的物理模型，部分数据在实际中难以获得，如光伏板的容量、位置、光照强度、温度等。现有研究中主要利用区域内地面气象站或卫星的光照强度测量信息。但是，光照强度观测量最准确的范围是与测量点相距50m内，且城市中高楼林立，各用户光伏板的遮挡情况相差较大，故地面气象站的光照强度值误差较大。而基于卫星获得的光照强度难以估计云量的影响，误差同样较大。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述存在的问题，提出了本发明。
6.因此，本发明解决的技术问题是：现有方法依赖于精确的光伏物理模型，仅能能粗略估计部分在实际运行中难以获得的参数，建模误差较大，实用性低，而无需基于模型的数据驱动方法研究十分有限；同时，大部分方法将光照强度、温度等外部信息作为表后光伏分解的输入，而在实际应用中仅能使用区域的环境信息进行近似，难以实现于单个用户的准确光伏分解，目前缺少无需外部信息的数据驱动方法。
7.为解决上述技术问题，本发明提供如下技术方案：一种基于条件生成对抗网络的表后光伏分解方法，包括：
8.收集表后光伏智能电表数据以及光伏独立表计的光伏出力有功功率测量数据；
9.对收集的数据进行处理，生成时间编码序列，构建表后光伏分解数据集；
10.将所述分解数据集随机抽取片段起始点，对应以序列-子序列的形式转换为训练数据集；
11.构建带有时间编码的表后光伏分解模型，并进行训练，计算表后光伏的实时分解结果。
12.作为本发明所述的基于条件生成对抗网络的表后光伏分解方法的一种优选方案，其中：所述对数据进行处理为：
13.计算收集到的数据的相邻采样点的差分值进行异常值判断并按设定的规则处理，分别基于智能电表数据与光伏出力有功功率数据的均值与标准差进行归一化。
14.所述异常值判断为：
15.th
p
＜|p
i-p
i-1
|,i＝1,2,...,num
p
16.thg＜|g
j-g
j-1
|,j＝1,2,...,numg17.其中，th
p
表示智能电表数据的阈值，thg光伏出力有功功率数据的阈值，pi与p
i-1
分别表示智能电表序列数据的第i个与第i-1个序列点数值，gj与g
j-1
分别表示光伏出力有功功率序列数据第j个与第j-1个序列点数值，num
p
表示智能电表序列数据的序列点总数，numg表示光伏出力有功功率序列数据的序列点总数，当绝对值大于阈值时，判断为异常值。
18.所述设定的规则处理包括：按日期统计序列各天的异常值个数num
out
，若num
out
小于则将异常值向前替换为采样时间最近的正常值，若num
out
大于且小于则将异常值替换为当天序列点的均值，若num
out
大于则删除该天的智能电表序列数据与光伏出力有功功率序列数据。
19.作为本发明所述的基于条件生成对抗网络的表后光伏分解方法的一种优选方案，其中：所述归一化，表示为：
[0020][0021][0022]
所述生成时间编码序列为：根据智能电表数据与光伏出力有功功率数据的统一采样间隔计算单天的采样点个数numd，对应各天生成-1～1之间序列点数目为numd的等间隔序列，组成时间编码序列t。
[0023]
作为本发明所述的基于条件生成对抗网络的表后光伏分解方法的一种优选方案，其中：所述训练数据集包括：设定序列长度为l
seq
，子序列长度为l
subseq
，对于第k个选定的片段起始点的索引idxk，截取idxk至idxk+l
seq
的智能电表数据片段，idxk+l
seq-l
subseq
至idxk+l
seq
的光伏出力有功功率数据片段，idxk至idxk+l
seq
的时间编码序列数据片段作为一组训练数据样本；对各随机选取的片段起始点进行切割，组成训练数据集。
[0024]
作为本发明所述的基于条件生成对抗网络的表后光伏分解方法的一种优选方案，其中：所述分解模型为：
[0025]
模型架构为条件生成对抗网络，包含一个生成器与一个判别器；
[0026]
其中生成器由一维卷积层与mish激活函数组成子模块，由num
block
个子模块堆叠组成特征提取模块，后接全连接层实现特征提取模块提取的时序特征至表后光伏出力的映射；生成器的输入为序列-子序列形式的智能电表数据片段与时间编码序列片段，时间编码序列片段经时序编码的全连接层与mish激活函数映射后与智能电表数据片段的对应位置相乘作为生成器后续网络的输入。
[0027]
判别器由全连接层与mish激活函数交替组成，判别器的输入为序列-子序列形式的智能电表数据片段、时间编码序列片段与光伏出力有功功率数据片段，智能电表数据片
段与经时序编码的全连接层与mish激活函数映射后的时间编码序列片段的对应位置相乘，再与光伏出力有功功率数据片段进行横向拼接作为判别器后续网络的输入，判别器实现对光伏出力有功功率数据是否为生成器生成的判断，
[0028]
所述mish激活函数，表示为：
[0029]
mish(x)＝x
·
tanh(ln(1+e
x
)
[0030]
其中，x表示mish激活函数的输入。
[0031]
作为本发明所述的基于条件生成对抗网络的表后光伏分解方法的一种优选方案，其中：所述带有学习率衰减的训练包括：
[0032]
先设定生成器与判别器的训练初始学习率与，训练中每迭代num
epoch
次后对初始学习率乘以衰减率rated进行学习率衰减；训练中最小化的损失函数为表后光伏出力有功功率真实值与表后光伏出力有功功率估计值的l1损失与条件生成对抗网络的对抗损失，
[0033]
生成器的损失函数loss
gen
如下式所示：
[0034][0035]
其中，n为训练数据集的总样本数，dis(
·
)指判别器模型，gen(
·
)指生成器模型，po与to分别指第o条样本的智能电表数据片段与时间编码序列片段，g
oj
与g
oj
分别指第o条样本第j个序列点的表后光伏出力有功功率真实值与表后光伏出力有功功率估计值，
[0036]
判别器的损失函数loss
dis
如下式所示：
[0037][0038]
其中，go指第o条样本的光伏出力有功功率数据片段。
[0039]
作为本发明所述的基于条件生成对抗网络的表后光伏分解方法的一种优选方案，其中：所述读取智能电表数据包括：查询当前时刻序列点的表后光伏出力时，往前截取l
seq
个智能电表数据序列点，各序列点减去均值mean
p
后除以标准差std
p
进行归一化，按权利要求1所述生成时间编码序列片段。
[0040]
所述计算表后光伏的实时分解结果包括：将归一化后的l
seq
个智能电表数据序列点与对应的时间编码序列片段输入训练得到的生成器，输出当前时刻往前l
subseq
个序列点，各序列点乘以标准差stdg后与均值meang相加得到表后光伏出力有功功率估计值。
[0041]
作为本发明所述的基于条件生成对抗网络的表后光伏分解方法的一种优选方案，其中：数据收集模块，负责收集表后光伏智能电表数据以及光伏独立表计的光伏出力有功功率测量数据，传输到数据处理模块；
[0042]
数据处理模块，对收集到的数据进行异常值检测并修正和归一化处理，并将经过处理的数据转化为时间编码序列，将转化后的数据传输到数据集构建模块；
[0043]
数据集构建模块，将时间编码序列划分为若干个子序列，并构建表后光伏分解数据集，随机抽取片段起始点，对应以序列-子序列的形式分别对各数据进行切割，转换为训练数据集，传输到分解模型设计与训练模块；
[0044]
分解模型设计与训练模块，负责设计带有时间编码的表后光伏分解模型，并对其进行带有学习率衰减的训练，将训练好的模型传输到实时分解模块；
[0045]
实时分解模块，将训练好的分解模型应用到实际的表后光伏数据中，读取智能电表数据，并计算出实时的分解结果。
[0046]
作为本发明所述的基于条件生成对抗网络的表后光伏分解方法的一种优选方案，其中：存储器和处理器，所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于条件生成对抗网络的表后光伏分解方法的步骤。
[0047]
作为本发明所述的基于条件生成对抗网络的表后光伏分解方法的一种优选方案，其中：一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于条件生成对抗网络的表后光伏分解方法的步骤。
[0048]
本发明的有益效果：本发明提出了一种纯数据驱动的表后光伏分解方法，无需依赖于精确的物理模型以及外部天气信息，实用性强；本发明基于条件生成对抗网络构建光伏分解模型，通过判别器学习光伏出力的高频信息，由生成器学习光伏出力的低频信息，采样一维卷积实现时序信息的自动提取，相比于现有数据驱动模型更能适应光伏出力随机性强、波动性高的特点；本发明的输入-输出结构为仅使用过去信息的因果式序列-子序列结构，兼顾了光伏分解性能与计算效率，更适合实时光伏分解的应用需要。
附图说明
[0049]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0050]
图1为本发明一个实施例提供的一种基于条件生成对抗网络的表后光伏分解方法的逻辑流程示意图；
[0051]
图2为本发明一个实施例提供的一种基于条件生成对抗网络的表后光伏分解方法的表后光伏分解模型结构图；
[0052]
图3为本发明第二个实施例提供的一种基于条件生成对抗网络的表后光伏分解方法在不同气候区进行表后光伏分解的效果图。
具体实施方式
[0053]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0054]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0055]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方
式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0056]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0057]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0058]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0059]
实施例1
[0060]
参照图1，为本发明的一个实施例，提供了一种基于条件生成对抗网络的表后光伏分解方法，包括：
[0061]
s1：收集表后光伏智能电表数据以及光伏独立表计的光伏出力有功功率测量数据。
[0062]
应说明的是，表后光伏指安装在住宅内部电路中的光伏发电设备，发电功率小于10kw，仅能通过智能电表采集其与住宅中其它用电设备混叠的数据，电网侧无法直接感知表后光伏的发电量。
[0063]
光伏独立表计指直接与光伏发电设备相连接的数据采集终端，单独实时记录光伏设备发出的有功功率，智能电表数据与光伏出力有功功率数据的采样间隔不大于30分钟；在具体实施中，采样间隔可选为30分钟。
[0064]
s2：对收集的数据进行处理，生成时间编码序列，构建表后光伏分解数据集。
[0065]
更近一步的，对数据的处理包括计算相邻采样点的差分值进行异常值判断并按设定的规则处理，分别基于智能电表数据与光伏出力有功功率数据的均值与标准差进行归一化，生成时间编码序列，构建表后光伏分解数据集。
[0066]
应说明的是，相邻采样点的差分值进行异常值判断指对于智能电表序列数据p
t
与光伏出力有功功率序列数据g
t
，分别按下式计算差分值的绝对值，并根据智能电表数据的阈值th
p
与光伏出力有功功率数据的阈值thg判断是否有异常值，若大于阈值th
p
或thg则判断为异常值，否则为正常序列点：
[0067]
th
p
＜|p
i-p
i-1
|,i＝1,2,...,num
p
[0068]
thg＜|g
j-g
j-1
|,j＝1,2,...,numg[0069]
其中，num
p
与numg分别为智能电表序列数据与光伏出力有功功率序列数据的序列点总数；pi与p
i-1
分别为智能电表序列数据的第i个与第i-1个序列点数值；gj与g
j-1
分别为光伏出力有功功率序列数据的第j个与第j-1个序列点数值；在本实施例中，th
p
或thg均设为1000。
[0070]
应说明的还有，设定的规则处理指按日期统计序列各天的异常值个数num
out
，若num
out
小于则将异常值向前替换为采样时间最近的正常值，若num
out
大于且小于则将异常值替换为当天序列点的均值，若num
out
大于则删除该天的智能电表序列数据与光伏出力有功功率序列数据；在本实施例中，分别设为4和12。
[0071]
更进一步的，智能电表序列数据的均值mean
p
与标准差std
p
以及光伏出力有功功率序列数据的均值meang与标准差stdg的计算方式如下式所示：
[0072][0073][0074][0075][0076]
应当说明的还有，归一化指对智能电表序列数据p
t
与光伏出力有功功率序列数据g
t
按下式进行计算：
[0077][0078][0079]
生成时间编码序列指根据智能电表数据与光伏出力有功功率数据的统一采样间隔计算单天的采样点个数numd，对应各天生成-1～1之间序列点数目为numd的等间隔序列，组成时间编码序列t；在本实施例中，采样间隔设为30分钟的序列点数目numd为48。
[0080]
s3：将所述分解数据集随机抽取片段起始点，对应以序列-子序列的形式转换为训练数据集。
[0081]
对s2中获得的数据集随机抽取片段起始点，对应以序列-子序列的形式分别对智能电表数据、光伏出力有功功率数据、时间编码序列数据进行切割，转换为训练数据集。序列-子序列的形式分别对智能电表数据、光伏出力有功功率数据、时间编码序列数据进行切割指设定序列长度为l
seq
，子序列长度为l
subseq
，对于第k个选定的片段起始点的索引idxk，截取idxk至idxk+l
seq
的智能电表数据片段，idxk+l
seq-l
subseq
至idxk+l
seq
的光伏出力有功功率数据片段，idxk至idxk+l
seq
的时间编码序列数据片段作为一组训练数据样本；对各随机选取的片段起始点进行切割，组成训练数据集；在本实施例中，l
seq
与l
subseq
分别设为96与12。
[0082]
s4：构建带有时间编码的表后光伏分解模型，并进行训练，计算表后光伏的实时分
解结果。
[0083]
应当说明的是，基于条件生成对抗网络与一维卷积构建带有时间编码的序列-子序列表后光伏分解模型指模型架构为条件生成对抗网络，包含一个生成器与一个判别器。
[0084]
其中，生成器由一维卷积层与mish激活函数组成子模块，由num
block
个子模块堆叠组成特征提取模块，后接全连接层实现特征提取模块提取的时序特征至表后光伏出力的映射；生成器的输入为序列-子序列形式的智能电表数据片段与时间编码序列片段，时间编码序列片段经时序编码的全连接层与mish激活函数映射后与智能电表数据片段的对应位置相乘作为生成器后续网络的输入。
[0085]
判别器由全连接层与mish激活函数交替组成，判别器的输入为序列-子序列形式的智能电表数据片段、时间编码序列片段与光伏出力有功功率数据片段，智能电表数据片段与经时序编码的全连接层与mish激活函数映射后的时间编码序列片段的对应位置相乘，再与光伏出力有功功率数据片段进行横向拼接作为判别器后续网络的输入，判别器实现对光伏出力有功功率数据是否为生成器生成的判断。
[0086]
更近一步的，mish激活函数的计算如下式所示：
[0087]
mish(x)＝x
·
tanh(ln(1+e
x
)
[0088]
其中，x表示mish激活函数的输入。
[0089]
在本实施例中，模型结构如图2所示，序号1～4的括号内数值依次对应四个一维卷积层的卷积核个数、卷积核尺寸、滑动步长；全连接层的括号内数值分别对应全连接层的输入、输出向量维度；对于生成器，第一个一维卷积层的卷积核个数、卷积核尺寸、滑动步长分别为32、8、2，第二个一维卷积层的卷积核个数、卷积核尺寸、滑动步长分别为64、6、2，第三个一维卷积层的卷积核个数、卷积核尺寸、滑动步长分别为64、4、2，第四个一维卷积层的卷积核个数、卷积核尺寸、滑动步长分别为128、4、1，时序编码全连接层的输入、输出向量维度均是96，第一个全连接层的输入、输出向量维度分别为768、512，第二个全连接层的输入、输出向量维度分别为512、128，第三个全连接层的输入、输出向量维度分别为128、12；对于判别器，时序编码全连接层的输入、输出向量维度均是96，第一个全连接层的输入、输出向量维度分别为108、512，第二个全连接层的输入、输出向量维度分别为512、256，第三个全连接层的输入、输出向量维度分别为256、1。
[0090]
带有学习率衰减的训练指先设定生成器与判别器的训练初始学习率与，训练中每迭代num
epoch
次后对初始学习率乘以衰减率rated进行学习率衰减；训练中最小化的损失函数为表后光伏出力有功功率真实值与表后光伏出力有功功率估计值的l1损失与条件生成对抗网络的对抗损失，生成器的损失函数loss
gen
如下式所示：
[0091][0092]
其中，n为训练数据集的总样本数，dis(
·
)指判别器模型，gen(
·
)指生成器模型，po与to分别指第o条样本的智能电表数据片段与时间编码序列片段，g
oj
与g
oj
分别指第o条样本第j个序列点的表后光伏出力有功功率真实值与表后光伏出力有功功率估计值，判别器的损失函数loss
dis
如下式所示：
[0093][0094]
其中，go指第o条样本的光伏出力有功功率数据片段；在本实施例中，与均设为0.001，num
epoch
设为300，rated设为0.9。
[0095]
更进一步的，将训练得到的模型投入部署应用后，通过滑窗的方式读取智能电表数据，输入模型计算表后光伏的实时分解结果。投入部署应用指仅保留s2中智能电表序列数据的均值mean
p
与标准差std
p
以及光伏出力有功功率序列数据的均值meang与标准差stdg，以及s4训练得到的生成器。
[0096]
通过滑窗的方式读取智能电表数据指查询当前时刻序列点的表后光伏出力时，往前截取l
seq
个智能电表数据序列点，各序列点减去均值mean
p
后除以标准差std
p
进行归一化，按s2所述生成时间编码序列片段。
[0097]
输入模型计算表后光伏的实时分解结果指将归一化后的l
seq
个智能电表数据序列点与对应的时间编码序列片段输入s4训练得到的生成器，输出当前时刻往前l
subseq
个序列点，各序列点乘以标准差stdg后与均值meang相加得到表后光伏出力有功功率估计值；在本实施例中，l
seq
与l
subseq
分别设为96与12。
[0098]
本实施例还提供一种计算设备，包括，存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的实现基于条件生成对抗网络的表后光伏分解方法。
[0099]
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的基于条件生成对抗网络的表后光伏分解方法。
[0100]
本实施例提出的存储介质与上述实施例提出的基于条件生成对抗网络的表后光伏分解方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
[0101]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(readonly，memory，rom)、随机存取存储器(random access memory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
[0102]
实施例2
[0103]
为进一步说明本发明的有效性，采用澳大利亚智能电网智能城市项目的真实数据进行验证，共有184间房屋具有平均599天的单独光伏表测量与基础负荷测量。这些房屋中的光伏日均发电量与基础负荷日均用电量分别为6.113kwh与14.914kwh。使用均方误差(mean squared error，mse)作为模型性能评价指标，计算方式如下式所示：
[0104][0105]
主要讨论模型在与训练数据相同以及不同气候区中的分解性能，评价所提方法的
泛化性。首先按本发明s2中所述对184座房屋的数据进行异常值处理。从a气候区的159座房屋中随机抽取31座用于生成同气候区测试集，其余房屋用于按本发明s3中所述生成训练集。b气候区的25座房屋均用作生成异气候区测试集。测试集的生成及测试如本发明s5中所述。
[0106]
所提模型在同气候区测试集中的mse为0.001，在异气候区测试集中的mse为0.014，而基于传统光伏建模工具solartk的分解mse为0.075，说明了仅利用智能电表数据作为输入的纯数据驱动方法也可以达到优异的性能，在同、异气候区中均表现更好。虽然本发明方法在同气候区测试集中的性能更好，但与异气候区测试集中的性能相差较小，说明模型泛化性较好，可直接用于分解不同气候区中的表后光伏。
[0107]
进一步可视化本发明方法的光伏分解效果以说明有效性，如图3所示。可以看出，模型能准确跟踪该用户光伏高波动变化，在1月27、28日的分解效果尤其突出。
[0108]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于条件生成对抗网络的表后光伏分解方法，其特征在于，包括：收集表后光伏智能电表数据以及光伏独立表计的光伏出力有功功率测量数据；对收集的数据进行处理，生成时间编码序列，构建表后光伏分解数据集；将所述分解数据集随机抽取片段起始点，对应以序列-子序列的形式转换为训练数据集；构建带有时间编码的表后光伏分解模型，并进行训练，计算表后光伏的实时分解结果。2.如权利要求1所述的基于条件生成对抗网络的表后光伏分解方法，其特征在于：所述对数据进行处理为：计算收集到的数据的相邻采样点的差分值进行异常值判断并按设定的规则处理，分别基于智能电表数据与光伏出力有功功率数据的均值与标准差进行归一化；所述异常值判断为：th
p
＜|p
i-p
i-1
|,i＝1,2,...,num
p
th
g
＜|g
j-g
j-1
|,j＝1,2,...,num
g
其中，th
p
表示智能电表数据的阈值，th
g
光伏出力有功功率数据的阈值，p
i
与p
i-1
分别表示智能电表序列数据的第i个与第i-1个序列点数值，g
j
与g
j-1
分别表示光伏出力有功功率序列数据第j个与第j-1个序列点数值，num
p
表示智能电表序列数据的序列点总数，num
g
表示光伏出力有功功率序列数据的序列点总数，当绝对值大于阈值时，判断为异常值；所述设定的规则处理包括：按日期统计序列各天的异常值个数num
out
；若num
out
小于则将异常值向前替换为采样时间最近的正常值；若num
out
大于且小于则将异常值替换为当天序列点的均值；若num
out
大于则删除该天的智能电表序列数据与光伏出力有功功率序列数据。3.如权利要求2所述的基于条件生成对抗网络的表后光伏分解方法，其特征在于：所述归一化，表示为：归一化，表示为：所述生成时间编码序列为：根据智能电表数据与光伏出力有功功率数据的统一采样间隔计算单天的采样点个数num
d
，对应各天生成-1～1之间序列点数目为num
d
的等间隔序列，组成时间编码序列t。4.如权利要求3所述的基于条件生成对抗网络的表后光伏分解方法，其特征在于：所述训练数据集包括：设定序列长度为l
seq
，子序列长度为l
subseq
，对于第k个选定的片段起始点的索引idx
k
，截取idx
k
至idx
k
+l
seq
的智能电表数据片段，idx
k
+l
seq-l
subseq
至idx
k
+l
seq
的光伏出力有功功率数据片段，idx
k
至idx
k
+l
seq
的时间编码序列数据片段作为一组训练数据样本；对各随机选取
的片段起始点进行切割，组成训练数据集。5.如权利要求4所述的基于条件生成对抗网络的表后光伏分解方法，其特征在于：所述分解模型为：模型架构为条件生成对抗网络，包含一个生成器与一个判别器；其中生成器由一维卷积层与mish激活函数组成子模块，由num
block
个子模块堆叠组成特征提取模块，后接全连接层实现特征提取模块提取的时序特征至表后光伏出力的映射；生成器的输入为序列-子序列形式的智能电表数据片段与时间编码序列片段，时间编码序列片段经时序编码的全连接层与mish激活函数映射后与智能电表数据片段的对应位置相乘作为生成器后续网络的输入；判别器由全连接层与mish激活函数交替组成，判别器的输入为序列-子序列形式的智能电表数据片段、时间编码序列片段与光伏出力有功功率数据片段，智能电表数据片段与经时序编码的全连接层与mish激活函数映射后的时间编码序列片段的对应位置相乘，再与光伏出力有功功率数据片段进行横向拼接作为判别器后续网络的输入，判别器实现对光伏出力有功功率数据是否为生成器生成的判断；所述mish激活函数，表示为：mish(x)＝x
·
tanh(ln(1+e
x
)其中，x表示mish激活函数的输入。6.如权利要求5所述的基于条件生成对抗网络的表后光伏分解方法，其特征在于：所述进行训练包括：进行带有学习率衰减的训练，先设定生成器与判别器的训练初始学习率与训练中每迭代num
epoch
次后对初始学习率乘以衰减率rate
d
进行学习率衰减；训练中最小化的损失函数为表后光伏出力有功功率真实值与表后光伏出力有功功率估计值的l1损失与条件生成对抗网络的对抗损失；生成器的损失函数loss
gen
如下式所示：其中，n为训练数据集的总样本数，dis(
·
)指判别器模型，gen(
·
)指生成器模型，p
o
与t
o
分别指第o条样本的智能电表数据片段与时间编码序列片段，g
oj
与g
oj
分别指第o条样本第j个序列点的表后光伏出力有功功率真实值与表后光伏出力有功功率估计值；判别器的损失函数loss
dis
如下式所示：其中，g
o
指第o条样本的光伏出力有功功率数据片段。7.如权利要求6所述的基于条件生成对抗网络的表后光伏分解方法，其特征在于：所述读取智能电表数据包括：查询当前时刻序列点的表后光伏出力时，往前截取l
seq
个智能电表数据序列点，各序列点减去均值mean
p
后除以标准差std
p
进行归一化，生成时间编码序列片段；
所述计算表后光伏的实时分解结果包括：将归一化后的l
seq
个智能电表数据序列点与对应的时间编码序列片段输入训练得到的生成器，输出当前时刻往前l
subseq
个序列点，各序列点乘以标准差std
g
后与均值mean
g
相加得到表后光伏出力有功功率估计值。8.一种基于条件生成对抗网络的表后光伏分解系统，其特征在于，包括：数据收集模块，负责收集表后光伏智能电表数据以及光伏独立表计的光伏出力有功功率测量数据，传输到数据处理模块；数据处理模块，对收集到的数据进行异常值检测并修正和归一化处理，并将经过处理的数据转化为时间编码序列，将转化后的数据传输到数据集构建模块；数据集构建模块，将时间编码序列划分为若干个子序列，并构建表后光伏分解数据集，随机抽取片段起始点，对应以序列-子序列的形式分别对各数据进行切割，转换为训练数据集，传输到分解模型设计与训练模块；分解模型设计与训练模块，负责设计带有时间编码的表后光伏分解模型，并对其进行带有学习率衰减的训练，将训练好的模型传输到实时分解模块；实时分解模块，将训练好的分解模型应用到实际的表后光伏数据中，读取智能电表数据，并计算出实时的分解结果。9.一种计算设备，包括：存储器和处理器；所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于条件生成对抗网络的表后光伏分解方法的步骤。10.一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于条件生成对抗网络的表后光伏分解方法的步骤。

技术总结
本发明公开了一种基于条件生成对抗网络的表后光伏分解方法包括：收集表后光伏智能电表数据以及光伏独立表计的光伏出力有功功率测量数据；对数据进行处理，生成时间编码序列，构建表后光伏分解数据集；将所述分解数据集随机抽取片段起始点，对应以序列-子序列的形式转换为训练数据集；构建带有时间编码的表后光伏分解模型，并进行训练，应用模型，计算表后光伏的实时分解结果。本发明无需依赖于精确的物理模型以及外部天气信息，实用性强，更能适应光伏出力随机性强、波动性高的特点，并且兼顾了光伏分解性能与计算效率，更适合实时光伏分解的应用需要。解的应用需要。解的应用需要。


技术研发人员：刘斌 谈竹奎 邓松 欧阳广泽 徐玉韬 张俊玮 曾鹏 唐赛秋 张历 古庭赟 冯起辉 毛钧毅
受保护的技术使用者：贵州电网有限责任公司
技术研发日：2023.05.19
技术公布日：2023/9/14