(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 202211003342.X (22)申请日 2022.08.19 (71)申请人 中国电力科 学研究院有限公司 地址 100192 北京市海淀区清河小营东路 15号 申请人 国网山东省电力公司电力科 学研究 院　 国家电网有限公司 (72)发明人 刘铠诚　何桂雄　李德智　钟鸣　 王松岑　张新鹤　黄伟　金璐　 霍永峰　张磊　 (74)专利代理 机构 北京安博达知识产权代理有 限公司 1 1271 专利代理师 徐国文(51)Int.Cl. G06N 3/08(2006.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06Q 10/06(2012.01) G06F 17/18(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种条件对抗神经网络训练方法、 场景生成 方法和系统 (57)摘要 本发明涉及一种条件对抗神经网络训练方 法、 场景生成方法和系统， 包括： 基于可再生能源 输出功率数据及对应的历史气象数据， 采用多种 权重分析法得到可再生能源输出功率数据的各 气象因素的组合权重， 并确定天气类别标签； 对 所述历史可再生能源功率输出数据进行采样得 到噪声数据； 以所述历史可再生能源输出功率数 据、 噪声数据、 和对应的天气类别标签为训练数 据， 采用条件对抗生成神经网络进行训练， 得到 训练好的条件对抗神经网络； 所述训练好的条件 对抗神经网络用于生成新能源场景； 本发明相比 于现有的技术， 能够得到更加符合真实情况的场 景， 更为准确地描述可再生能源输出的不确定 性。 权利要求书4页 说明书12页 附图6页 CN 115423091 A 2022.12.02 CN 115423091 A 1.一种条件 对抗神经网络训练方法， 其特 征在于， 包括： 基于可再生能源输出功率数据及对应的历史气象数据， 采用多种权重分析法得到可再 生能源输出功率数据的各气象因素的组合权 重， 并确定天气类别标签； 对所述历史可 再生能源功率输出 数据进行采样得到噪声数据； 以所述历史可再生能源输出功率数据、 噪声数据和对应的天气类别标签为训练数据， 采用条件 对抗生成神经网络进行训练， 得到训练好的条件 对抗神经网络； 所述训练好的条件 对抗神经网络用于生成新能源场景。 2.如权利要求1所述的方法， 其特征在于， 所述基于可再生 能源输出功率数据及对应的 历史气象数据， 采用多种权重 分析法得到可再生能源输出功 率数据的各气象因素的组合权 重， 包括： 基于可再生能源输出功率数据及对应的历史气象数据结合预先构建的气象条件评价 指标体系， 采用层次分析法得到各评价因素的主观权 重； 基于可再生能源输出功率数据及对应的历史气象数据， 采用熵权法确定各评价因素的 权重； 对所述各评价因素的主观权 重和各评价因素的权 重进行权 重组合得到组合权 重； 其中， 所述气象条件评价指标体系包括以气象因子构成的方案层、 气象类型构建的准 则层， 以及天气评估结果构建的决策层构成； 所述多种权 重分析法包括： 层次分析法和熵权法。 3.如权利要求2所述的方法， 其特征在于， 所述气象因子包括下述一种或多种： 露点、 风 速、 湿度、 温度、 光照强度和气压； 所述天气类别标签包括下述 一种或多种： 晴天、 多云、 多雨、 降雪、 大风。 4.如权利要求2所述的方法， 其特征在于， 所述基于可再生 能源输出功率数据及对应的 历史气象数据结合预先构建的气象条件评价指标体系， 采用层次分析法得到各评价因素的 主观权重， 包括： 基于预先构建的气象条件评价指标体系， 依据所述可再生 能源输出功率数据及对应的 历史气象数据， 得到各评价因素的判断矩阵； 以所述各评价因素的判断矩阵的一致性为基础， 通过计算得到所述各评价因素的判断 矩阵的最大 特征矢量； 基于所述各评价因素的判断矩阵的最大特征矢量， 进行标准化， 将标准化后的最大特 征矢量作为各评价因素的主观权 重。 5.如权利要求2所述的方法， 其特征在于， 所述基于可再生 能源输出功率数据及对应的 历史气象数据， 采用熵权法确定各评价因素的权 重， 包括： 基于所述可再生 能源输出功率数据及对应的历史气象数据， 结合预先构建的气象条件 评价指标体系， 进行 标准化处理得到各评价因素的标准 化值； 利用所述各评价因素的标准 化值计算各评价因素的信息熵； 利用所述各评价因素的信息熵计算得到各评价因素的信息熵权 重。 6.如权利要求5所述方法， 其特 征在于， 所述各评价因素的标准 化值按下式计算： 权　利　要　求　书 1/4 页 2 CN 115423091 A 2式中， Yi为各评价因素的第i个指标的标准 化值； Xi为各评价因素的i个指标集 合。 7.如权利要求5所述方法， 其特征在于， 所述利用各评价因素的标准化值计算各评价因 素的信息熵， 如下式所示： 式中， Ei为各评价因素的第i个指标的信息熵； Yi为各评价因素的第i个指标的标准化 值； n为历史气象数据指标的总数。 8.如权利要求5所述方法， 其特 征在于， 所述各评价因素的信息熵权 重按下式计算： 式中， Wi为各评价 因素的第i个指标信息熵权重； Ei为各评价 因素的第i个指标数据信息 熵； k为各评价因素的指标总数。 9.如权利要求2所述的方法， 其特征在于， 所述对所述各评价因素的主观权重和各评价 因素的权 重进行权 重组合得到组合权 重， 包括： 对所述各评价因素的主观权重和熵权重采用组合加权法进行计算， 得到所述各评价因 素的组合权 重。 10.如权利要求1所述的方法， 其特征在于， 所述以所述历史可再生 能源输出功率数据、 噪声数据和对应的天气类别标签为训练数据， 采用条件对抗生成神经网络进行训练， 得到 训练好的条件 对抗神经网络， 包括： 将所述噪声数据输入到生成器网络中生成可 再生能源输出 数据的预测分布； 将所述天气标签、 所述历史可再生 能源输出功率数据和所述可再生能源输出数据的预 测分布作为判别器网络的输入数据， 将所述可再生能源输出数据的预测分布与所述历史可 再生能源输出功率数据的分布进行真假判断， 将每次训练生成的判断结果作为损失函数， 对生成器网络进行反向传播训练， 并进行迭代； 迭代收敛后， 得到训练好的生成器网络； 其中， 所述条件 对抗神经网络包括： 生成器网络和判别器网络 。 11.一种条件 对抗神经网络训练系统， 其特 征在于， 包括： 权重及天气标签模块用于： 基于可再生能源输出功率数据及对应的历史气象数据， 采 用多种权重 分析法得到可再生能源输出功率数据的各气象因素的组合权重， 并确定天气 类 别标签； 采样模块用于： 对所述历史可 再生能源功率输出 数据进行采样得到噪声数据； 神经网络训练模块用于： 以所述历史可再生能源输出功率数据、 噪声数据、 和对应的天 气类别标签为训练数据， 采用条件对抗生成神经网络进行训练， 得到训练好的条件对抗神 经网络； 所述训练好的条件 对抗神经网络用于生成新能源场景。 12.如权利要求1 1所述的系统， 其特 征在于， 所述权 重及天气标签模块包括： 主观权重确定模块用于： 基于可再生 能源输出功率数据及对应的历史气象数据 结合预 先构建的气象条件评价指标体系， 采用层次分析法得到各评价因素的主观权 重； 熵权重确定模块用于： 基于可再生能源输出功率数据及对应的历史气象数据， 采用熵权　利　要　求　书 2/4 页 3 CN 115423091 A 3