买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河海大学

摘要：本发明涉及系统优化与调度领域，一种基于改进生成对抗网络GAN的风光典型运行场景的生成方法。步骤如下：1建立基于模型网络结构的GAN优化模型。纳入额外的约束和条件，以精确指导GAN的训练过程。通过在生成器G和判别器D的输入中嵌入额外的标签信息引导GAN的训练，使其生成的样本能够精准满足特定需求。条件生成对抗网络CGAN融合了监督学习与无监督学习的策略，并额外引入了类别标签或其他有助于样本生成的辅助信息。2建立基于目标函数的GAN优化模型。目标函数在GAN的训练过程中起着决定性的作用，指导网络参数优化方向。采用带有梯度惩罚的WGANWGAN‑GP模型，该模型摒弃了传统的权重裁剪方法，转而采用梯度惩罚项来增强模型的稳定性。通过限制判别器D的梯度不超过预定的Lipschitz常数K，构建了梯度惩罚项，确保模型满足K‑Lipschitz连续性条件。同时将WGAN‑GP与CGAN的训练目标函数相结合，以生成满足特定要求的风光发电功率场景。3针对具体的应用场景和数据特性，设计适合的神经网络结构。确定神经元的数量、层次结构以及激活函数等关键要素。为了提升模型的特征提取能力，选择卷积神经网络CNN替代作为基础网络架构，有效捕获样本的深层次特征。4运行场景生成模型训练及其评价指标的建立。在模型训练阶段，利用大量的风光运行场景数据对GAN进行训练，并通过不断迭代和调整网络参数，使GAN能够生成符合目标函数要求的场景。同时，建立全面的评价指标体系，以全面评估生成的场景在质量和多样性方面的表现。

主权项：1.一种基于改进生成对抗网络的风光典型运行场景的生成方法，其特征在于，包括以下步骤：S1：建立基于模型网络结构的GAN优化改进模型。考虑引入额外约束和条件指导GAN模型的训练过程，以确保生成的样本能够符合特定的需求，通过在G和判别器的输入中融入附加标签来引导GAN的训练过程。CGAN将监督学习与无监督学习策略相结合，额外引入类别标签或其他有助于样本生成的附加条件信息；S2：建立基于目标函数的GAN优化改进模型。带有梯度惩罚的WGAN模型摒弃WGAN的权重裁剪，采用梯度惩罚项来巩固模型的稳健性。具体而言，该模型通过限制判别器的梯度不超过预定的Lipschitz常数K，构建梯度惩罚项，满足K-Lipschitz连续性条件，同时将WGAN-GP与CGAN的训练目标函数相结合，以生成满足特定要求的风光发电功率场景；S3：建立基于神经网络结构的GAN优化改进模型。根据具体的应用场景和数据特性，选择设计适合的神经网络结构。包括选择神经元的数量、层次结构、激活函数等。为提升提取能力，选择卷积神经网络CNN进行替代作为基础网络架构，有效捕获样本的深层次特征；S4：运行场景生成模型训练及其评价指标的建立。在模型训练阶段，需要使用大量的风光运行场景数据对GAN进行训练。通过不断调整网络参数，使GAN能够生成符合目标函数要求的场景。同时，需建立合适的评价指标，以评估生成的场景的质量和多样性。

全文数据：

权利要求：

百度查询： 河海大学 一种基于改进生成对抗网络的风光典型运行场景的生成方法