基于小樣本學習和生成式對抗網絡模型的短期風電功率預測

欒 毅， 剡文林，劉 巖，楊永強

(1.云南電力調度控制中心，云南 昆明 650041；2.華北電力大學能源動力與機械工程學院，北京 102206)

0 引 言

風電是一種重要的低碳能源，它具有低成本、清潔、可再生等諸多優(yōu)點，具有可持續(xù)能源供應的潛力[1]。風能固有的間歇性、隨機性和波動性等特點給大規(guī)模風電并網的安全調度和平穩(wěn)運營帶來挑戰(zhàn)[2]。準確的風電預測不僅可以有效解決風電消納問題，也會增強風電在電力市場中的競爭力[3]。

風電預測問題屬于數據密集型應用，其核心挑戰(zhàn)是如何處理大量、復雜、豐富多樣、快速變化的數據。機器學習在數據密集型應用中非常成功，但當數據集很小時，機器學習模型無法很好的學習到數據的完整特征[4]。國內外已有大量研究[5-7]表明，統計方法的模型并不直接建立風速與功率的物理關系，而是試圖找出數據之間的映射關系，需要對大量的歷史數據進行識別、擬合、訓練，才能達到一定的精度。為了解決這一問題，近年來提出了小樣本學習(Few-shot learning， FSL)[8]。利用先驗知識，FSL可以快速地泛化到只包含少量有監(jiān)督信息的樣本的新任務中[9]。

本文主要開展了以下3方面工作：①針對區(qū)域電網內的風電場缺少大量歷史數據的問題，本文提出了一種基于FSL的生成對抗網絡(Generative Adversarial Network， GAN)[10]模型用以擴充樣本集，從而更好地完成風電預測模型的訓練與預測功能；②針對傳統生成對抗網絡模型無法處理回歸問題的情況，提出了改進-生成對抗網絡(GR-GAN)的模型，使其可以在樣本有限的條件實現風電預測這一回歸問題；……