本技术涉及新型电力系统调度的，具体涉及新型电力系统调度场景样本数据生成方法、模型构建方法。
背景技术：
1、构建新型电力系统已经成为关键支撑技术。
2、新型电力系统是以新能源为主体的多元电源支撑体系，随着电网中新能源发电占比不断提升，风电、光伏、瓦斯等清洁能源已经逐步纳入电量平衡、电网稳定控制等主要范畴，而传统的火电、水电等发电形式仍以其显著的电压、频率控制特性在电网中发挥主导作用，因此，新型电力系统的极端天气调度不仅要考虑传统的火电、水电机组在极端天气条件下的运行情况，还要考虑风、光、瓦斯等清洁能源在极端天气条件下的运行状况；此外，与传统的火力发电不同，风电和光伏发电作为新能源发电的主要形式，极易受到外界气象条件、地域等环境的影响，发电功率呈现出间歇性与波动性的特点，使得新型电力系统表现出了更强的“天气耦合性”和“系统脆弱性”；因此，以新能源为主体的电力系统将更容易受到极端天气的影响。
3、目前，我国电力系统的通用设计标准是基于传统的电力系统供电安全性和投资经济性而制定的，无法满足“高比例新能源、高频率极端天气、高代价停电损失”新型电力系统的发展要求，对极端天气条件下新能源运行特性考虑不足，传统机组的支撑和协同作用预计不够，导致新型电力系统的供电应急安全运行水平存在较大风险，因此，研究新型电力系统下多元电源极端天气条件下的调度场景预测和控制十分关键。
4、目前，现有的场景生成和决策方法大多基于概率模型来完成，通常采用markov链法、时间序列法、场景树生成法等方法通过历史数据建立服从场景变化规律的概率模型，该类方法主要通过抽样的方法产生用于分析的新场景，需要大量历史数据作为样本支撑应用于决策，同时该方法的最大缺陷在难以适用于多类型特征场景的模型描述，仅仅适应于某一特征的概率预测和决策，不适用于复杂多样的特征场景的生成和决策。
5、近年来，深度学习模型逐渐应用于新能源发电场景的预测和决策，在新能源出力的随机性和间歇性方面研究和应用取得良好效果，然而，这类应用场景生成的预测、决策仍依赖于充足的数据样本和合理的深度学习模型，而应用与极端天气下新型电力系统的场景预测和控制仍存在三个主要问题：
6、(一)电网运行数据样本稀少，难以满足深度学习模型的数据驱动；
7、(二)机端天气下的调度场景不仅针对新能源发电，同时包含水电、火电、瓦斯等区域电网的主要能源以及电网的之间的能量互供等多种形式的预测，仅依赖于深度学习网络实现多类型特征量的学习和预测会影响训练学习过程的效率和预测的精度；
8、(三)极端天气条件下的场景控制需要根据多类型特征量的变化进行判断，而非近依赖于某种或某几种特征量的变化进行判断，因此，需要选取有效的识别和判断机制进行控制。
技术实现思路
1、为了解决上述技术缺陷之一，本技术实施例中提供了新型电力系统调度场景样本数据生成方法、模型构建方法。
2、根据本技术实施例的第一个方面，提供了新型电力系统调度场景样本数据生成方法，包括：
3、s11，构建极端天气条件标签变量c，以及极端天气条件标签变量c对应的各类型机组的发电功率历史数据序列p；
4、s12，对极端天气条件标签变量c和发电功率历史数据序列p进行归一化处理；
5、s13，将归一化处理后的极端天气条件标签变量c*输入至cgan网络的生成器中，得到生成样本数据集pnew；
6、s14，将极端天气条件标签变量c*和发电功率历史数据序列p*拼接，形成矩阵序列y，将极端天气条件标签变量c*和生成样本数据集pnew拼接，形成矩阵序列h；
7、s15，将矩阵序列y和矩阵序列h输出至cgan网络的判别器中，输出真实性判断结果；
8、s16，通过目标函数对cgan网络进行训练，得到训练好的cgan网络；
9、s17，通过训练好的cgan网络生成极端天气下的各类型机组的预测发电功率序列；
10、所述各类型机组的预测发电功率序列的表达是为：
11、n(pt)＝n(ppv，pwd，ph，pwh，pgh)；
12、其中，pt表示生成的预测发电功率序列的转置；ppv、pwd、ph、pwh、pgh分别表示cgan网络生成的光伏发电功率序列、风电发电功率序列、火电发电功率序列、水电发电功率序列以及瓦斯发电功率序列。
13、根据本技术实施例的第二个方面，提供了新型电力系统调度场景控制决策模型构建方法，包括：
14、s21，根据cgan网络生成各类型机组的预测发电功率，以及地区新型电力系统的预测负荷、频率构建状态空间变量st；
15、其中，所述各类型机组的预测发电功率采用权利要求1至4任一所述的新型电力系统调度场景样本数据生成方法生成；
16、s22，根据备用机组投入容量、负荷紧急切除量和外部电网联络线输送功率建立执行策略；其中，每个执行策略对应有相应的动作空间at；基于动作空间at构建动作集合a；
17、s23，将初始状态空间变量st输入dqn网络的训练q网络中，生成初始状态对应的价值q(st，at，θ)；其中，θ表示训练q网络的神经网络权值；
18、s24，采用ε-greedy策略函数从动作集合a中选取对应动作空间at；
19、s25，根据动作空间at对应的执行策略执行控制流程；
20、s26，动作空间at根据奖励函数计算即时奖励r，并采用matpower潮流计算下一时刻状态空间量st+1；
21、s27，构建经验数据集(st，at，rt，st+1)；从经验池中随机采样d组经验数据集，输入到dqn网络的训练q网络和目标q网络中，计算训练q网络的价值和目标q网络的目标值；
22、其中：d<dm，dm为经验池数据容量；
23、s28，根据损失函数、目标q网络的目标值对训练q网络的θ值进行更新；
24、s29，判断是否达到预设的迭代次数，如是，则生成基于dqn网络的控制决策模型；否则，执行步骤s24。
25、本技术实施例由于采用以上技术方案，具有以下技术效果：
26、1、本技术中，将条件对抗生成网络(cgan网络)应用于极端天气条件下新型电力系统调度场景样本数据的生成，在考虑新能源发电特性外，充分考虑火电、水电等传统发电类型，能够深度挖掘传统机组在新型电力系统中的支撑作用，使得生成样本符合实际情况，提高生成样本的可用性。
27、2、本技术中，对条件对抗生成网络传统目标函数进行优化和改进，根据传统水电、火电发电和新能源发电的特性，提出散度目标函数用于约束新能源发电的预测分布，提高极端天气下新型电力系统调度场景数据生成的可靠性。
28、3、本技术中，采用基于深度强化学习网络(cgan网络)建立了极端天气下新型电力系统调度场景控制决策模型，能够实现特征自提取、非线性系统训练和复杂的调度场景控制，与传统的概率分析和决策方法相比，能够适应不同的场景学习和决策。
29、4、本技术中的执行策略，能够科学合理制定极端天气条件下新型电力系统控制策略，避免依赖单一的随机选择策略威胁电网稳定运行，提高新型电力系统应对极端天气的安全性、稳定性。
1.新型电力系统调度场景样本数据生成方法，其特征在于，包括：
2.根据权利要求1所述的新型电力系统调度场景样本数据的生成，其特征在于，所述极端天气条件标签变量c的表达式为：
3.根据权利要求1所述的新型电力系统调度场景样本数据生成方法，其特征在于，所述s13，将归一化处理后的极端天气条件标签变量c*输入至cgan网络的生成器中，得到生成样本数据集pnew；包括：
4.根据权利要求1所述的新型电力系统调度场景样本数据生成方法，其特征在于，所述s16中，目标函数的表达式为：
5.新型电力系统调度场景控制决策模型构建方法，其特征在于，包括：
6.根据权利要求5所述的新型电力系统调度场景控制决策模型构建方法，其特征在于，所述s28中，损失函数的表达式为：
7.根据权利要求6所述的新型电力系统调度场景控制决策模型构建方法，其特征在于，所述目标q网络的目标值的计算表达式为：
8.根据权利要求6所述的新型电力系统调度场景控制决策模型构建方法，其特征在于，所述奖励函数的表达式为：
9.根据权利要求6所述的新型电力系统调度场景控制决策模型构建方法，其特征在于，所述状态空间变量st的表达式为：
10.根据权利要求6所述的新型电力系统调度场景控制决策模型构建方法，其特征在于，所述s24，采用ε-greedy策略函数从动作集合a中选取对应动作空间at中，所述ε-greedy策略函数的表达式为：
