考虑时空不确定性的风电出力场景生成方法

为准确描述风电出力的不确定性及时空相关性,提出一种考虑时空不确定性的风电出力场景生成方法。将生成对抗网络作为风电出力的场景生成模型,将卷积神经网络作为模型生成器与判别器以实现时间特征的提取,采用特征工程方式实现不同风电场间出力空间相关性的量化;通过格拉姆角场方式进行特征变换,并合理设置网络结构及参数进行网络训练,得到生成器输入与输出场景间的映射关系。采用实测数据对所提方法的有效性进行对比验证,实验结果表明所提方法具有较强的风电出力不确定性表示能力。     

基于鲁棒多标签生成对抗的风电场日前出力区间预测

风力发电不确定性强、波动性大,日前预测精度有待改善。为提高风电日前区间预测效果,提出一种基于鲁棒多标签生成对抗的风电场日前出力区间预测方法。首先,采用皮尔逊相关系数分析风电出力与多种气象因素、历史风电出力间的相关性,构建含数值天气预报气象特征与风电出力的原始数据集。然后,在原始数据集中去除待预测日风电功率,得到聚类数据集开展k-means聚类,获得带簇标签的原始数据集。之后,基于鲁棒性辅助分类生成对抗网络,生成海量带标签场景。最后,根据已知的历史风电出力和数值天气预报获得的特征,确定待预测日的簇标签,在生成场景中按对应簇标签筛选与待预测日风电功率特征相似度高的多个场景,组成相似场景集。基于相似场景集的待预测日风电功率均值及上下限,分别获得待预测日（次日）24个时段的风电功率点预测及区间预测结果。以中国东北某地区实际风电场数据为例验证了所提方法的优越性。     

基于隐式最大似然估计的风电出力场景生成

随着风电渗透率的日益提高,如何有效地描述风电出力的不确定性成为了配电网运行和规划所面临的巨大挑战,为此,提出一种基于隐式最大似然估计的风电出力场景生成方法。针对风电出力曲线的数据特征,设计适用于风电出力场景生成的损失函数和网络结构。通过无监督训练使得场景生成器能够学习到高斯噪声与风电出力场景之间的映射关系。仅需调节模型中相关的参数,采用所提方法就能够生成不同时间尺度的风电出力场景。仿真结果表明,所提方法的预测区间平均宽度和预测区间覆盖率均优于现有的生成对抗网络,且所提方法对于不同的风电场具有一定的普适性。     

基于改进条件生成对抗网络的可控场景生成方法

可再生能源发电具有较强的随机性和波动性,为实现高效可靠的场景建模,提出一种基于改进条件生成对抗网络的可控场景生成方法。提出基于条件生成对抗网络的场景生成框架,结合Transformer的全局注意力机制以及常规卷积和深度可分离卷积的局部泛化机制,设计适用于提取可再生能源发电不同维度特征的网络结构;利用条件生成对抗网络模型建立低维气象特征隐空间和高维可再生能源发电数据之间的映射关系,提出一种可控场景生成方法,并建立随机场景生成、场景约减、极端场景生成和连续日场景生成4种生成策略。基于实际光伏、风电数据和气象数据的仿真结果表明,所提模型与方法能够有效学习可再生能源发电的随机性、时序性、波动性及空间相关性,实现对不同策略下场景的可控生成。     

基于条件生成对抗网络的可再生能源日前场景生成方法

随着可再生能源渗透率的不断提高,如何有效地描述其出力不确定性是电力系统日前调度所面临的巨大挑战。针对该问题,该文提出一种基于条件生成对抗网络的可再生能源日前场景生成方法,该方法采用Wasserstein距离作为判别器损失函数,并设计适用于可再生能源日前场景生成的网络结构,通过生成对抗网络的博弈训练使生成器学习到预测条件下噪声分布与日前场景集之间的映射关系。该文使用实际风电数据(包括预测和实测数据)对所提方法进行测试,并与传统Markov链场景生成方法进行对比验证,结果表明所提模型能更精确地描述日前风电不确定性。     

考虑时空相关性的多风电场出力场景生成与评价方法

含多个风电场的场景生成技术可为电力系统中长期规划和运行提供所需基础数据。为在场景生成过程中计入多风电场风电出力的时空相关性,提出两阶段场景生成方法：在第一阶段,采用Copula函数对多个风电场出力的空间相关性建模,获得多风电场出力的初始场景;在第二阶段,运用随机微分方程对风电场出力波动随机性建模,通过重构初始风电出力场景,使得最终获得的场景中风电序列较好地保留原始序列的时间相关性。为评估生成场景的有效性,构建场景有效性评价指标体系;引入多重分形去趋势波动分析方法,提供刻画风电序列的自相关特性和动态波动特性的多维度指标。以某区域风电场为例,生成风电季度出力场景,结果表明所提方法能够复现原始风电序列的时空相关性。     

基于条件深度卷积生成对抗网络的新能源发电场景数据迁移方法

针对在历史数据缺失的情况下,现有的新能源发电场景生成方法存在精度较低甚至失效的问题,提出一种基于条件深度卷积生成对抗网络(conditionaldeepconvolutions generative adversarial network,C-DCGAN)的新能源发电场景数据迁移方法。该方法以历史数据大规模缺失的新能源电站为目标电站,以历史数据完整的邻近新能源电站为源电站,通过生成对抗网络模型学习源电站与目标电站之间的场景数据映射关系,进而根据源电站场景数据,生成目标电站场景数据,且所生成的数据符合真实场景数据分布规律。采用实际风电数据集对所提算法和模型进行验证,并应用若干统计学指标,分别对文中模型与条件生成对抗网络(conditional generativeadversarialnetwork,CGAN)模型所迁移生成的数据进行对比评估,结果表明所提算法与模型能够更加准确地生成新能源发电场景数据。     

基于改进信息最大化生成对抗网络的风光出力场景可控生成方法

基于深度学习的场景生成方法能够自适应挖掘历史数据中高维非线性特征,在风光出力的不确定性建模中得到了广泛应用。然而,基于深度学习的场景生成方法多为黑盒模型,存在可解释性差、生成不可控等问题。为此,提出了一种基于改进信息最大化生成对抗网络(information maximizing generative adversarial nets,Info GAN)的风光出力场景生成方法。该方法在目标函数中增加了基于互信息的正则化项,最大化控制编码与生成场景之间的互信息,无监督学习控制编码与生成场景统计特征的映射关系,并引入Gumbel-Softmax分布提高了生成场景的质量。结合风电场和光伏电站的真实数据进行了算例分析,算例结果表明,所提方法不仅能准确描述风光出力不确定性,而且具有可解释性,能够可控生成指定风光出力场景。     

基于Copula函数与等概率逆变换的风电出力场景生成方法

随着风电利用率的大规模提高,应用典型场景法应对风电机组出力的不确定性具有重要意义。针对多风电场出力之间的时空相关性提出一种改进的场景生成与缩减方法,并提出评价方法来检验生成场景的质量。该方法应用指数函数法构建体现风电时间相关性的多元变量协方差矩阵,应用Copula函数建立多风电场空间相关性模型,通过对随机数与历史数据的累积概率分布函数进行时空相关非线性变换与等概率逆变换生成大量初始场景。改进K-means聚类方法,通过手肘法与聚类有效性指标综合确定最优聚类数目后,缩减得到代表性时空相关风电场景。最后通过4项评价指标,对生成场景的波动性、相关性、可靠性等进行质量检验。算例分析表明,与其他方法相比,所提方法生成场景的波动性、爬坡情况和时空相关性均与历史数据更贴合,具有更高的实测值覆盖率。     

基于时序生成对抗网络的月度风光发电功率场景分析方法

针对月度风光发电功率模拟面临的变量维度高、时空特征复杂等难题,提出一种基于时序生成对抗网络的月度风光发电功率场景分析方法。采用基于RV系数的聚类技术提取代表性日发电状态,基于Markov链刻画风光日发电状态转移规律;引入缩放点积注意力机制与时序卷积网络,构建时序生成对抗网络,模拟日内风光发电功率的时序性及空间相关性;提出月度风光发电功率场景的随机生成方法。考虑电网中长期分析需求,建立月度风光发电功率场景的优化削减方法。最后,采用我国东北地区6座风电场和6座光伏电站的历史发电功率数据,验证所提方法的有效性和正确性。     

基于通用分布的风电功率出力动态场景生成方法

随着大规模风电接入电网,风电功率的不确定性使得电力系统的运行与调度面临着新的挑战。针对风电功率的不确定性,本文提出了基于通用分布的风电功率动态场景生成方法,将风电的不准确性转化为确定性模型。本文首先利用通用分布良好的拟合特性去近似表征风电功率的实际分布,然后对风电的波动性进行建模,通过逆变换抽样的方法生成大量既符合风电的随机性又符合波动性的场景。为了验证所提方法的有效性,本文从场景生成的速度和精确程度方面进行了比较。以实际风电数据为基础的仿真算例验证了所提的基于通用分布的风电功率出力动态场景生成方法的可行性。     

基于变分自编码器的主动配电网多源–荷场景生成方法

随着主动配电网中可再生能源渗透率的不断提高,其出力不确定性为主动配电网的规划、调度带来巨大挑战。针对该问题,提出一种基于变分自编码器的主动配电网多源–荷场景生成方法。该方法在传统变分自编码器结构中无监督地融入标签值使编码网络具有条件拟合的能力,并且设计了合理的编码网络与解码网络结构,使用图神经网络与时序卷积网络分别提取非欧氏相关性特征与时序相关性特征。算例使用实测多源–荷数据对所提方法进行仿真验证,结果表明改进变分自编码器能精确地还原场景并有效描述多源–荷场景之间的相关性,可对数据样本在无监督学习下生成标签值并生成对应同类型场景。     

基于经验Copula函数的多风电场出力动态场景生成方法及其在机组组合中的应用

随着大规模风电接入电网,风电功率的随机性与波动性以及多风电场出力的相关性使得电力系统的运行与调度面临着新的挑战。引入经验Copula函数表征多风电场联合出力分布;对风电的波动性进行建模,利用ksdensity函数拟合风电功率波动量,通过逆变换抽样的方法生成符合风电随机性和波动性的场景集合;生成基于经验Copula函数的多风电场出力动态场景,并将其应用于含多风电场的电力系统随机机组组合问题的求解。算例结果验证了所提风电波动性建模方法的有效性与动态场景生成方法的可行性,同时提高了含多风电场电力系统运行的经济性。     

基于Copula函数的风电时序联合出力典型场景生成

针对风、光出力进行典型场景生成是电力系统规划和运行中应对风、光出力不确定性的常用方法,然而现有的典型场景生成方法未考虑不同时刻出力分布函数的差异性。在此背景下,针对分布式可再生能源发电的不确定性和相关性,创新性地考虑了不同时刻出力分布函数的差异性,运用Copula函数建立了多风电场时序联合出力模型;对模型进行概率抽样、拼接生成大量初始场景集,采用K-means聚类算法进行场景缩减生成风电时序联合出力典型场景。算例分析表明,所得的风电时序联合出力典型场景符合出力的相关性,并可以体现出力分布函数在不同时刻的差异性,在反映同一地区多风电场实际出力方面具有更高的准确性,可以更加有效地指导电力系统的优化运行。     

基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测

随着风电渗透率的不断提高,如何对风电出力进行精准可靠预测是电力系统调度部门所面临的巨大挑战。当前,中国已具备较为成熟的风电功率预测解决方案,但其在转折性天气时段仍会出现极端预测偏差。同时,转折性天气数据集相对于常规功率预测数据集而言属于小样本,如何在小样本数据集下实现准确建模是精度提升的关键。针对上述问题,提出一种基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测方法,该方法通过优选与构造多重场景转折性天气过程下的气象敏感特征,利用时间序列生成对抗网络对多场景气象敏感特征小样本集进行扩充,并采用长短期记忆神经网络对扩充后的敏感气象因子与风电观测出力序列之间的非线性关系进行建模。采用吉林某风电场数据进行算例验证,结果表明所提模型能够在一定程度上提高包含转折性天气的日前风电功率预测精度。     

基于条件生成对抗网络的风电功率极端场景生成

针对风电功率不确定的电力系统调度和规划问题,提出了一种极端场景生成框架。首先,采用迭代方式对历史数据集的分布进行转移,解决了历史数据集中极端样本不足的问题。其次,根据风电功率特征定义不同的极端度量,并对风电功率场景设置不同的极端度量范围,实现不同极端度量范围下的可控生成,增强场景生成的可解释性。然后,通过条件生成对抗网络实现极端场景的可控场景。最后基于风电功率实时数据进行验证。结果表明：所设计的框架不需要复杂的概率建模和采样过程,同时可以捕捉到不同极端情况下的随机特性和动态特性。所提出的方案生成场景的极端度量值准确率在90%以上,能够在可控的极端度量范围以及误差范围内有效生成场景。     

风电和光伏随机场景生成的条件变分自动编码器方法

随着风电、光伏等可再生能源渗透率的不断提高,其运行波动性及随机性对电网稳定运行、经济调度等方面带来不良影响,对可再生能源的不确定性进行建模愈加重要。随机场景分析法是解决该问题的主要方法之一,现有随机场景生成方法基于历史数据对风电、光伏出力进行概率建模,进而进行抽样生成场景,模型准确性差、计算复杂度高。为简化随机场景生成步骤,提高生成效率及精度,提出了一种基于条件变分自动编码器(variational autoencoder,VAE)的风电光伏出力随机场景生成方法,较已有概率方法,所提方法可无监督地学习风电、光伏训练数据的时间、空间及波动性特点,并按条件高效地生成符合观测特点的数据,无需场景约简。通过在单一发电单元、多发电单元、指定标签场景3个场景的成功应用,验证了所提算法的有效性。     

基于条件时序生成对抗网络的楼宇空调负荷场景生成方法

电力系统运行与规划中需重点关注到楼宇空调负荷的不确定性,可将楼宇空调负荷变化的不确性场景转化为多个确定性场景的场景生成问题。提出了楼宇空调负荷场景生成问题的基本分析框架,深入分析了楼宇空调负荷的用能特征,挖掘了楼宇空调负荷用能时序序列数据所蕴含的动静态特征。将楼宇空调负荷数据的动静态特征作为条件监督项,将无监督对抗训练与监督训练相结合,设计了联合训练损失函数与全局优化损失函数,并在此基础上提出了一种基于条件时序生成对抗网络(time series generative adversarial nets,TimeGAN)的楼宇空调负荷场景生成方法。最后,通过算例验证了所提方法的可行性与有效性。研究成果对提高楼宇空调负荷主动参与电力系统的运行规划有积极的意义。     

基于月份划分与指定日类型的风电出力序列场景生成方法

风电场景生成是不确定性条件下进行电网调度及安全校核的重要基础。文中提出一种风电出力序列场景生成方法。首先，基于月均出力将年度风电出力序列划分为分布特性差异大的数个季度；然后,基于风电出力的日特性指标，对年度风电出力序列进行典型日聚类分析，并构建各日类型下的日特性指标联合分布函数。接着，用马尔可夫链描述每一季度内的日类型转移特性，并基于此通过抽样获得未来一段时期内每一日的日类型及日特性指标。进而采用优化技术生成未来一段时间内每日96点日风电出力序列。文中进一步提出了可根据指定极端日类型、日期位置以及长度的风电出力序列场景生成新方法。最后，通过算例分析证明了所提方法的有效性和可行性。     

基于生成对抗网络的综合能源负荷场景生成方法

综合能源负荷场景生成是研究能源计量、规划运行等领域问题的基础,具有重要意义。但由于数据采集困难、综合能源负荷多能耦合等因素的限制,综合能源负荷场景的多样化生成仍是一大难题。提出了一种基于生成对抗网络(generative adversarial networks, GAN)的综合能源负荷场景生成方法。首先建立梯度惩罚优化的Wasserstein生成对抗网络模型,解决综合能源负荷的高随机性可能带来的不收敛或模式崩溃问题。其次,基于深度长短期记忆(long short-term memory, LSTM)的循环神经网络构建生成对抗网络的生成器和判别器,使模型更适用于复杂综合能源负荷数据生成。算例结果表明,所提模型的生成负荷场景在概率分布、曲线标志性特征和冷热电负荷之间相关性等方面相较于蒙特卡洛法和原始生成对抗网络均获得了较好结果,可以在不同模式下生成具有多样性且逼真的负荷场景。