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多区域风电短期出力场景生成方法

基于预测功率结果,构建风电出力场景集是电力系统随机优化调度的重要基础。现有多区域风电出力场景生成方法主要是时空相关性系数约束的随机抽样方法。由于风电时空相关性特征的时变非线性,生成的场景集与风电实际出力差异较大。提出一种基于条件生成对抗网络的多区域风电出力场景生成方法。该方法采用三维卷积网络设计适用于多区域风电出力场景生成的网络结构,通过对条件生成对抗网络进行博弈训练,学习到多个区域风电实际出力数据的特征以及输入数据与输出数据之间的映射关系。以我国西北地区5个风电区域为例对所提方法进行分析,并与传统的以相关性系数为约束的拉丁超立方抽样方法进行对比;结果表明,所提方法生成的多区域出力场景集更符合风电出力特征。     

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WGAN风光资源场景模拟和时序生产模拟的新能源电源容量配置

针对多能源电力系统中新能源电源容量配置问题,考虑到风光资源的不确定性,提出一种基于Wasserstein生成对抗网络(WGAN)的风光资源场景模拟和改进时序生产模拟的新能源电源容量配置模型。采用WGAN模拟大量风光资源场景,用K-medoids聚类削减得到若干典型场景,并提出综合评价指标对典型场景进行评估分析;综合考虑多能源电力系统的运行特性,基于改进时序生产模拟的线性规划模型,构建以经济性最优为目标的新能源规划模型。某地区实际电网算例仿真结果验证了所提模型的有效性以及对提高新能源消纳的显著效果,给出了新能源电源容量配置方案。     

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。     

基于改进生成对抗网络场景生成的长-短期储能优化配置

占比不断提高的新能源对新型电力系统的灵活性调节能力提出了新需求。为此,提出了一种长-短期储能优化配置方法,通过短时功率与长期电量的双重调节来保障系统的多时间尺度灵活性调节能力。首先,提出了一种基于改进生成对抗网络的风光联合出力场景生成方法,通过加入月份标签信息对风光出力的边界进行准确刻画;其次,综合考虑不同类型储能的技术特点,提出一种长-短期储能的运行配合策略;最后,建立了兼顾经济性和灵活性双重目标的长-短期储能配置双层优化模型,通过对上下层模型的不断优化迭代得到最优储能配置方案。以改进的IEEE-RTS 24节点系统为例进行验证,研究结果表明所提方法可有效提升高渗透率电力系统的灵活性与经济性。     

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。     

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。     

计及深度信念网络场景生成的风/光/储协同优化规划方法

新能源出力具有随机波动性，考虑具有随机性的新能源出力场景对新能源与储能规划具有重要意义。现有基于随机抽样的场景生成方法难以考虑新能源波动性和出力时序性。基于此，首先提出一种基于深度信念网络的新能源出力时间序列场景生成方法，以充分挖掘新能源出力特性。其次，综合考虑系统经济性和环保性，建立了基于中长期时序电力平衡的风/光/储协同规划模型。为充分计及新能源出力随机性，采用多组风/光出力模拟序列作为规划模型输入，以所有场景期望结果作为最终规划结果，并对规划结果进行可靠性校核。最后，以我国某省级电网为例进行算例分析，研究不同随机场景和参数灵敏度下的风/光/储容量规划方案，为考虑新能源出力随机性的电源规划问题提供解决方案。     

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Markov链和Copula理论的风光联合输出功率时间序列模拟生成方法

模拟生成风光联合输出功率时间序列对电力系统的规划、调度和控制具有重要意义。综合考虑风电和光伏输出功率日特性、天气特性及波动性，提出4种基于Markov链和Copula理论的模拟生成风光联合输出功率时间序列方法:第1种方法利用改进Markov链分别生成风电和光伏输出功率时间序列，再将二者叠加得到风光联合输出功率时间序列；第2种方法将风/光输出功率历史序列按时间对应相加作为历史数据，运用改进Markov链直接生成风光联合输出功率时间序列的方法；为了降低传统方法抽样随机性，第3种方法运用改进Markov链和Copula理论的结合来生成风光联合输出功率时间序列；为寻求更好的方法，第4种方法运用熵权法进行组合模拟来生成风光联合输出功率时间序列。工程实例表明，所提出的4种方法均正确有效，其中的组合生成法效果更好。     

考虑阵列间时空相关性的超短期光伏出力预测

随着我国光伏产业建设步伐的加快,光伏出力预测对于优化电网调度和提高新能源消纳的意义日益凸显。基于光伏站点中不同阵列之间的空间相关性和光伏功率输出的时序特性,提出一种基于图卷积神经网络和长短期记忆网络(graph convolution network and long short-term memory, GCN-LSTM)的超短期光伏出力预测方法。该方法首先以图的形式刻画出光伏站点中不同阵列的连接关系。然后利用图卷积神经网络(graph convolution network, GCN)实现图模型的空间特征提取,并得到包含不同阵列之间空间特征的时序信息。最后将时序数据输入长短期记忆网络(long short-term memory, LSTM)进行光伏出力预测。实验结果表明,基于GCN-LSTM的光伏出力预测方法具有较高的精确性与稳定性,在一定程度上弥补了基于时序信息预测方法的固有缺陷,并且展现出在大规模电站上的良好应用前景。     

基于残差卷积自编码的风光荷场景生成方法

随着风、光等新能源的发展,对含大量风、光电网的调控和运行提出了更高的要求.典型场景是处理该问题的主要方式之一.针对传统聚类生成典型场景的方法易产生数据信息损失、特征提取不够精确等问题,提出了一种基于残差卷积自编码聚类的风光荷不确定性源场景生成方法.首先,利用残差卷积自编码器网络提取风光荷数据的特征,在减少数据信息损失并...     

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MBI-PBI-ResNet的超短期光伏功率预测

为了增强光伏并网的稳定性,提高光伏发电功率预测精度,提出一种基于相似日聚类、群分解(swarm decomposition, SWD)和MBI-PBI-ResNet深度学习网络模型的光伏发电功率超短期预测方法。首先,使用快速傅里叶变换(fast fourier transform, FFT)提取太阳辐照度的期望频率,将其作为聚类特征向量,并根据此聚类特征向量采用自适应仿射传播聚类(adaptive affinity propagation clustering, AdAP)实现相似日聚类。其次,对每一类相似日分别使用群分解算法进行分解,以提取原始数据的多尺度波动规律特征。最后,利用MBI-PBI-ResNet来实现对天气环境多变量关联影响下的时序特征挖掘以及对多尺度分量的局部波形空间特征和长时间依赖时序特征的同时挖掘,并对不同类型特征进行综合集成来实现光伏发电功率超短期预测。研究结果表明：所提方法在光伏发电功率超短期预测领域相较于其他深度学习方法预测精度提高了3%以上,说明此方法在光伏发电功率超短期预测领域具有较高的预测精度和较强的泛化能力。     

基于LHS与BR的风电出力场景分析研究

场景分析是电网运行规划中的一项重要技术,也是一个基础性工作。为有效分析风电出力的场景特征,本文基于风速的不确定特性对场景分析问题进行建模,构建了基于拉丁超立方抽样（LHS）与后向缩减法的场景分析模型,为快速分析任意时段的风电出力提供重要依据。本文首先分析风速特征,归纳同一时间点风速符合的概率分布;接着拟合各时刻威布尔分布的参数值,提出了一套基于LHS的场景生成方法;然后构建后向缩减场景缩减模型,使得到的若干条曲线能够更大程度表征原始场景的变化特征。最后,通过算例分析对比验证了本文所提方法的有效性与准确性。     

基于分形理论的新型电力系统规划场景生成方法

新型电力系统中的新能源占比不断提高,源荷不确定性使得新型电力系统的规划边界难以确定,因此有必要提出适应新型电力系统的规划场景生成方法。分析净负荷数据的分形特征,并提出规划场景生成方法的总体框架;在提出净负荷时间序列盒维数计算方法的基础上,利用盒维数的时移不变性提出规划场景初始点的预测方法;对分形插值算法进行细化,并提出基于初始点的规划场景生成方法。以某地区实际净负荷数据为例进行分析,验证了所提方法的有效性和可行性。