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风光荷耦合性的前提下,降低数据维度;然后,为了减少噪声数据对实验结果产生的影响,利用k-medoids进行聚类从而生成典型场景。最后,以西北某地区电网实际采集数据为研究对象进行算例分析,与传统聚类方法进行戴维斯堡丁指数(Davies-Bouldin index, DBI)、Calinski-Harabaz指数(Calinski-Harabasz index, CHI)等指标对比,验证了所提方法的可行性。