华北电力大学;
新型电力系统运行与规划中涉及大量新能源场景的建模和分析，场景选取的合理性对系统运行和规划的计算效率和可靠性有重要影响。为此，提出基于深度学习的VAE-DCGAN模型，该模型使用变分自动编码器作为生成对抗网络的生成器部分，使其学习历史数据的出力特征，并通过与判别器的博弈训练生成大量风光出力场景。利用累积概率分布和最大均值差异距离等指标，对生成场景的优劣进行评估。结果表明，VAE-DCGAN模型的生成数据和真实数据的MMD距离为0.032?9，模型可以较好地学习到风光历史数据的出力特征。
| 52 | 0 | 5 |
| 下载次数 | 被引频次 | 阅读次数 |
[1]崔岱,葛维春,赵文广，等.含低负荷场景低碳多源协调调度[J].仪器仪表学报,2019(11):155-164.
[2]罗佳,黄晋英.生成式对抗网络研究综述[J].仪器仪表学报,2019(3):74-84.
[3]蔡国源,牛玉广,刘雪菲,等.基于图像卷积变分自编码的电站锅炉燃烧稳定性评价方法[J].仪器仪表学报,2022(3):210-220.
[4]董骁翀,孙英云,蒲天骄.基于条件生成对抗网络的可再生能源日前场景生成方法[J].中国电机工程学报,2020(17):5527-5536.
[5]肖白,于龙泽,刘洪波,等.基于生成虚拟净负荷的多能源电力系统日前优化调度[J].中国电机工程学报,2021(21):7237-7248.
[6]王守相,陈海文,李小平，等.风电和光伏随机场景生成的条件变分自动编码器方法[J].电网技术,2018(6):1860-1867.
[7]黄南天,王文婷,蔡国伟,等.计及复杂气象耦合特性的模块化去噪变分自编码器多源-荷联合场景生成[J].中国电机工程学报,2019(10):2924-2934.
[8]Candelieri A,Ponti A,Archetti F.Gaussian Process regression over discrete probability measures:on the non-stationarity relation between Euclidean and Wasserstein Squared Exponential Kernels[J].Journal of Global Optimization,2025(4):1-26.
[9]Carioni M,Iglesias A J,Walter D.Extremal Points and Sparse Optimization for Generalized Kantorovich-Rubinstein Norms[J].Foundations of Computational Mathematics,2023(1):1-42.
[10]陈华华,陈哲,郭春生，等.混合高斯变分自编码器的聚类网络[J].中国图象图形学报,2022(7):2148-2156.
基本信息:
DOI：10.16825/j.cnki.cn13-1400/tb.2025.02.017
中图分类号:TM61;TP183
引用信息:
[1]郭子铭.基于生成对抗网络的风光出力场景生成[J].工业技术与职业教育,2025,23(02):8-12+18.DOI:10.16825/j.cnki.cn13-1400/tb.2025.02.017.
基金信息: