基于残差卷积自编码的风光荷场景生成方法

彭雨筝，李晓露，李聪利，丁一

(1.上海电力大学电气工程学院，上海市 200090；2. 国网天津市电力公司，天津市 300010)

0 引 言

由于能源的日益枯竭与环境问题，诸如风、光等清洁能源的应用正变得愈发普遍。风、光具有一定的随机性与不确定性，但也拥有一定的耦合性与周期性[1]。电力系统的规划与调控，往往需要考虑负荷及风、光资源的耦合性与周期特性。若利用年时序场景对电力系统的规划和调控进行场景分析，虽然具有工程价值，但计算成本高、效率低；而典型日法则过于保守，不能反映风光荷的周期特性。所以典型场景集的生成，即将风光荷出力消耗变化的不确定场景转化为多个确定的场景，对电力系统的规划与调度，风、光的消纳能力评估等具有重要意义。

当前典型场景的生成方法主要是用聚类来缩减长期的时序场景[2]。但在电力数据快速增长的背景下，对风光荷场景直接进行聚类运算的复杂度和时间会大大增加，进而影响到聚类效果。为了提高算法效率、节省储存空间，文献[3-6]采用数据降维的方法来提高聚类效果，主要有：主成分分析(principal component analysis, PCA)、自组织映射(self-organizing feature map, SOM)等。虽然传统的降维方法有降维速度快、计算简单等优点，但在对高维数据进行降维时易产生数据损失，降维效果较差，所提取特征不能精确反映原数据特征等问题。随着深度学习的发展[7]，深度学习在数据挖掘、特征提取等方面表现出了优异的性能。自编码可通过重构原始数据实现电力数据的深层特征提取。……