基于LSTM-CGAN 的风电场景生成方法

摘 要：针对传统风电场景生成方法未充分利用风电功率的预测误差，以及未合理考虑风电序列时间相关性的问题，提出了一种基于LSTM-CGAN（LongShort-Term MemoryConditionalGenerativeAdversarialNetwork）的风电场景生成方法。该方法在条件生成对抗网络模型的训练过程中引入了符合风电预测误差分布的随机噪声，同时使用深度长短期记忆网络搭建条件生成对抗网络的生成器和判别器。算例结果表明，所提方法生成的场景集对风电真实场景的覆盖率能够保持在98%以上，刻画风电的不确定性也不会过于保守，能够更好地学习到风电序列的时间相关性。

关键词：风电;误差拟合;长短期记忆网络;条件生成对抗网络

中图分类号：TP399 文献标志码：A

0 引言（Introduction）

场景生成通过生成多个风电预测场景来描述风电的不确定性，是电力系统随机优化调度中的重要环节。场景生成方法主要分为统计学方法和深度学习方法。统计学方法主要有蒙特卡洛抽样法[1]、马尔可夫链法[2]和Copula函数法[3];深度学习方法主要有基于CGAN的场景生成方法[4-7]。统计学方法无法充分考虑风电序列的时空相关性和其他的未知性关系，而基于CGAN的场景生成方法是使用卷积神经网络搭建网络模型。风电序列具有较强的时间相关性，而卷积神经网络常用于对空间相关性特征的建模，相比之下，LSTM 网络则常用于对时序特征的建模[8]。同时，现有CGAN方法都是采用高斯白噪声来训练模型，而不同的随机噪声分布会对模型所生成的样本质量产生显著影响[9]。基于此，本文提出了一种基于LSTM-CGAN的风电场景生成方法。该方法使用深度LSTM网络构建CGAN的生成器与判别器，以风电功率日前预测值作为CGAN的条件变量，并且在模型的训练过程中引入了基于风电预测误差拟合的随机噪声。

1 风电功率预测误差拟合（Windpowerpredictionerrorfitting）

1.1 数据来源与数据预处理

本文选用的数据集为比利时官方公布的2019年1月1日至2023年6月30日的风电运行数据。该数据集涵盖了风电功率日前预测值和实际风电功率，为深入分析风电特性提供了坚实基础。数据集中风电场的最大装机容量为2786.25MW，数据采样间隔为15min。在误差拟合之前，首先需要对数据集进行清洗，去除空值和偏差过大的数据;其次根据公式（1）计算出风电功率的预测误差，其公式如下：

θ=～P-P （1）

其中：～P 为实际功率，P 为预测功率。

1.2 误差拟合

风电功率预测误差拟合模型主要分为参数拟合模型和非参数拟合模型两类。当拟合数据的概率分布形式为已知时，使用参数拟合模型较为方便且拟合精度较高，而非参数拟合模型的拟合结果完全由数据驱动，不会因为选择概率分布模型不当而出现较大的拟合误差。常用的参数拟合模型有正态分布、tlocation分布、拉普拉斯分布及Beta分布，常用的非参数拟合模型有核密度估计。

本文分别采用以上5种模型对数据集中前4年的风电预测误差数据进行拟合。引入评价指标I 评估预测误差拟合的精度[10]，其公式如下：

其中：δ 为风电预测误差数据的频率分布直方图的区间宽度，D为区间数，qd 为直方图中第d 个区间的中心位置对应的拟合概率密度函数值，ϑd 为第d 个区间的高度。I 越小，表示通过拟合得到的概率密度值qd 和原始数据实际的概率密度值ϑd越接近，即误差拟合的效果越好。各种拟合方法对应评价指标I 的计算结果如表1所示。由表1可知，核密度估计法的拟合效果更好，因此本文提出的LSTM-CGAN模型选择的风电预测误差拟合方法为核密度估计法。

2 基于LSTM-CGAN的场景生成模型（ScenariogenerationmodelbasedonLSTM-CGAN）

为了使CGAN能够更好地学习到风电序列的时间相关性，本文使用深度LSTM构建CGAN的生成器与判别器，生成器和判别器都堆叠了多个LSTM 层，将上一个LSTM 层各时间点的隐藏状态输出作为下一层网络的输入。为了加快模型的训练速度并提高其泛化能力，在模型中添加了归一化层。由于本文中的LSTM-CGAN模型使用了梯度惩罚项，因此无法使用批归一化，所以使用层归一化代替。为了使模型能够更好地利用风电功率的预测误差信息，本文使用符合风电预测误差分布的随机噪声代替传统模型中的高斯白噪声，首先使用核密度估计法对风电历史数据的风电预测误差进行拟合，其次根据拟合得到的函数生成随机噪声用于模型的训练与后续风电初始场景的生成。为了使模型能够更好地提取风电预测功率所携带的风电原始信息，本文基于LSTM-CGAN的风电场景生成模型使用风电的日前预测值作为条件变量c。LSTM-CGAN模型生成器的网络结构如图1所示，判别器的网络结构如图2所示。

根据上述分析，将基于误差拟合的随机噪声和风电功率日前预测值拼接起来作为生成器的输入;将生成器生成的样本和风电功率真实值分别与风电功率日前预测值拼接起来作为判别器的输入。拼接后得到生成器和判别器输入数据的结构如图3所示，其中c 为条件变量值，即风电功率日前预测值;P 分别表示对应的随机噪声z、生成样本x'及真实样本x 的值。

参考ZANG等[11]提出的模型，将LSTM 隐藏状态的维度设置为128，LSTM的层数设置为4，每批次的训练数据设置为32。由图3可知，生成器与判别器的输入数据的维度都是（2，96），因此将生成器与判别器中的第一个LSTM 层的输入特征维度设置为2，在经过第一个LSTM 层之后，输出的数据维度变为（128，96），而网络中的层归一化层不会改变数据的维度，因此将第二至第四个LSTM层的输入特征维度都设置为128。对于层归一化层，由于每批次的训练数据都设置为32，因此归一化维度设置为（32，128，96）。在生成器中，最后一个LSTM层的输出数据的维度（128，96）与所需要的风电场景数据维度（1，96）不一致，因此在LSTM层后面加入一个全连接层，输入维度设置为128，输出维度设置为1。在判别器中，最后一个LSTM层的输出数据的维度（128，96）与所需要的判别值维度（1，1）不一致，因此在LSTM 层后面加入一个全连接层，输入维度设置为128×96，输出维度设置为1。本文模型生成器网络的具体参数如表2所示，判别器网络具体参数如表3所示。

3 算例分析（Casestudyanalysis）

3.1 算例概况

算例选用本文“1.1”小节中介绍的数据集，数据集中包括风电功率的日前预测值和实际值，以2019年1月1日至2022年12月31日的风电数据作为训练集，以2023年1月31日至6月30日的风电数据作为测试集。经过清洗后，训练集的数据共有139868条，测试集的数据共有17276条，以连续的96条数据作为1d的样本，共选择训练集数据1456d、测试集数据151d（2023年1月1日至2023年5月31日）。

3.2 场景生成与方法对比

分别采用本文提出的LSTM-CGAN方法、使用高斯白噪声训练的LSTM-CGAN方法（G-LSTM-CGAN）、基于CGAN的风电场景生成方法[4]、蒙特卡洛法[1]及马尔科夫链法[2]生成测试集中151d的风电场景集，每天生成500个风电场景，给出2023年2月19日LSTM-CGAN方法生成的风电场景集（图4）。由图4可以看出，本文提出的LSTM-CGAN方法生成的风电场景集能够较好地覆盖风电的真实场景，生成场景的变化趋势与真实场景一致，说明该方法能够有效地生成风电场景。

为了进一步验证本文提出的场景生成方法的有效性，分别使用自相关系数（AutocorrelationCoefficient，ACC）、功率区间宽度（PowerIntervalWidth，PIW）、误差分数（Errorscore，Es）、覆盖率（Coveragerate，Cr）及差异分数（Variogramscore，Vs）评估各场景方法生成风电场景集的质量[12]。

LSTM-CGAN、G-LSTM-CGAN、基于CGAN的风电场景生成方法[4]、蒙特卡洛法[1]及马尔科夫链法[2]生成的场景集与实际风电序列的自相关系数箱型图如图5所示。箱型图描述的是各方法生成风电场景集自相关系数的分布，图中的“·”为真实风电序列对应的自相关系数，“+”表示异常值。由图5可以看出，蒙特卡洛法生成的场景集的自相关系数与真实风电序列的自相关系数相差较大，因此以上基于蒙特卡洛的场景生成方法生成的场景无法描述真实风电序列的时间相关性;而其他4种场景生成方法生成的场景集的自相关系数分布都能涵盖真实风电序列的自相关系数，而且两者的变化趋势一致;在这4种方法中，LSTM-CGAN方法生成的风电场景集自相关系数的中位数与真实风电序列的自相关系数最接近，而且异常值最少，因此LSTM-CGAN方法能更稳定有效地学习到风电序列的时序相关性;同时，LSTM-CGAN方法与G-LSTM-CGAN方法的自相关系数异常值相较于CGAN 方法更少，说明使用LSTM网络来搭建CGAN模型的生成器与判别器，能够使模型更好地学习风电序列的时间相关性。

为了避免单一样本验证的不严谨性，使用功率区间宽度、误差分数、覆盖率及差异分数对测试集中所有的样本进行泛化验证。首先使用以上各种场景生成方法来生成测试集中5个月的风电场景集，然后计算其所对应的评估指标。2023年1月至2023年5月各评估指标平均值如图6所示。从图6中可以看出，相较于其他的场景生成方法，基于CGAN的风电场景生成方法生成的场景集的覆盖率较低，而其他4种场景生成方法生成的场景集都能够较好地覆盖风电的真实场景;G-LSTMCGAN方法、蒙特卡洛法和马尔科夫链法生成的场景集的功率区间宽度和误差分数比基于CGAN 的风电场景生成方法和LSTM-CGAN方法的大，说明相较于G-LSTM-CGAN方法、蒙特卡洛法和马尔科夫链法，LSTM-CGAN方法和基于CGAN的风电场景生成方法生成的风电场景与风电真实场景更加接近;LSTM-CGAN方法的差异分数相较于其他4种场景生成方法更低，说明LSTM-CGAN方法生成的风电场景与风电实际场景的变化趋势的相似度最高。

综上所述，相较于其他4种场景生成方法，LSTM-CGAN生成的风电场景集能够较好地覆盖风电的真实场景，刻画风电的不确定性也不会过于保守，能够更好地学习到风电出力序列的时序相关性，证明LSTM-CGAN能够更加准确、有效地描述风力发电的不确定性。

4 结论（Conclusion）

本文提出了一种基于生成对抗网络的风电场景集生成方法，该方法使用核密度估计法进行风电功率预测误差拟合，以风电日前预测值作为条件变量，使用LSTM 网络构建CGAN模型的生成器和判别器，算例验证了本文所提方法的有效性和准确性，具体结论如下。

（1）采用深度LSTM网络构建模型的生成器和判别器，使模型能够更好地学习风力发电序列的时间相关性，生成的风电场景集相较于传统的CGAN模型更加符合风电出力特征。

（2）相较于蒙特卡洛法和马尔可夫链法等基于统计学建模的风电场景生成方法，本文提出的LSTM-CGAN生成的风电场景集与风电真实场景更加接近。

（3）相比于高斯白噪声，符合风电功率预测误差分布的随机噪声可以更好地模拟真实的误差情况，从而使生成的场景更加真实和可信。通过在训练中引入这种预测误差分布，可以提高生成的风电场景与风电真实场景之间的相似度，从而提高模型所生成风电场景的质量。

参考文献（References）

[1]车兵，李轩，郑建勇，等.基于LHS与BR的风电出力场景分析研究[J].电力工程技术，2020，39（6）：213-219.

[2]辛阔，马骞，许琴，等.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[J].电力系统自动化，2023，47 （15）：151-161.

[3]LINSF，LIUCT，SHENY W，etal.Stochasticplanningofintegratedenergysystemviafrank-copulafunctionandscenarioreduction[J].IEEEtransactionsonsmartgrid，2022，13（1）：202-212.

[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，2020，40 （17）：5527-5535.

[5]ZHANGXR，LIDL，FUXQ.AnovelWassersteingenerativeadversarialnetworkforstochasticwindpoweroutputscenariogeneration[J].IETrenewablepowergeneration，2024，18（16）：3731-3742.

[6]LIH，YUHY，LIUZJ，etal.Long-termscenariogenerationofrenewableenergygenerationusingattention-basedconditionalgenerativeadversarialnetworks[J].Energyconversionandeconomics，2024，5（1）：15-27.

[7]黄越辉，孙亚南，李驰，等.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[J].电网技术，2023，47 （1）：63-77.

[8]董骁翀，张姝，李烨，等.电力系统中时序场景生成和约简方法研究综述[J].电网技术，2023，47（2）：709-721.

[9]李洪均，李超波，张士兵.噪声稳健性的卡方生成对抗网络[J].通信学报，2020，41（3）：33-44.

[10]黄莉莎.基于风电多场景的电力系统调度研究[D].徐州：中国矿业大学，2022.

[11]ZANGHX，XURQ，CHENGLL，etal.ResidentialloadforecastingbasedonLSTMfusingself-attentionmechanismwithpooling[J].Energy，2021，229：120682.

[12]王小飞，胡志坚，仉梦林，等.短期风功率场景质量的评估框架构建研究[J].电网技术，2017，41（5）：1583-1589.

作者简介：

刘鹏飞（2000-），男（汉族），邵阳，硕士生。研究领域：控制工程。

李 瑶（1993-），女（汉族），遵义，工程师，硕士。研究领域：电

李捍东（1966-），男（汉族），遵义，教授，硕士。研究领域：计算

基金项目：国家自然科学基金（52167007）