關(guān)鍵詞：條件生成對抗網(wǎng)絡(luò)；變分自編碼器；虛擬電廠；光伏；數(shù)據(jù)挖掘

中圖分類號：TM919 文獻(xiàn)標(biāo)識碼：A

0 引言

在傳統(tǒng)的電力系統(tǒng)規(guī)劃和運(yùn)行過程中，常常采用基于統(tǒng)計(jì)方法的預(yù)測模型如時間序列分析、回歸分析等，對光伏發(fā)電不確定性進(jìn)行預(yù)測。然而，這些方法無法充分考慮光伏發(fā)電系統(tǒng)的復(fù)雜性，導(dǎo)致預(yù)測結(jié)果的準(zhǔn)確性和魯棒性有限[1]。因此，需要采用更加先進(jìn)的數(shù)據(jù)挖掘技術(shù)以提高對光伏發(fā)電不確定性的理解和預(yù)測能力。虛擬電廠（virtual powerplant，VPP）技術(shù)作為能源領(lǐng)域的一個重要分支，旨在模擬和優(yōu)化電力系統(tǒng)的運(yùn)行。它通過對電力系統(tǒng)的各種組成部分進(jìn)行建模，提供了一種全面的仿真環(huán)境，為電力系統(tǒng)規(guī)劃、運(yùn)行與管理提供了強(qiáng)有力的支持。在光伏發(fā)電領(lǐng)域，虛擬電廠技術(shù)用于模擬光伏發(fā)電系統(tǒng)的運(yùn)行情況，特別是在考慮不確定性因素時，其作用尤為顯著[2]。

人工智能不僅改變了人們對數(shù)據(jù)的理解方式，還為解決復(fù)雜問題提供了全新的視角和方法[3]。在深度學(xué)習(xí)的框架下，生成對抗網(wǎng)絡(luò)（generativeadversarial networks，GAN）作為一種強(qiáng)大的生成模型引起了人們的廣泛關(guān)注。通過競爭式學(xué)習(xí)機(jī)制，GAN 可以同時訓(xùn)練生成器和判別器網(wǎng)絡(luò)，實(shí)現(xiàn)對數(shù)據(jù)分布的模擬和生成。由于獨(dú)特的生成方式，GAN 在圖像生成、自然語言處理等領(lǐng)域取得了突出成果。然而，隨著GAN 的研究和應(yīng)用不斷深入，人們逐漸意識到標(biāo)準(zhǔn)的GAN 模型在生成特定類型數(shù)據(jù)時存在一定的局限性，因此條件生成對抗網(wǎng)絡(luò)（conditional GAN，CGAN）應(yīng)運(yùn)而生。本文探討基于VAE-CGAN 的虛擬電廠技術(shù)在光伏發(fā)電不確定性數(shù)據(jù)挖掘中的應(yīng)用，以及如何更好地利用數(shù)據(jù)來支持電力系統(tǒng)的規(guī)劃與運(yùn)行決策。

1 虛擬電廠光伏系統(tǒng)

VPP 中的光伏系統(tǒng)是一種關(guān)鍵的分布式能源資源，通過光電能量轉(zhuǎn)換方式，將光轉(zhuǎn)變?yōu)殡?。光伏系統(tǒng)通過整合、協(xié)同和智能管理，提供了清潔、可再生的能源。這種可再生能源不僅推動了電力系統(tǒng)向更環(huán)保和可持續(xù)的方向發(fā)展，而且通過分布式能源整合，提高了系統(tǒng)的整體靈活性和可控性。光伏系統(tǒng)的能源交易和市場參與使其成為VPP 的重要組成部分，通過智能調(diào)度和能源交易，優(yōu)化電力供應(yīng)，提高經(jīng)濟(jì)效益。此外，光伏系統(tǒng)在減少對傳統(tǒng)電網(wǎng)依賴、支持電力系統(tǒng)調(diào)頻和提高穩(wěn)定性方面發(fā)揮著關(guān)鍵作用，為實(shí)現(xiàn)可持續(xù)的智能能源管理提供了有力支持。通過優(yōu)先利用光伏系統(tǒng)的電力，VPP不僅減少了對傳統(tǒng)化石燃料的需求，還加快了電力系統(tǒng)中由傳統(tǒng)能源向清潔能源過渡的進(jìn)程。

2 相關(guān)技術(shù)

2.1 條件生成對抗網(wǎng)絡(luò)

CGAN 是一種生成對抗網(wǎng)絡(luò)的變體，其引入了條件信息以指導(dǎo)生成器生成特定類型的數(shù)據(jù)[4-5]。GAN 包括生成器和判別器。這兩個部分通過對抗性訓(xùn)練共同進(jìn)步，其中生成器的目標(biāo)是制造出足夠逼真的數(shù)據(jù)，而判別器的任務(wù)則是辨別哪些是生成器制造的數(shù)據(jù)，哪些是真實(shí)的數(shù)據(jù)。生成器接受一個隨機(jī)噪聲向量z 和條件信息y，然后生成數(shù)據(jù)樣本x。生成器的輸出可以表示為G（z，y）。判別器接收數(shù)據(jù)樣本x 和條件信息y，并輸出一個概率值D （x，y），以表示接收數(shù)據(jù)是真實(shí)數(shù)據(jù)的概率，D（x，y）是一個在[0，1] 內(nèi)的值。

交叉熵?fù)p失函數(shù)是評估CGAN 生成器和判別器性能的關(guān)鍵指標(biāo)，生成器的損失函數(shù)LG 可以表示為：

通過優(yōu)化兩種損失函數(shù)，CGAN 可以利用生成器來生成具有所需特征的逼真數(shù)據(jù)，利用判別器更加精準(zhǔn)地判別輸入數(shù)據(jù)是否為真實(shí)數(shù)據(jù)。

2.2 變分自編碼器

變分自編碼器（variational auto encoder，VAE）是一類用于生成數(shù)據(jù)的模型，也用于學(xué)習(xí)數(shù)據(jù)的潛在表示和生成新的數(shù)據(jù)點(diǎn)。它是一種無監(jiān)督學(xué)習(xí)算法，能夠從高維度數(shù)據(jù)中提取關(guān)鍵特征。VAE 由編碼器和解碼器構(gòu)成，編碼器的作用是將輸入數(shù)據(jù)轉(zhuǎn)換為潛在空間中的表示形式，而解碼器負(fù)責(zé)基于潛在空間中的表示，重建原始數(shù)據(jù)。

3 基于VAE-CGAN的光伏不確定性數(shù)據(jù)挖掘

3.1 VAE-CGAN 模型結(jié)構(gòu)

VAE-CGAN 模型結(jié)構(gòu)如圖1 所示，可以分為3個模塊：數(shù)據(jù)預(yù)處理、生成器和判別器。數(shù)據(jù)預(yù)處理組件的作用是縱向拼接時序數(shù)據(jù)和條件信息。生成器和判別器的神經(jīng)網(wǎng)絡(luò)以對偶方式呈現(xiàn)，多層長短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）與一個緊隨其后的全連接層組成模型。VAE-CGAN模型結(jié)構(gòu)參數(shù)如表1 所示。

3.2 模型訓(xùn)練流程

如圖2 所示，VAE-CGAN 模型通過一個分階段的訓(xùn)練流程來訓(xùn)練參數(shù)，這個過程中參數(shù)的訓(xùn)練順序非常重要，這是因?yàn)镃GAN 模型產(chǎn)生條件數(shù)據(jù)的能力主要依賴 VAE 模型是否能夠準(zhǔn)確地從數(shù)據(jù)中提取標(biāo)簽信息。如果VAE 模型提取的標(biāo)簽數(shù)據(jù)是錯誤的，CGAN 生成的輸出數(shù)據(jù)將無法滿足預(yù)期的條件要求。因此，在整個訓(xùn)練流程中，首先必須保證VAE 模型的有效運(yùn)作，之后才能進(jìn)行CGAN模型參數(shù)的訓(xùn)練。此外，每次更新模型參數(shù)后，需要使用最大均值差異（maximum mean discrepancy，MMD）評估方法來評估模型的性能。如果評估結(jié)果不符合要求，就需要重新選擇VAE-CGAN 模型的超參數(shù)并重新進(jìn)行訓(xùn)練。

4 實(shí)驗(yàn)結(jié)果

為了證明本文所提出模型的有效性，將其與基于高斯混合模型（gaussian mixture model，GMM）的光伏發(fā)電不確定性模擬方法進(jìn)行比較?；贕MM 的建模方法，通過K-means 算法對VAE 提取的氣象特征進(jìn)行分類，進(jìn)而使用分類結(jié)果作為判斷相似天氣的依據(jù)，并以此建立光伏發(fā)電功率的條件模型。在對比實(shí)驗(yàn)中，通過對比兩種方法在模擬光伏發(fā)電數(shù)據(jù)上的表現(xiàn)來評估它們的準(zhǔn)確性和適用性。序列結(jié)果對比如圖3 所示。

由圖3 可知，相較于GMM 模型，VAE-CGAN模型的置信區(qū)間更為緊湊，此外，VAE-CGAN 模型預(yù)測的期望值與實(shí)際觀測值之間的偏差也更小。這表明在給定天氣條件下，VAE-CGAN 模型有效縮小了光伏輸出的不確定性波動，其在條件生成方面也表現(xiàn)出比GMM 模型更優(yōu)異的性能。實(shí)驗(yàn)結(jié)果表明，VAE-CGAN 模型在預(yù)測光伏發(fā)電功率方面具有一定的優(yōu)越性，為光伏發(fā)電系統(tǒng)的不確定性建模提供了一種更加可靠的解決方案。

5 結(jié)論

光伏發(fā)電系統(tǒng)是可再生能源領(lǐng)域的關(guān)鍵部分，在電力行業(yè)中扮演著日益重要的角色。然而，光伏發(fā)電的不確定性給電網(wǎng)調(diào)度和能源規(guī)劃帶來了挑戰(zhàn)，因此對光伏發(fā)電不確定性進(jìn)行準(zhǔn)確建模與預(yù)測具有重要意義。本文將條件生成對抗網(wǎng)絡(luò)和變分自編碼器相結(jié)合，提出基于VAE-CGAN 進(jìn)行虛擬電廠光伏不確定性數(shù)據(jù)的挖掘。該方法能夠更有效地捕捉虛擬電廠光伏系統(tǒng)的不確定性特征，提高光伏發(fā)電功率預(yù)測的準(zhǔn)確性和可靠性。實(shí)驗(yàn)結(jié)果表明，VAE-CGAN 模型在虛擬電廠光伏發(fā)電功率預(yù)測方面取得了令人滿意的結(jié)果，為電力系統(tǒng)的運(yùn)行和規(guī)劃提供了可靠的支持。未來將進(jìn)一步優(yōu)化模型，探索如何將其應(yīng)用于實(shí)際光伏發(fā)電場景中，以促進(jìn)虛擬電廠的可持續(xù)發(fā)展。