文献类型：期刊文章

作　　者：朱瑞金[1] 廖文龙[2] 王玥珑[3] 王煜森[4] 陈洁婧[5]

ZHU Ruijin;LIAO Wenlong;WANG Yuelong;WANG Yusen;CHEN Jiejing(School of Electrical Engineering,Tibet Agriculture and Animal Husbandry University,Linzhi 860000,China;Department of Energy Technology,Aalborg University,Aalborg 9220,Denmark;State Grid Tianjin Chengxi Electric Power Supply Branch,Tianjin 300100,China;School of Electrical Engineering and Computer Science,KTH,Stockholm SE-10044,Sweden;School of Software and Microelectronics,Peking University,Beijing 102600,China)

机构地区：[1]西藏农牧学院电气工程学院,林芝860000 [2]奥尔堡大学能源技术系,奥尔堡9220 [3]国网天津城西公司,天津300100 [4]瑞典皇家理工学院电气工程与计算机科学学院,斯德哥尔摩SE-10044 [5]北京大学软件与微电子学院,北京102600

出　　处：《高电压技术》

基　　金：国家自然科学基金(51667017);西藏自治区教育厅高校重点实验室-电气工程实验室支持项目(2019D-ZN-02)。

年　　份：2022

卷　　号：48

期　　号：1

起止页码：374-384

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：风电和光伏在配电网中的渗透率逐年提高,其出力的随机性和波动性给配电网的运行和规划带来了巨大的挑战。针对可再生能源输出功率的不确定性问题,提出了基于生成矩匹配网络(generative moment matching network,GMMN)的光伏和风电随机场景生成方法。该方法采用最大平均差异作为生成器的损失函数,并利用自动编码器对生成的随机场景进行降维,以解决高维功率曲线的低维流形问题。根据功率曲线的特征,设计了适用于可再生能源随机场景生成的网络结构,并通过实际数据验证了所提方法的有效性和适应性。仿真结果表明,所提的GMMN不仅能很好地模拟光伏和风功率曲线的形状特征、概率分布特征、波动性以及时空相关性,还具有较好的普适性,仅需调节网络的结构和参数就能应用于不同发电单元的随机场景生成任务。

关 键 词：深度学习  数据驱动 自动编码器  生成矩匹配网络  场景生成  可再生能源

分 类 号：TM61] TP18]