基于校正條件生成對抗網絡的風電場群綠氫儲能系統容量配置

朱 玲 李 威 王 騫 張學廣

基于校正條件生成對抗網絡的風電場群綠氫儲能系統容量配置

朱 玲1,2李 威1,2王 騫3張學廣3

（1. 智能電網保護和運行控制國家重點實驗室 南京 211106 2．南瑞集團有限公司（國網電力科學研究院有限公司） 南京 211106 3．哈爾濱工業大學電氣工程及自動化學院 哈爾濱 150001）

以條件生成對抗網絡（CGAN）為代表的半監督學習可計及風電波動并生成出力場景集合，生成的數據可輸入氫氣儲能容量配置模型以支撐優化求解。為此，該文首先設計一種校正條件生成對抗網絡（CCGAN），并基于風電預測誤差構建條件校正器，對預測失準事件和風電爬坡事件下輸入生成器的標簽信息進行識別和校正；然后，以儲能定容的綜合成本和各風場棄風成本為目標函數，構建綠氫儲能容量配置的多目標優化模型，并引入基于切比雪夫距離的膝區域數學概念，以指導多目標優化算法設計；最后，以新英格蘭39節點系統為例進行算例分析，結果表明未經校正的條件信息將導致定容決策偏離實際，而CCGAN能生成計及風電不確定性的高置信出力場景，使得容量配置結果兼顧魯棒性和經濟性。

校正條件生成對抗網絡 綠氫儲能 容量配置 場景生成 風電預測誤差

0 引言

“雙碳”目標指導下，我國的風電滲透率不斷提高。為實現風電的高效消納，以風電制氫氣為典型的綠氫儲能系統正成為能量存儲的重要載體[1]。該儲能形式在構建清潔低碳、安全高效的能源體系進程中的潛力亟待挖掘[2-3]。然而，風電日內出力本身的間歇性、隨機性和波動性給綠氫制備與存儲造成了困難。如何精確地刻畫風電日內出力的波動，并為綠氫儲能規劃提供數據驅動力是有待解決的關鍵問題。

風電出力場景是風氫儲能規劃中的數據基礎，常用統計學方法描述其出力的不確定性。該方法通過擬合風電歷史數據求解模型的參數，再進行抽樣以生成風電出力場景。統計理論下的風電場景生成方法包括：蒙特卡洛抽樣[4]、場景樹[5]、動態場景樹[6]和馬爾可夫鏈[7-8]等方法。采用統計理論描述風電出力需假設先驗及固定的概率模型，而風電出力的模糊性和隨機性難以滿足不變的概率模型，若使用這種統計方法刻畫風電的不確定性，生成的場景數據將存在特征模態單一、精度欠佳等問題。

隨著深度學習的發展，以生成對抗網絡（Generative Adversarial Network, GAN）為代表的黑盒模型為風電場景生成提供了新的技術路線。該技術可學習訓練集內的潛在分布特征，通過博弈訓練，生成符合歷史樣本分布的新數據[9-10]。已有相關研究將GAN生成的場景用于驅動電力系統規劃工作的開展。文獻[11]設計了基于深度卷積生成對抗網絡的間歇分布式電源優化配置方法；文獻[12]針對風光資源的不確定性，提出一種基于Wasserstein距離的GAN，模擬風光資源場景以設計新能源電源容量配置模型。針對獨立型微網的容量優化配置，文獻[13]提出一種基于GAN場景模擬和條件風險價值（Conditional Value at Risk, CVaR）的容量隨機優化配置模型。上述GAN模型的應用場景都應用于電源容量規劃。規劃方案實施前，目標風場尚未投運，進而無實際的目標風電場本體歷史運行數據，需要借助歷史氣象數據或同類鄰近場站的歷史運行數據作為參考。而此類方法無法直接應用于儲能在目標風電場下的容量配置。因此，儲能規劃背景下，基于GAN技術的風電場景生成問題有待解決。此外，風電預測誤差作為風電不確定性、波動性的重要評價指標[14-15]，其在GAN模型中作為標簽信息的潛力有待進一步挖掘。

氫氣儲能規劃方面，目前的研究側重于分析制氫過程對定容的影響。文獻[16]在風氫容量配置中考慮了電解槽的間歇性工況和熱交換。文獻[17]設計了考慮熱平衡的風-氫混合系統，構建了考慮電解槽、燃料電池間歇工作模式熱平衡的氫儲能系統模型。文獻[18]以天然氣-風-光-氫綜合能源系統為規劃對象，考慮了供電輻射區域的電動汽車隨機充電需求。文獻[19]考慮了階梯碳價對制氫儲能規劃的影響。文獻[20]對風電出力不確定性的描述較為粗糙，僅使用單個典型日描述風電出力，無法全面地刻畫風電出力的強不確定性。上述研究中制氫的能量來源并非完全來自風電，也就無法實現氫氣制備的綠色化。在以風電制氫為代表的儲能規劃問題中，盡管文獻[21]和文獻[17,22]分別從數據驅動和模型驅動的角度分析了風電對氫氣儲能規劃的影響，但忽略了風電歷史預測數據的統計價值和風電爬坡事件對制氫過程的影響，在實際運行中難以達到預期的運行效果。

完全以風電供能的綠氫儲能規劃需要計及風電出力的不確定性。傳統的規劃方法多是采用魯棒優化[23]、隨機優化[24]和分布魯棒優化[17]的方法處理風電出力的不確定性，但魯棒優化的忽略了歷史出力的統計價值，易導致規劃結果過于保守；在實際工程中，統計模型難以精確地建立導致隨機優化的可靠性降低；分布魯棒優化的模糊集理論欠缺可解釋性，優化結果依賴參數的人為選取。基于深度學習的場景生成的規劃方法提供了新的技術路線[12-13]。GAN在考慮風電出力隨機性的場景生成問題中初顯優勢[11-14]，卻罕有研究能將場景生成的結果應用于解決該實際氫氣儲能規劃問題。這類深度學習驅動下的規劃新范式的可行性也有待進一步探究。

針對以上問題，本文首先設計了基于風電場景生成的綠氫儲能容量規劃框架，提出基于校正條件生成對抗網絡（Corrected Conditional Generative Adversarial Networks, CCGAN）的風電場景生成模型。在網絡中設計了基于改進旋轉門算法的校正器，對預測失準和風電爬坡事件下的預測數據進行識別與清洗，以保證條件信息高度的可參考性。同時在生成器和判別器中嵌入膨脹卷積操作克服常規卷積感受野不足的問題。對綠氫制備、儲存施加約束，構建綠氫儲能系統容量配置多目標優化模型，引入切比雪夫距離下的膝區域定義，并設計基于膝區域的非支配排序算法（Knee Region-NSGA-Ⅲ, kr-NSGA-Ⅲ）對容量配置模型進行求解。最后基于新英格蘭39節點系統進行仿真，驗證了生成場景的精確性和規劃模型的有效性。

1 基于風電場景生成的綠氫儲能容量規劃方法

本文構建一種基于風電場景生成的綠氫儲能容量規劃方法，與傳統儲能規劃框架對比如圖1所示。

圖1 基于風電場景生成的綠氫儲能規劃方法

圖1左側為氫氣儲能的傳統規劃方法。風電的隨機性是通過不確定性優化理論或統計模型刻畫的[17]。以魯棒優化為代表的不確定優化缺乏對歷史數據的統計檢驗[20]。傳統統計模型難以體現風電出力的多模態特征[21]。絕大多數規劃模型僅使用了實測數據[19-22]，忽略了歷史預測數據的參考價值，無法全面地描述風電不確定性出力的高維特征。

本文設計一個基于深度學習驅動的綠氫儲能框架來替代上述傳統的規劃范式。借助深度神經網絡擬合高維非線性映射的能力，建立該隨機變量的隱式模型。通過將風電的實測數據和歷史預測數據同時輸入CCGAN提取風電的波動特性，使該網絡能夠學習到風電出力的波動特征，能夠精確地生成風電出力場景集合。最后將該計及風電不確定性和波動性的場景數據輸入多目標優化算法，以支撐該綠氫儲能容量規劃問題的求解。由于風電爬坡事件是風電不確定性的主要表現形式，而該類事件持續時間多為小時級。因此，本文重點研究日內風電出力不確定性對綠氫規劃的影響。

2 基于校正條件生成對抗網絡的風電場景生成

2.1 條件生成對抗網絡

CGAN是基于博弈論提出的半監督生成模型。本文借鑒文獻[15]提出的CGAN結構進行原理說明并進一步改進。CGAN的基本結構及原理如圖2所示。

圖2 CGAN結構及原理

圖2的CGAN包括兩個深度神經網絡：判別器（Discriminator, D）和生成器（Generator, G）[15]。生成器通過學習風電預測數據的潛在分布將隨機噪聲映射到生成的樣本中；判別器盡可能判斷輸入數據是真實的風電歷史數據還是標簽信息下生成的數據。圖2中，風電預測數據為條件信息，該信息輸入判別器使其區別于常規的無監督GAN。生成器和判別器的內部層次結構還可包括卷積層、池化層和全連接層。其中包括了卷積、激活函數（ReLU, LReLU, Tanh）和批標準（Batch Normalization）等操作，實現對風電時序和幅值特征信息的提取和識別。

根據1-Lipschitz連續和梯度罰函數變換[15]，該概率測度下判別器D的目標函數為

2.2 校正條件生成對抗網絡

根據2.1分析可知，條件信息作為生成器的輸入是具有標簽作用的。在實際風電預測問題中，風電本身的隨機性、模糊性，以及預測間隔等問題都會造成預測精度不理想。若盲目采用預測精度較差的數據作為條件信息輸入生成器，將引入錯誤的標簽信息，導致生成器生成偏離實際的場景數據。因此，本文在CGAN的基礎上引入條件校正器構成如圖3的CCGAN網絡結構。

圖3 CCGAN架構

判別器和生成器中均有卷積操作。本文為提升卷積操作捕捉風電出力在縱向和橫向相關性的能力，引入膨脹卷積（Dilated Convolution）[25]，通過修改“膨脹率”，不同的膨脹率對應不同的感受野，即卷積核中填充0，進而獲得樣本的高維信息。圖4為不同膨脹率的卷積示意。

圖4 膨脹卷積操作

盡管膨脹卷積可以提高感受野的大小，獲取更高維度的上下連續信息，但多次疊加膨脹卷積也會導致局部信息丟失。為平衡卷積性能，本文設定膨脹率為2，且判別器和生成器均只進行一層膨脹卷積操作。

2.3 基于預測誤差的條件校正器

風電功率的實測值和預測值之間存在差異。國家能源局發布的《風電功率預測誤差系統功能規范》中做了相關規定[26]。預測誤差e定義為

預測失準事件A1定義中需要排除一類特殊情況，即風電爬坡事件。風電爬坡事件A3是指短時間風電功率急劇地上升和下降，可表示為

根據以上對預測事件的劃分，為校正條件信息，圖5設計了基于預測誤差的條件校正器。

圖5 條件校正器工作原理

圖5中的條件校正器由兩層網絡構成，首先根據預測誤差判斷預測失準事件A1是否發生，當檢索完A1事件后，啟動改進旋轉門算法（Improved Swinging Door Algorithm, ISDA），用于識別A1事件下的風電爬坡事件A3[27]。

ISDA可將風電時序的趨勢化特征識別。首先需構造得分函數，而爬坡事件的檢測可轉換為求解得分函數最大值的動態優化問題，該問題的目標函數及其約束為

式中，目標函數(,)為在子區間內需取得最大值；(,)為子區間中的得分值。爬坡趨勢需滿足式（8）。得分函數可具體表達為式（9）。3(,)為子區間(,)上的爬坡事件標志位，為0-1變量，取值為1代表爬坡事件發生，而取0時表示在該子區間上未發生爬坡事件。

風電爬坡事件A3和預測合理事件A2的時段內仍將預測數據作為條件樣本輸入生成器和判別器。表達式為

通過該條件校正操作實現對數據的精細化、分類化清洗，為生成器和判別器的反復博弈過程提供可靠的參考信息。

3 綠氫儲能容量配置模型及求解

3.1 目標函數

本文構建儲能容量配置的多目標優化模型，分別最小化綠氫儲能投資、運行成本及各風場棄風懲罰成本。

式（12）中第一項還可具體表示為

3.2 約束條件

1）負荷平衡約束

2）綠氫制備約束

制氫過程中有能量損耗，該過程可表示為

3）綠氫燃燒約束

燃氫過程同樣存在能量損耗，需滿足

4）綠氫存儲狀態約束

綠氫儲能的儲氫罐的狀態可表示為

5）風電出力約束

6）火電爬坡約束

7）直流潮流約束

3.3 基于膝區域的多目標優化算法

本文所建儲能容量配置模型歸納為多目標優化問題，需要同時最小化棄風成本和綠氫儲能容量投資運行成本。為提升模型求解效率，本節引入膝區域的數學定義。膝區域在多目標優化理論中代表該區域解在優化目標上存在較好的平衡性，在缺乏先驗知識的情況下能引導算法收斂。定義膝區域需要先引入膝點的概念，首先給出了基于切比雪夫距離（Chebyshev Distance, CD）膝點的數學定義。在圖6給出了基于曼哈頓距離和CD的膝區域幾何解釋。

圖6 膝點與膝區域的幾何表示

本文借鑒文獻[29]中對膝點的定義方法，設計基于膝區域的多目標優化算法流程如圖7所示。圖7具體步驟如下：

圖7 kr-NSGA-Ⅲ算法流程

1）輸入基于CCGAN生成的風電場景數據，負荷數據，綠氫儲能投資及運行相關參數，綠氫制備、燃燒和儲存約束所涉及參數，風電爬坡約束和直流潮流約束所涉及參數。

2）采用超體積（Hyper Volume, HV）指標得到關于風電棄風成本和綠氫儲能投資運行成本的虛擬PF。

5）啟動迭代進化部分，包括選擇、交叉、變異等操作，合并種群。

6）基于NSGA-Ⅲ算法的快速支配排序選擇各級支配層進入下一代種群。

7）若滿足迭代收斂（進化代數達到上限），則輸出結果；若不滿足，則返回重復步驟2）～步驟6）繼續迭代求解。

4 算例分析

4.1 算例概況及模型

算例選用Pytorch作為CGAN和CCGAN的深度學習框架，基于CUDA調用圖形處理器加速并行計算。計算機CPU Intel core i9 12 900 K 3.9 GHz，內存64 GB，GPU NVIDIA 3080Ti，顯存12 GB，CUDA核心10 240，Boost clock 1.67 GHz。

場景生成部分：本文選用中國內蒙古地區兩個風場的歷史實測數據和歷史預測數據，預測數據來自風場群的內部的預測系統，數據尺度從2017年1月1日—2019年12月31日，時間分辨率為15 min。經數據清洗，選擇800天作為訓練集樣本，100天作為測試集樣本，訓練后完成k-fold交叉驗證，=10。作為對比驗證，CGAN和CCGAN各生成1年數據，采用k-means聚類削減場景[5]，生成四類典型日，每個典型日下對生成數據削減至20組。

規劃計算部分：本文選用新英格蘭39節點改進系統進行分析，系統如圖8所示。在節點5和39接入發電功率為175 MW和66 MW風場群（WF1, WF2），同時綠氫儲能系統所含電解槽、氫氣罐、氧氣罐和燃氫機組均接于對應風場下。算例參數見表1，典型日負荷數據如圖9所示。kr-NSGA-Ⅲ算法參數設置如下：編碼方式為實值編碼，交叉算子采用模擬二進制，個體選擇概率0.9，交叉率1，迭代次數100次，種群數為1 000，膝半徑為0.05。

圖8 新英格蘭39節點系統

表1 算例參數

Tab.1 Parameters of case study

圖9 典型日負荷數據

4.2 風電場景生成分析

通過模型訓練后，CGAN和CCGAN的損失函數如圖10和圖11所示。圖10未經條件校正，部分時段預測值與實際值相差過大，導致訓練網絡梯度波動較大，難以實現收斂。圖11為經條件修正后的CCGAN，表現出了良好的收斂性，生成器與判別器的損失函數趨于一致，實現了Nash均衡。

從測試集隨機生成100個日出力場景，并選擇發生預測失準事件和爬坡事件的日出力場景進行對比分析。圖12為CGAN和CCGAN在發生預測失準事件時生成的日出力場景集合。

圖12中，灰色區域為生成場景。77～88時刻發生預測失準事件，預測值與實際值相差較大，且預測誤差大于基準值的時長較長，約4 h。CGAN使用了不可靠的條件信息，隨機噪聲僅模擬預測值，生成值相對于實測值最大偏離約42 MW，波動區間疊加于預測值本身，生成場景對實測值的覆蓋率較差。CCGAN在該時段校正了條件信息，生成的場景集合對實測值覆蓋率更高。在41～72時刻，CGAN受限于感受野限制，生成場景質量較差，而CCGAN的膨脹卷積操作增大了感受野，生成的場景覆蓋率高，擬合效果更佳。可見在預測失準事件下，該方法仍可生成逼近真實值的場景集合。

圖10 CGAN損失函數

圖11 CCGAN損失函數

圖12 預測失準事件下風電生成場景對比（WF1）

圖13為CGAN和CCGAN在發生風電爬坡事件時生成的日出力場景集合。

圖13 風電爬坡事件下風電生成場景對比（WF2）

圖13中，在66～77時刻發生了下爬坡事件，79～91時刻發生了上爬坡事件。上、下爬坡率分別為15.6%和23.8%。CGAN由于仍輸入預測值作為條件信息，生成場景過度擬合該不可靠的預測信息，66～91時刻生成的場景集合整體趨勢變為上升。而CCGAN通過條件校正器對風電爬坡事件進行識別和數據的清洗，該時段充分利用了實測信息和預測誤差的映射關系，生成的場景可捕捉爬坡事件特點。即使上、下爬坡事件連續發生這種小概率情況下，CCGAN依舊可生成對實測值覆蓋效果較好的場景集合。綜上所述，CCGAN在預測失準和爬坡事件問題上都可有效地學習預測誤差波動的非線性關系，可生成更接近實測值的高質量場景集合。

為綜合量化分析CGAN和CCGAN生成性能，本文選用平均絕對誤差（Mean Absolute Percentage Error, MAPE）、覆蓋率（Cover Rate, CR）、波動區間寬度（Fluctuation Interval Width, FIW）三類指標分析生成數據的精度[15]。MAPE值越小，精度越高。CR可評價置信區間對實測值的覆蓋效果，FIW用于評價生成場景捕捉波動模糊性的能力。CR和FIW需聯合作為一組評價指標，且當CR越高FIW越小時，生成數據的精度越高，捕捉風電波動隨機性的能力越強。

生成場景指標對比分析（WF1）見表2。由表2可知，在預測合理事件下，CGAN和CCGAN都有較高的覆蓋率，在相同的置信度下，CCGAN給出的功率波動區間更小，反映了該方法對隨機波動捕捉的精準性更高。在預測失準事件下，CCGAN的覆蓋率遠高于CGAN，100%置信度下，波動區間降低12.4 MW。在風電爬坡事件下，CCGAN的優勢進一步得到體現，生成數據的MAPE保持在30%以內。90%置信度下，覆蓋率仍大于80%，體現了該方法對風電的短時急劇功率變化的刻畫能力。

表2 生成場景指標對比分析（WF1）

Tab.2 Comparative analysis of scenarios (WF1)

通過方法對比可看出本文所提CCGAN模型可更加精確地描述風電出力的隨機性，并在預測失準和風電爬坡兩類特殊事件發生時，糾正預測誤差，提高生成模型對實際出力的逼近程度，為下一步規劃提供可靠的數據支撐。

4.3 容量配置結果分析

采用本文所提CCGAN對兩個風場進行四個典型日場景生成，典型日出力如圖14～圖21所示，并代入容量配置模型進行計算。

圖14 風場1典型日1生成場景

圖15 風場1典型日2生成場景

圖16 風場1典型日3生成場景

圖17 風場1典型日4生成場景

圖18 風場2典型日1生成場景

圖19 風場2典型日2生成場景

圖22給出了NSGA-Ⅲ和kr-NSGA-Ⅲ得到的Pareto前沿。盡管傳統NSGA-Ⅲ的非支配解分布分散，但對于該實際決策問題，決策者更加關注的是膝點解，這類解能為儲能決策提供指導。

由圖22可以看出，本文所提算法能收斂到膝區域，而傳統的NSGA-Ⅲ無法收斂到該區域。此外，本文所提算法得到的大量非支配解分布于膝區域內，解集更集中化，在該三維的實際優化問題上的區域可控性強，收斂性能更好。對應也給出更多的解析信息，對決策方案的選擇更具針對性。

圖20 風場2典型日3生成場景

圖21 風場2典型日4生成場景

表3和表4分別給出了兩種算法在風電實測值、魯棒優化、馬爾可夫蒙特卡洛模擬（Markov Chain Monte Carlo, MCMC）、CGAN和CCGAN五類數據來源下的綠氫儲能系統配置結果。

1）對比兩表中在實測值下的配置結果，NSGA-Ⅲ給出的折中解相比于kr-NSGA-Ⅲ的膝點解中，綠氫儲能系統中各類設備的容量值、體積值均更高，且兩個風場的年棄風成本也略高。相比于折中解，引入切比雪夫距離的膝點解可進一步引導解的搜索，收斂得到更逼近真實帕累托前沿的解。該系統中線路傳輸容量充足，可滿足各種配置結果的功率傳輸需要，避免了因功率越限而導致優化模型無法得到可行解的問題。

圖22 兩種算法的Pareto前沿

表3 基于NSGA-Ⅲ的綠氫儲能配置結果

Tab.3 Green hydrogen storage sizing based on NSGA-Ⅲ

表4 基于kr-NSGA-Ⅲ的綠氫儲能配置結果

Tab.4 Green hydrogen storage sizing based on kr-NSGA-Ⅲ

2）在本文所提算法（kr-NSGA-Ⅲ）中，對比CGAN和真實值輸入下的該綠氫儲能系統配置結果，CGAN生成的風電場景輸入下，兩個風場電解槽的功率總和提高了26.17 MW，WF1和WF2中的燃氫機組發電功率至5.41 MW和6.14 MW。反映了CGAN生成場景的功率波動區間較寬，需要投入較多儲能設備應對風電的波動，以降低風場的棄風成本。

3）在四種生成型場景下，將CCGAN的配置結果與實測值、CGAN、魯棒優化和MCMC進行綜合對比，CCGAN的配置結果總體小于CGAN和魯棒優化，但大于實測值，總經濟成本也低于MCMC。魯棒優化和MCMC由于未使用歷史預測值的統計價值，容易高估風電的不確定性。而本文方法生成的場景在實測值的基礎上合理地計及了風電的波動，配置結果在魯棒性和經濟性上有所協調。可以看到，CGAN在WF1的燃氫機組功率約為實測值配置結果的13倍，但CCGAN僅為實測值的2倍，這是由于WF1的歷史數據中預測失準事件A1發生頻率高，CGAN的生成器輸入了大量錯誤的條件信息，迫使生成的數據嚴重偏離了實測值，風電出力場景的可靠性較低，已無法支撐該系統的規劃計算，造成規劃方案過魯棒化，投資效率下降。可見在該深度學習框架下條件校正是必要的。

4）相比于WF1，CGAN對WF2的生成場景相對可靠。對比CCGAN，盡管CGAN配置了較大容量儲能，但年棄風成本相比實測值反而提高。魯棒優化額外多配置了11.68 MW的電解槽，才能比CCGAN的棄風成本減少0.42萬元。而CCGAN更為精準地捕捉了風電的波動特征，特別是在高置信度下仍可縮小風電波動的范圍，配合kr-NSGA-Ⅲ的膝區域搜索策略，以較少的儲能投資，獲得更大的棄風成本縮減率，進一步驗證了CCGAN可為該儲能規劃問題提供可靠、精確的場景支撐。

5 結論

本文針對基于半監督學習技術CGAN生成風電場景對實測值擬合效果差、預測精度低等問題，提出了一種基于風電預測誤差的校正條件生成對抗網絡，并構建了綠氫儲能系統容量規劃模型。通過算例分析得到以下結論：

1）通過引入改進旋轉門算法，CCGAN的校正器能精確地識別預測失準和風電爬坡事件，對輸入生成器的條件信息進行針對性校正，為數據生成提供了可靠的標簽信息。

2）本文所提基于CCGAN的風電場景生成方法，相比于傳統的魯棒優化、MCMC和CGAN，可捕捉風電出力的波動特征，平均絕對誤差可降低29.2%～50.2%，生成數據可兼顧高置信度與較窄波動區間，為儲能規劃提供高質量的場景集合。

3）綠氫儲能容量配置結果表明，預測失準頻發的樣本下，CGAN的生成場景將導致規劃結果偏離實際，相比魯棒優化，本文所提方法的規劃結果可降低約0.47億元的經濟成本，并使決策結果兼顧魯棒性和經濟性。

本文提出的半監督學習技術可為綠氫儲能規劃提供可靠的風電日內出力數據。隨著季節性氫氣儲能技術的普及，后續研究將結合該深度學習技術研究風電長期出力不確定性對季節性綠氫儲能的影響。

[1] 李爭, 張蕊, 孫鶴旭, 等. 可再生能源多能互補制-儲-運氫關鍵技術綜述[J]. 電工技術學報, 2021, 36(3): 446-462.

Li Zheng, Zhang Rui, Sun Hexu, et al. Review on key technologies of hydrogen generation, storage and transportation based on multi-energy complementary renewable energy[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 446-462.

[2] 張鵬成, 徐箭, 柯德平, 等. 氫能驅動下鋼鐵園區能源系統優化配置[J]. 電力系統自動化, 2022, 46(14): 1-10.

Zhang Pengcheng, Xu Jian, Ke Deping, et al. Optimal configuration of energy system in iron and steel park driven by hydrogen energy[J]. Automation of Electric Power Systems, 2022, 46(14): 1-10.

[3] 孫鶴旭, 李爭, 陳愛兵, 等. 風電制氫技術現狀及發展趨勢[J]. 電工技術學報, 2019, 34(19): 4071-4083.

Sun Hexu, Li Zheng, Chen Aibing, et al. Current status and development trend of hydrogen production technology by wind power[J]. Transactions of China Electrotechnical Society, 2019, 34(19): 4071-4083.

[4] 趙書強, 金天然, 李志偉, 等. 考慮時空相關性的多風電場出力場景生成方法[J]. 電網技術, 2019, 43(11): 3997-4004.

Zhao Shuqiang, Jin Tianran, Li Zhiwei, et al. Wind power scenario generation for multiple wind farms considering temporal and spatial correlations[J]. Power System Technology, 2019, 43(11): 3997-4004.

[5] 張俊濤, 程春田, 申建建, 等. 考慮風光不確定性的高比例可再生能源電網短期聯合優化調度方法[J]. 中國電機工程學報, 2020, 40(18): 5921-5932.

Zhang Juntao, Cheng Chuntian, Shen Jianjian, et al. Short-term joint optimal operation method for high proportion renewable energy grid considering wind-solar uncertainty[J]. Proceedings of the CSEE, 2020, 40(18): 5921-5932.

[6] 仉夢林, 胡志堅, 王小飛, 等. 基于動態場景集和需求響應的二階段隨機規劃調度模型[J]. 電力系統自動化, 2017, 41(11): 68-76.

Zhang Menglin, Hu Zhijian, Wang Xiaofei, et al. Two-stage stochastic programming scheduling model based on dynamic scenario sets and demand response[J]. Automation of Electric Power Systems, 2017, 41(11): 68-76.

[7] 馬燕峰, 李鑫, 劉金山, 等. 考慮風電場時空相關性的多場景優化調度[J]. 電力自動化設備, 2020, 40(2): 55-65.

Ma Yanfeng, Li Xin, Liu Jinshan, et al. Multi-scenario optimal dispatch considering temporal-spatial correlation of wind farms[J]. Electric Power Automation Equipment, 2020, 40(2): 55-65.

[8] 董雷, 孟天驕, 陳乃仕, 等. 采用馬爾可夫鏈—多場景技術的交直流主動配電網優化調度[J]. 電力系統自動化, 2018, 42(5): 147-153.

Dong Lei, Meng Tianjiao, Chen Naishi, et al. Optimized scheduling of AC/DC hybrid active distribution network using Markov chains and multiple scenarios technique[J]. Automation of Electric Power Systems, 2018, 42(5): 147-153.

[9] Zhang Wenjie, Luo Yonghong, Zhang Ying, et al. SolarGAN: multivariate solar data imputation using generative adversarial network[J]. IEEE Transactions on Sustainable Energy, 2021, 12(1): 743-746.

[10] 于文家, 丁世飛. 基于自注意力機制的條件生成對抗網絡[J]. 計算機科學, 2021, 48(1): 241-246.

Yu Wenjia, Ding Shifei. Conditional generative adversarial network based on self-attention mechanism[J]. Computer Science, 2021, 48(1): 241-246.

[11] 顧潔, 劉書琪, 胡玉, 等. 基于深度卷積生成對抗網絡場景生成的間歇式分布式電源優化配置[J]. 電網技術, 2021, 45(5): 1742-1751.

Gu Jie, Liu Shuqi, Hu Yu, et al. Optimal allocation of intermittent distributed generation based on deep convolutions generative adversarial network in scenario generation[J]. Power System Technology, 2021, 45(5): 1742-1751.

[12] 馬燕峰, 傅鈺, 趙書強, 等. 基于WGAN風光資源場景模擬和時序生產模擬的新能源電源容量配置[J]. 電力自動化設備, 2020, 40(11): 77-86.

Ma Yanfeng, Fu Yu, Zhao Shuqiang, et al. Capacity allocation of new energy source based on wind and solar resource scenario simulation using WGAN and sequential production simulation[J]. Electric Power Automation Equipment, 2020, 40(11): 77-86.

[13] 李康平, 張展耀, 王飛, 等. 基于GAN場景模擬與條件風險價值的獨立型微網容量隨機優化配置模型[J]. 電網技術, 2019, 43(5): 1717-1725.

Li Kangping, Zhang Zhanyao, Wang Fei, et al. Stochastic optimization model of capacity configuration for stand-alone microgrid based on scenario simulation using GAN and conditional value at risk[J]. Power System Technology, 2019, 43(5): 1717-1725.

[14] Zhang Ning, Kang Chongqing, Xia Qing, et al. Modeling conditional forecast error for wind power in generation scheduling[J]. IEEE Transactions on Power Systems, 2014, 29(3): 1316-1324.

[15] 董驍翀, 孫英云, 蒲天驕. 基于條件生成對抗網絡的可再生能源日前場景生成方法[J]. 中國電機工程學報, 2020, 40(17): 5527-5536.

Dong Xiaochong, Sun Yingyun, Pu Tianjiao. Day-ahead scenario generation of renewable energy based on conditional GAN[J]. Proceedings of the CSEE, 2020, 40(17): 5527-5536.

[16] 鄧智宏, 江岳文. 考慮制氫效率特性的風氫系統容量優化[J]. 可再生能源, 2020, 38(2): 259-266.

Deng Zhihong, Jiang Yuewen. Optimal sizing of a wind-hydrogen system under consideration of the efficiency characteristics of electrolysers[J]. Renewable Energy Resources, 2020, 38(2): 259-266.

[17] 司楊, 陳來軍, 陳曉弢, 等. 基于分布魯棒的風-氫混合系統氫儲能容量優化配置[J]. 電力自動化設備, 2021, 41(10): 3-10.

Si Yang, Chen Laijun, Chen Xiaotao, et al. Optimal capacity allocation of hydrogen energy storage in wind-hydrogen hybrid system based on distributionally robust[J]. Electric Power Automation Equipment, 2021, 41(10): 3-10.

[18] 周建力, 烏云娜, 董昊鑫, 等. 計及電動汽車隨機充電的風-光-氫綜合能源系統優化規劃[J]. 電力系統自動化, 2021, 45(24): 30-40.

Zhou Jianli, Wu Yunna, Dong Haoxin, et al. Optimal planning of wind-photovoltaic-hydrogen integrated energy system considering random charging of electric vehicles[J]. Automation of Electric Power Systems, 2021, 45(24): 30-40.

[19] 肖白, 劉健康, 張博, 等. 考慮階梯碳交易和需求響應的含氫儲能的并網型微電網優化配置[J]. 電力自動化設備, 2023, 43(1): 121-129.

Xiao Bai, Liu Jiankang, Zhang Bo, et al. Optimal configuration of grid-connected microgrid with hydrogen energy storage considering ladder-type carbon trading and demand response[J]. Electric Power Automation Equipment, 2023, 43(1): 121-129.

[20] 江岳文, 楊國銘, 朱振山. 考慮交通流量捕獲的風-氫-電耦合網絡規劃[J]. 電力系統自動化, 2021, 45(22): 19-28.

Jiang Yuewen, Yang Guoming, Zhu Zhenshan. Wind-hydrogen-electricity coupled network planning considering traffic flow capture[J]. Automation of Electric Power Systems, 2021, 45(22): 19-28.

[21] 袁鐵江, 曹繼雷. 計及風電-負荷不確定性的風氫低碳能源系統容量優化配置[J]. 高電壓技術, 2022, 48(6): 2037-2044.

Yuan Tiejiang, Cao Jilei. Capacity optimization allocation of wind hydrogen low-carbon energy system considering wind power-load uncertainty[J]. High Voltage Engineering, 2022, 48(6): 2037-2044.

[22] Zheng Yi, You Shi, Bindner H W, et al. Incorporating optimal operation strategies into investment planning for wind/electrolyser system[J]. CSEE Journal of Power and Energy Systems, 2022, 8(2): 347-359.

[23] 葉暢, 曹侃, 丁凱, 等. 基于廣義儲能的多能源系統不確定優化調度策略[J]. 電工技術學報, 2021, 36(17): 3753-3764.

Ye Chang, Cao Kan, Ding Kai, et al. Uncertain optimal dispatch strategy based on generalized energy storage for multi-energy system[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3753-3764.

[24] 田坤鵬, 孫偉卿, 韓冬, 等. 滿足非水可再生能源發電量占比目標的“源-網-儲”協調規劃[J]. 電力自動化設備, 2021, 41(1): 98-108.

Tian Kunpeng, Sun Weiqing, Han Dong, et al. Coordinated planning of “generation-grid-storage” to satisfy proportion target of non-hydro renewable energy generation[J]. Electric Power Automation Equipment, 2021, 41(1): 98-108.

[25] Zhu Hu, Qiao Yiming, Xu Guoxia, et al. DSPNet: a lightweight dilated convolution neural networks for spectral deconvolution with self-paced learning[J]. IEEE Transactions on Industrial Informatics, 2020, 16(12): 7392-7401.

[26] 國家能源局. 風電功率預測系統功能規范NB/T 31046—2013[S]. 北京: 新華出版社, 2014.

[27] Cui Mingjian, Zhang Jie, Florita A R, et al. An optimized swinging door algorithm for identifying wind ramping events[J]. IEEE Transactions on Sustainable Energy, 2016, 7(1): 150-162.

[28] 崔楊, 曾鵬, 王錚, 等. 考慮碳捕集電廠能量轉移特性的棄風消納多時間尺度調度策略[J]. 中國電機工程學報, 2021, 41(3): 946-961.

Cui Yang, Zeng Peng, Wang Zheng, et al. Multiple time scales scheduling strategy of wind power accommodation considering energy transfer characteristics of carbon capture power plant[J]. Proceedings of the CSEE, 2021, 41(3): 946-961.

[29] Vallee F, Brunieau G, Pirlot M, et al. Optimal wind clustering methodology for adequacy evaluation in system generation studies using nonsequential Monte Carlo simulation[J]. IEEE Transactions on Power Systems, 2011, 26(4): 2173-2184.

[30] 熊宇峰, 司楊, 鄭天文, 等. 基于主從博弈的工業園區綜合能源系統氫儲能優化配置[J]. 電工技術學報, 2021, 36(3): 507-516.

Xiong Yufeng, Si Yang, Zheng Tianwen, et al. Optimal configuration of hydrogen storage in industrial park integrated energy system based on stackelberg game[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 507-516.

[31] 馬榕谷, 陳潔, 趙軍超, 等. 非并網風氫互補系統的容量多目標優化[J]. 太陽能學報, 2019, 40(2): 422-429.

Ma Ronggu, Chen Jie, Zhao Junchao, et al. Multi-objective optimization for capacity of non-grid-connected wind/hydrogen hybrid power system[J]. Acta Energiae Solaris Sinica, 2019, 40(2): 422-429.

[32] 李奇, 趙淑丹, 蒲雨辰, 等. 考慮電氫耦合的混合儲能微電網容量配置優化[J]. 電工技術學報, 2021, 36(3): 486-495.

Li Qi, Zhao Shudan, Pu Yuchen, et al. Capacity optimization of hybrid energy storage microgrid considering electricity-hydrogen coupling[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 486-495.

Wind Farms-Green Hydrogen Energy Storage System Capacity Sizing Method Based on Corrected-Conditional Generative Adversarial Network

Zhu Ling1,2Li Wei1,2Wang Qian3Zhang Xueguang3

（1. State Key Laboratory of Smart Grid Protection and Control Nanjing 211106 China 2. Nari Group Corporation (State Grid Electric Power Research Institute) Nanjing 211106 China 3. Department of Electrical Engineering Harbin Institute of Technology Harbin 150001 China）

The wind power penetration rate in China is increasing. In order to realize the efficient consumption of wind power, the green hydrogen energy storage system (ESS) is becoming an essential carrier of energy storage. However, the intermittence, randomness, and volatility of wind intraday power make it difficult to produce and store green hydrogen. Providing scenario data for green hydrogen ESS planning and displaying the intraday output fluctuation of wind power is a critical challenge. To address these issues, this paper designs a green hydrogen ESS capacity planning framework based on wind power scenario generation. The corrected-conditional generative adversarial network (CCGAN) is constructed to generate scenario data.

Firstly, a corrector based on the improved revolving door algorithm is designed in the CCGAN to identify and clean the prediction data under the prediction misaim and wind power ramp events to ensure the high reference of conditional information. Secondly, the dilated convolution is embedded in the generator and discriminator to overcome the problem of the insufficient receptive field. Thirdly, by imposing constraints on the production and storage of green hydrogen, a multi-objective optimization model for green hydrogen ESS sizing is developed. The definition of knee region under Chebyshev distance is introduced. The non-dominated sorting genetic algorithm based on knee region (kr-NSGA-Ⅲ) is designed to solve the capacity sizing model. Finally, the simulation based on the New England 39-bus system verifies the generated scenario’s accuracy and the planning model’s effectiveness.

Simulation results on the actual wind farm data show that, when predictions are accurate, both conditional generative adversarial network (CGAN) and CCGAN have higher coverage for measured data. At the same confidence level, the power fluctuation range given by CCGAN is smaller, which reflects that the method has higher accuracy for random fluctuation. Under the prediction misaim event, the coverage of CCGAN is much higher than that of CGAN, and the fluctuation range is reduced by 12.4 MW at a 100% confidence level. Under the wind power ramp event, the mean absolute percentage error of the scenario data generated by CCGAN is kept within 30%. At a 90% confidence level, CCGAN can still have a coverage of more than 80%, reflecting the ability to characterize the short-term fluctuation of wind power. In the four generative scenarios, the sizing results of CCGAN are compared with the measured values, CGAN, robust optimization, and Markov chain Monte Carlo (MCMC). The sizing results of CCGAN are generally smaller than CGAN and robust optimization but larger than the measured values, and the total economic cost is also lower than MCMC. Robust optimization and MCMC are easy to overestimate the uncertainty of wind power because these methods do not use the statistical value of prediction data. The scenario generated by the proposed method reasonably considers wind power fluctuation based on measured data, and the sizing result is a tradeoff between robustness and economy.

The following conclusions can be drawn from the simulation analysis: (1) By employing the improved revolving door algorithm, the CCGAN’s corrector can accurately identify the prediction misaim and wind power ramp events and perform targeted correction on the conditional information of the input generator, providing a reliable label for data generation. (2) Compared with the robust optimization, MCMC, and CGAN, the wind power scenario generation based on CCGAN can capture the fluctuation characteristics of wind power, and the generated data can consider both high confidence and narrow fluctuation range, providing a high-quality scenario set for green hydrogen ESS planning. (3) The results of green hydrogen ESS sizing show that under the samples with frequent prediction misaim events, the scenario of CGAN will lead to the deviation of planning results from reality. Compared with robust optimization, the planning results of the proposed method can reduce investment costs.

Corrected-conditional generative adversarial network, green hydrogen energy storage, capacity sizing, scenario generation, wind power forecasting error

TM614

10.19595/j.cnki.1000-6753.tces.222009

甘肅省科技計劃（21ZD8JA001）、智能電網保護和運行控制國家重點實驗室開放課題（考慮風功率波動和調頻能力的風電場站儲能配置與運行優化技術）資助項目。

2022-10-26

2022-12-28

朱 玲 女，1986年生，碩士，高級工程師，研究方向為新能源電力系統穩定及控制，儲能規劃與運行。E-mail：zhuling@sgepri.sgcc.com.cn（通信作者）

李 威 男，1976年生，博士，研究員級高級工程師，研究方向為電力系統安全穩定分析與控制。E-mail：liwei10@sgepri.sgcc.com.cn

（編輯 赫 蕾）