基于VAE-CGAN的虛擬電廠光伏不確定性數據挖掘

關鍵詞：條件生成對抗網絡；變分自編碼器；虛擬電廠；光伏；數據挖掘

中圖分類號：TM919 文獻標識碼：A

0 引言

在傳統的電力系統規劃和運行過程中，常常采用基于統計方法的預測模型如時間序列分析、回歸分析等，對光伏發電不確定性進行預測。然而，這些方法無法充分考慮光伏發電系統的復雜性，導致預測結果的準確性和魯棒性有限[1]。因此，需要采用更加先進的數據挖掘技術以提高對光伏發電不確定性的理解和預測能力。虛擬電廠（virtual powerplant，VPP）技術作為能源領域的一個重要分支，旨在模擬和優化電力系統的運行。它通過對電力系統的各種組成部分進行建模，提供了一種全面的仿真環境，為電力系統規劃、運行與管理提供了強有力的支持。在光伏發電領域，虛擬電廠技術用于模擬光伏發電系統的運行情況，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據的理解方式，還為解決復雜問題提供了全新的視角和方法[3]。在深度學習的框架下，生成對抗網絡（generativeadversarial networks，GAN）作為一種強大的生成模型引起了人們的廣泛關注。通過競爭式學習機制，GAN 可以同時訓練生成器和判別器網絡，實現對數據分布的模擬和生成。由于獨特的生成方式，GAN 在圖像生成、自然語言處理等領域取得了突出成果。然而，隨著GAN 的研究和應用不斷深入，人們逐漸意識到標準的GAN 模型在生成特定類型數據時存在一定的局限性，因此條件生成對抗網絡（conditional GAN，CGAN）應運而生。本文探討基于VAE-CGAN 的虛擬電廠技術在光伏發電不確定性數據挖掘中的應用，以及如何更好地利用數據來支持電力系統的規劃與運行決策。

1 虛擬電廠光伏系統

VPP 中的光伏系統是一種關鍵的分布式能源資源，通過光電能量轉換方式，將光轉變為電。光伏系統通過整合、協同和智能管理，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向更環保和可持續的方向發展，而且通過分布式能源整合，提高了系統的整體靈活性和可控性。光伏系統的能源交易和市場參與使其成為VPP 的重要組成部分，通過智能調度和能源交易，優化電力供應，提高經濟效益。此外，光伏系統在減少對傳統電網依賴、支持電力系統調頻和提高穩定性方面發揮著關鍵作用，為實現可持續的智能能源管理提供了有力支持。通過優先利用光伏系統的電力，VPP不僅減少了對傳統化石燃料的需求，還加快了電力系統中由傳統能源向清潔能源過渡的進程。

2 相關技術

2.1 條件生成對抗網絡

CGAN 是一種生成對抗網絡的變體，其引入了條件信息以指導生成器生成特定類型的數據[4-5]。GAN 包括生成器和判別器。這兩個部分通過對抗性訓練共同進步，其中生成器的目標是制造出足夠逼真的數據，而判別器的任務則是辨別哪些是生成器制造的數據，哪些是真實的數據。生成器接受一個隨機噪聲向量z 和條件信息y，然后生成數據樣本x。生成器的輸出可以表示為G（z，y）。判別器接收數據樣本x 和條件信息y，并輸出一個概率值D （x，y），以表示接收數據是真實數據的概率，D（x，y）是一個在[0，1] 內的值。

交叉熵損失函數是評估CGAN 生成器和判別器性能的關鍵指標，生成器的損失函數LG 可以表示為：

通過優化兩種損失函數，CGAN 可以利用生成器來生成具有所需特征的逼真數據，利用判別器更加精準地判別輸入數據是否為真實數據。

2.2 變分自編碼器

變分自編碼器（variational auto encoder，VAE）是一類用于生成數據的模型，也用于學習數據的潛在表示和生成新的數據點。它是一種無監督學習算法，能夠從高維度數據中提取關鍵特征。VAE 由編碼器和解碼器構成，編碼器的作用是將輸入數據轉換為潛在空間中的表示形式，而解碼器負責基于潛在空間中的表示，重建原始數據。

3 基于VAE-CGAN的光伏不確定性數據挖掘

3.1 VAE-CGAN 模型結構

VAE-CGAN 模型結構如圖1 所示，可以分為3個模塊：數據預處理、生成器和判別器。數據預處理組件的作用是縱向拼接時序數據和條件信息。生成器和判別器的神經網絡以對偶方式呈現，多層長短期記憶網絡（long short-term memory，LSTM）與一個緊隨其后的全連接層組成模型。VAE-CGAN模型結構參數如表1 所示。

3.2 模型訓練流程

如圖2 所示，VAE-CGAN 模型通過一個分階段的訓練流程來訓練參數，這個過程中參數的訓練順序非常重要，這是因為CGAN 模型產生條件數據的能力主要依賴 VAE 模型是否能夠準確地從數據中提取標簽信息。如果VAE 模型提取的標簽數據是錯誤的，CGAN 生成的輸出數據將無法滿足預期的條件要求。因此，在整個訓練流程中，首先必須保證VAE 模型的有效運作，之后才能進行CGAN模型參數的訓練。此外，每次更新模型參數后，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。如果評估結果不符合要求，就需要重新選擇VAE-CGAN 模型的超參數并重新進行訓練。

4 實驗結果

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）的光伏發電不確定性模擬方法進行比較。基于GMM 的建模方法，通過K-means 算法對VAE 提取的氣象特征進行分類，進而使用分類結果作為判斷相似天氣的依據，并以此建立光伏發電功率的條件模型。在對比實驗中，通過對比兩種方法在模擬光伏發電數據上的表現來評估它們的準確性和適用性。序列結果對比如圖3 所示。

由圖3 可知，相較于GMM 模型，VAE-CGAN模型的置信區間更為緊湊，此外，VAE-CGAN 模型預測的期望值與實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出比GMM 模型更優異的性能。實驗結果表明，VAE-CGAN 模型在預測光伏發電功率方面具有一定的優越性，為光伏發電系統的不確定性建模提供了一種更加可靠的解決方案。

5 結論

光伏發電系統是可再生能源領域的關鍵部分，在電力行業中扮演著日益重要的角色。然而，光伏發電的不確定性給電網調度和能源規劃帶來了挑戰，因此對光伏發電不確定性進行準確建模與預測具有重要意義。本文將條件生成對抗網絡和變分自編碼器相結合，提出基于VAE-CGAN 進行虛擬電廠光伏不確定性數據的挖掘。該方法能夠更有效地捕捉虛擬電廠光伏系統的不確定性特征，提高光伏發電功率預測的準確性和可靠性。實驗結果表明，VAE-CGAN 模型在虛擬電廠光伏發電功率預測方面取得了令人滿意的結果，為電力系統的運行和規劃提供了可靠的支持。未來將進一步優化模型，探索如何將其應用于實際光伏發電場景中，以促進虛擬電廠的可持續發展。