本研究报告基于一篇题为《Enhanced GAN-Based Joint Wind-Solar-Load Scenario Generation with Extreme Weather Labelling》的原创性学术论文。该论文已被期刊 IEEE Transactions on Smart Grid 接收并发表于第16卷第5期（2025年9月）。论文的主要作者包括Hongzhen Wang、Boyu Qin（通讯作者）、Shidong Hong、Tao Ding等，他们来自西安交通大学电气工程学院；合作作者Xi Xu和Tingxiang Lu来自国网电力科学研究院（南瑞集团）。该研究受到国家电网公司总部管理科技项目的资助。
随着可再生能源的高比例渗透和极端天气事件的日益频繁，电力系统的运行与规划正面临着前所未有的不确定性。极端场景呈现出“高影响、低概率”的特征，导致可供系统决策使用的样本严重不足，这已成为电力系统领域的一个关键科学问题。现有的场景生成（Scenario Generation）方法，如基于采样和基于优化的方法，往往难以在生成效率与可解释性之间取得平衡，而气象因子与电力系统运行之间的因果关系也未能有效指导极端场景的生成。针对上述研究空白，本文旨在提出一种基于增强型生成对抗网络（Enhanced GAN）的极端场景生成模型，通过量化气象因素的影响，实现带有分类标签的、高质量的风电、光伏和负荷功率联合极端场景生成，为电力系统的风险估计、调度规划和运行决策提供充足且可靠的样本基础。
本研究的方法论主要包含三个核心环节：样本准备、极端场景生成模型构建以及性能评估。研究数据源自日本九州、四国、本州和北海道四个地区2021年至2023年的风电、光伏、负荷功率及气象数据，原始时间序列被重采样为5分钟间隔。
1. 样本准备
该阶段的关键是建立极端天气与电力系统场景之间的因果关系，并构造高质量的学习样本。
首先，进行气象因子提取（Meteorological Factor Extraction）。研究采用随机森林（Random Forest）算法，通过计算基尼不纯度（Gini Impurity）和基尼增益，来评估温度、降水、光照、风速和降雪等气象因子对各类极端天气事件的重要性得分（Importance Score），筛选出关键气象因子。
其次，进行气象-场景因果关系检验。研究使用格兰杰因果关系检验（Granger Causality Test）来量化气象时间序列对功率时间序列的因果影响。在执行检验前，为保证时间序列的平稳性以避免伪回归，研究首先进行了单位根检验（Unit Root Test），具体采用了增强型迪基-富勒检验（ADF Test）。随后，构建无约束和受约束的回归模型，通过F统计量判断气象因子是否为电力场景的格兰杰原因。
最后，进行场景分类与筛选。研究应用K-多维时间序列聚类算法（K-MDTSC）对多维气象因子进行时间序列聚类，并通过肘部法则确定最佳聚类数为20。基于因果关系检验的结论来增强聚类结果的可解释性，最终从中筛选出分别代表台风、高温、寒潮、暴风雪和暴雨的5类极端天气场景。这5类场景的样本量分别为41、86、37、36和28个。这些带有分类标签的场景集构成了后续生成模型的学习样本。
2. 极端场景生成模型构建
这是本研究的技术核心。模型以条件生成对抗网络（CGAN）为基础框架，通过引入改进机制来提升针对小样本极端场景的生成质量。
首先，针对生成对抗网络训练不稳定的问题，模型采用瓦瑟斯坦距离（Wasserstein Distance）作为判别器（Discriminator）的损失函数，并通过引入梯度惩罚项（Gradient Penalty, GP）来强制判别器满足1-利普希茨（1-Lipschitz）条件，从而确保梯度平滑，避免梯度爆炸。惩罚项系数λ的取值得到了专门优化，研究表明当λ设为15时模型收敛效果最佳。该结合了梯度惩罚的模型被称为WGAN-GP。
其次，为平衡模型的学习能力与收敛性，模型引入了可变学习率（Variable Learning Rate）策略。生成器（Generator）和判别器的学习率α和β采用独立的衰减公式，判别器的初始学习率大于生成器，且两者均随迭代次数递减，从而在训练初期快速学习，末期稳定收敛。
再次，为实现极端场景的定向生成，生成器和判别器的输入中均加入了气象分类标签作为条件信息，引导模型学习特定类型的场景特征。
最后，为确保生成场景的物理有效性，模型在生成器的输出端增加了电力系统的物理约束（Physical Constraints），包括功率范围约束和爬坡率约束，对不符合技术要求的生成数据进行实时修正。模型的具体实现采用了深度卷积生成对抗网络（DCGAN）的结构，生成器使用转置卷积进行上采样，判别器使用卷积进行下采样，并在TensorFlow平台上基于Python编程实现。
3. 性能评估
为全面验证模型的有效性，研究从统计特性、准确性、对照实验和鲁棒性四个维度进行了评估。
统计分析从个体和整体两个层面展开。在个体层面，采用自相关系数（ACF）和偏自相关系数（PACF）评估生成时间序列的时间相关性。在整体层面，通过概率密度函数（PDF）和累积分布函数（CDF）对比真实与生成样本的分布一致性。匹配质量通过平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）三个指标综合量化。准确性评估提出了两项新指标：点准确率（AP）和场景准确率（AS），前者关注生成时间序列中每个数据点的有效性，后者则更严格，评估整个场景是否完全有效。鲁棒性分析则通过对样本添加不同信噪比（SNR）的高斯噪声和随机异常值，检验模型输出稳定性的变化。
实验结果显示，所提出的方法在极端场景生成方面性能卓越。
在模型训练阶段，与CGAN和未优化参数及物理约束的WGAN-GP相比，本文提出的增强型GAN通过优化梯度惩罚权重和可变学习率，显著减少了模型收敛所需的训练轮数（Epochs）和时间。在场景生成阶段，生成的时间序列对比图直观显示，各类生成场景之间特征显著，且具备良好的可解释性。例如，代表高温天气的类别2负荷水平最高；代表暴雨天气的类别5则风电和光伏功率最低。同类场景下，生成序列能基本跟踪真实样本的模式和趋势。
在统计评估中，生成场景与真实样本的ACF和PACF高度一致，证明了其在时间相关性上的保真度。例如，风电的偏自相关系数拖尾，光伏的偏自相关系数在1阶滞后后截尾，负荷的偏自相关系数在4阶滞后后截尾，这些特性均被模型准确捕捉。CDF对比显示，两者概率分布基本重合，尤其风电和光伏功率集中分布在0附近的特征被成功复现。定量分析方面，无论在MAE、RMSE还是MAPE上，本文提出的模型均优于CGAN和WGAN-GP，特别是针对类别3和类别5的极端场景，匹配质量提升显著，这主要归功于物理约束的引入。
在准确性评估中，本文模型的AP均优于对比模型，尤其在AS指标上，优势更为明显，表明物理约束极大地减少了无效场景的生成。此外，在对比正常与极端场景生成的实验中，尽管极端场景因样本少而匹配质量略低，但生成样本的有效性差异不大，证明了方法对极端场景的良好适应性。鲁棒性分析表明，WGAN-GP的结构使得模型对噪声和异常值的敏感度远低于CGAN，梯度的稳定性确保了生成器不会过早陷入不稳定状态。
本文成功提出了一个考虑极端天气影响、基于增强型对抗生成网络的电力系统极端场景生成模型。其科学价值在于：提出了一套完整的气象因子与电力场景因果关系量化评估方法，并将物理约束融入深度学习生成模型，解决了现有方法在极端小样本条件下可解释性差与物理合理性不足的理论难题。应用价值在于：该方法能够为电力系统提供大量高质量、带标签的“源-荷”联合极端场景，可直接服务于调度方案的制定与规划决策的风险评估，对提升高比例可再生能源电力系统在频发极端天气条件下的安全与韧性具有重要的技术支撑意义。
本研究的亮点主要体现在三个方面。第一，方法创新：首次将格兰杰因果关系检验用于量化气象因子对风光荷场景的影响，并以此指导聚类和样本筛选，极大地增强了生成模型的可解释性。第二，模型专门化：通过引入梯度惩罚、可变学习率和输出层物理约束，专门设计了一套适配于电力系统极端场景小样本特征的生成对抗网络，在提高生成样本质量的同时确保了其物理可行性。第三，评估体系完善：不仅采用了全面的统计特性指标，还创新性地提出了点准确率和场景准确率这两个面向电力系统应用的有效性评价指标，并系统地分析了模型的鲁棒性，为深度学习模型的评估提供了更贴合工程实际的框架。
论文指出，未来的研究方向将包括探索非线性因果关系分析方法以更精确地评估气象因素的复杂影响，优化模型训练效率与稳定性并尝试新的损失函数，以及在更复杂的多场景下测试生成模型的适应能力。