这是一篇关于新型可再生能源场景生成方法的研究报告。

作者及发表信息

本研究由河海大学能源与电气学院的Ke Wang、Yinan Zhou、Yuanxing Xia、Xiangkuan Wan，以及英国卡迪夫大学工程学院的Jun Liang共同完成。该论文发表于Elsevier旗下的International Journal of Electrical Power and Energy Systems期刊第176卷，文章编号111758，于2026年3月12日在线发表。

研究背景与目标

随着风能、太阳能等可再生能源在电力系统中的渗透率不断提高，其固有的间歇性（intermittency）和波动性（volatility）给电网的短期优化调度带来了严峻挑战。场景生成（scenario generation）技术通过刻画可再生能源功率时间序列的多变特性，直接影响着系统运行决策的可靠性，因此具有至关重要的作用。当前，场景生成方法主要分为两大类：基于模型的统计方法和数据驱动的深度学习方法。前者依赖预设的概率分布，如用威布尔分布（Weibull distribution）模拟风速，但这些简化假设难以捕捉实际功率输出的复杂非线性动态特征。后者以生成对抗网络（Generative Adversarial Networks, GANs）和条件生成对抗网络（Conditional GANs, CGANs）为代表，虽具备强大的非线性拟合能力，但其有效性依赖于海量的高质量训练数据。

在实际应用中，由于数据保密协议、极端天气事件样本稀少等原因，通常只能获取小样本数据集。在这种小样本学习（few-shot learning）条件下，GANs极易出现训练不稳定和模式坍塌（mode collapse）问题，严重损害生成场景的质量和多样性。现有的成熟小样本学习范式，如迁移学习（transfer learning）和元学习（meta-learning），多针对点预测任务，而非概率性场景生成。因此，该研究旨在提出一种融合统计知识与对抗学习的组合方法，命名为SK-CGAN，以期在仅有一个月甚至更少数据的情况下，依然能生成精确、可靠且多样性丰富的新能源场景。

详细研究方法与工作流程

该研究的核心方法是提出并构建了一种名为SK-CGAN的框架，其工作流程分为三个主要环节：离散场景树构建、CGAN模型训练以及融合场景树的CGAN引导生成。

第一步，研究者从历史统计知识中构建了一个二维离散概率模型。该模型捕获了两类关键的、非敏感且可以公开获取的统计知识：其一是功率波动（power fluctuation），定义为相邻时段功率的差值；其二是基于预测功率与实际功率的预测误差（forecast error）。研究者将功率波动范围离散化为多个区间，通过统计历史数据落入各区间的频率，形成波动量的离散概率分布矩阵。同时，针对不同的预测时间点，计算出其历史平均预测误差，形成预测误差的离散概率分布矩阵。进一步，将这两类统计量结合，构建了一个关于功率波动和预测误差的联合二维离散概率模型。该模型能够描绘出由波动和误差共同决定的功率可能状态及其发生概率。

第二步，进行CGAN网络的训练。这一阶段，在小样本的预测功率数据和相应的实际功率数据上，对生成器和判别器进行对抗训练。模型架构上，生成器和判别器均采用了卷积神经网络（Convolutional Neural Networks, CNNs）来有效捕捉可再生能源时间序列中的局部模式，如短期趋势和周期性波动。为解决传统GAN训练困难的问题，该研究在判别器的损失函数中引入了沃瑟斯坦距离（Wasserstein distance）和梯度惩罚项（gradient penalty），以稳定训练过程并提高生成质量。CGAN的输入条件c是预测的功率曲线。

第三步，也是该研究的核心创新点，即使用离散场景树引导CGAN进行生成。首先，基于第一步建立的联合概率模型和给定的新能源功率预测值，可以生成一个包含众多可能轨迹及其概率的场景树。为降低计算维度，研究者使用K均值（K-means）聚类方法，将这些场景树聚类为K个典型曲线族，每一族由其聚类中心曲线代表，并附带相应的发生概率。在最终生成阶段，这些代表不同潜在波动和误差模式的典型场景树曲线，被逐一作为额外的条件信息s，与原先的预测功率曲线c以及随机噪声向量z拼接在一起，共同输入到训练好的CGAN生成器中。这一机制使得生成器不仅学习到预测功率的轨迹，更在统计先验的引导下，探索了由历史波动和误差特性定义的更广阔的数据空间。为了在提高场景覆盖率（coverage）的同时，避免增加功率区间宽度（power interval width），研究者系统地分析和调整了随机噪声的幅度，发现适当减小噪声系数能实现更优的性能平衡。

主要实验结果与发现

研究利用中国西北某省级电网的实际数据，分别设计了面向日内超短期和日前极端天气场景生成的案例研究，并从多维度对SK-CGAN的性能进行了详尽的评估。

在日内超短期场景生成实验中，仅使用30天、60天和120天的数据进行训练。结果表明，在小样本情况下，传统CGAN生成的场景集严重受限于数据的稀疏性，经常无法完全覆盖实际新能源出力曲线，尤其在功率的爬升和低谷阶段。相比之下，SK-CGAN生成的场景集能更全面、更准确地包裹真实功率曲线。定量指标上，以30天训练样本、生成100个场景为例，SK-CGAN的覆盖率（Coverage Rate, CR）为84.8%，远高于CGAN的74.1%；在更极端的小样本情况下这种优势更为明显。在能量分数（Energy Score, ES）、平均绝对误差（MAE）和均方根误差（RMSE）等指标上，SK-CGAN也全面优于CGAN，表明其生成的场景在概率分布结构与单点预测精度上均更优。此外，通过评估成对距离（pairwise distance）和主成分分析方差多样性（PCA-Variance Diversity）两个指标，证实SK-CGAN生成的场景样本在空间中分布更为分散，有效地缓解了模型坍塌问题，生成了更丰富多样的场景。关于噪声的消融实验表明，当噪声系数降至0.72时，SK-CGAN在保持与CGAN相同功率区间宽度的同时，将覆盖率从63.59%显著提升至88.36%。

在极端天气的日前场景生成实验中，SK-CGAN的优势得到了进一步验证。在关键时段，如功率突然飙升、准稳态运行和峰值后的急剧跌落，SK-CGAN生成的场景边界与真实轨迹的包络线始终能保持一致。在7天测试集上的结果显示，SK-CGAN的覆盖率达到了69.05%，比CGAN提升了10.12个百分点；同时其预测区间宽度（PIW）为0.2294，低于CGAN的0.2472，实现了在更高覆盖率下更窄的区间宽度。这充分证明该模型在刻画极端天气下高波动性和重尾分布特征方面的鲁棒性。对不同噪声分布类型的影响分析发现，拉普拉斯噪声（Laplace noise）取得了最优异的综合性能，覆盖率高达98.41%，显示出该方法具有通过噪声类型配置进一步调优的潜力。

结论与应用价值

本研究成功提出并验证了一种面向小样本的可再生能源场景生成创新框架SK-CGAN。其科学价值在于，它将结构化的统计先验知识巧妙地嵌入到数据驱动的深度对抗学习范式中，解决了数据匮乏时纯数据驱动模型易过拟合、多样性不足的核心难题。通过对条件空间的统计拓展和对随机噪声幅度的精细调控，该方法在理论上为平衡模型的偏差与方差、引导生成过程提供了新思路。其应用价值则更为直接和显著：该方法在保护数据隐私的同时，有效提升了电力系统在极端天气或数据样本有限的特殊情况下的决策支持能力。生成的更高覆盖率和更窄区间的可靠场景集，可为电网的日前及日内优化调度、风险分析和备用预留等提供更坚实的输入数据。这项工作还可进一步拓展至其他小样本生成任务，如用户需求响应场景。未来，研究者将关注自适应噪声配置机制以及统计知识有效性的进一步验证。