基于LPR-Net与SRGAN的可控可解释负荷场景生成：一种增强电力系统规划适应性的新方法

本文提出了一种结合负荷特征重构网络（LPR-Net）和超分辨率生成对抗网络（SRGAN）的两阶段负荷场景生成框架，通过核密度估计（KDE）与高斯Copula建立负荷特征指标的联合概率模型，并引入SHAP（SHapley Additive exPlanations）方法量化指标贡献，显著提升了场景生成的可控性、可解释性以及对峰谷模式的还原能力，为电力系统不确定性分析提供了可靠工具。

　　

Highlight

基于LPR-Net与SRGAN的可控可解释负荷场景生成方法在电力系统不确定性建模中展现出显著优势。该方法通过分离确定性重构与随机细化过程，有效提升了生成场景的逼真度与可控性，并为系统规划提供了可量化的解释依据。

Potential applications

所提出的可控负荷场景生成框架（LPR-Net + SRGAN）结合SHAP可解释性分析，为现代电力系统分析提供了灵活实用的工具。其主要应用包括目标生成特定负荷场景，通过调整负荷特征指标，系统操作人员能够有目的地生成多样且真实的场景，尤其适用于极端条件模拟、需求响应策略评估和备用容量优化。此外，生成的高分辨率场景可用于合成数据共享，在保护用户隐私的同时支持电网协同规划。该方法还可嵌入随机优化问题（如机组组合、备用配置）中，为系统运行提供风险感知的决策支持。

Conclusions

基于深度学习的负荷场景生成模型常面临可控性差与可解释性不足的挑战。本研究提出了一种融合LPR-Net与SRGAN的新型负荷场景生成方法，显著提升了生成过程的可控性与可解释性。首先，利用高斯Copula函数构建负荷特征指标的联合概率密度分布，有效捕捉其相关性。其次，通过两阶段生成框架实现从指标到高分辨率场景的确定性映射与随机细化。最后，借助SHAP方法量化各指标对生成结果的贡献，为系统操作人员提供可操作的敏感性分析依据。该方法在不同季节与运行条件下均表现出良好的鲁棒性与泛化能力，为电力系统灵活规划与可靠运行提供了有力支撑。

Declaration of generative AI and AI-assisted technologies in the writing process

在本文撰写过程中，作者使用ChatGPT提升文稿的可读性、清晰度与语言表达。该工具仅用于优化文本表述，确保内容对读者更为友好。使用后，作者对内容进行了人工审阅与编辑，以保障科学严谨性，并对出版物内容全权负责。

CRediT authorship contribution statement

洪霞郭（Hongxia Guo）：原始撰写、监督、资源、方法论、形式分析。

李元（Yuan Li）：评审编辑、原始撰写、可视化、验证、软件、方法论、调查、数据整理、概念化。

李琳（Lin Li）：原始撰写、软件、调查。

王建学（Jianxue Wang）：评审编辑、监督。

马倩（Qian Ma）：项目管理、资金获取。

Declaration of competing interest

作者声明不存在任何已知的竞争性财务利益或个人关系，可能影响本文所报告的研究成果。

Acknowledgments

本工作得到国家重点研发计划项目（项目编号：2022YFB2403500）的资助。