《Sustainable Energy Technologies and Assessments》：An interpretable sequential scenario generation framework for solar irradiance with joint temporal dependence and distribution preservation
编辑推荐：
•一种可解释的太阳能辐照度场景生成框架。•通过迭代顺序采样引入时间依赖性。•自适应加权平衡时间特征与统计特征。•生成的场景具有高度的统计保真度和真实性。引言全球能源转型加速了光伏（PV）发电的大规模部署[1]、[2]、[3]。然而，太阳辐照度的随机性和间歇性为光伏出力引入了相
- •
一种可解释的太阳能辐照度场景生成框架。
- •
通过迭代顺序采样引入时间依赖性。
- •
自适应加权平衡时间特征与统计特征。
- •
生成的场景具有高度的统计保真度和真实性。
引言
全球能源转型加速了光伏（PV）发电的大规模部署[1]、[2]、[3]。然而，太阳辐照度的随机性和间歇性为光伏出力引入了相当大的不确定性，对电力系统规划、运行和风险评估构成了重大挑战[4]、[5]。在高光伏渗透率条件下，需要大量真实的辐照度场景来表征潜在的运行工况并支持不确定性感知的决策制定[6]、[7]。由于历史测量数据在持续时间和样本量方面往往有限，太阳辐照度场景生成已成为在保留实际辐照度过程统计特征的同时扩展可用数据的关键工具。辐照度场景生成的质量主要取决于两个方面：准确表征边缘分布以及忠实地保持时间依赖性。
现有方法通常可分为基于分布的方法、基于时间序列的方法和基于深度学习的方法[8]。基于分布的方法侧重于建模单个时间步长处辐照度的概率分布。典型方法包括Beta分布[9]、对数正态分布[10]和核密度估计（KDE）[11]。这些方法能够有效重现边缘统计特征和概率分布。Wang等人[12]采用高斯核KDE来估计可再生能源出力的概率密度函数，而Wahbah等人[13]通过基于交叉验证的带宽优化提高了分布拟合精度。然而，由于样本通常是独立生成的，相邻时间步长之间的时间依赖性并未得到明确保留，导致生成的场景在时间上不一致。基于时间序列的方法通过随机过程或统计过程显式建模时间演化，例如马尔可夫链[14]、ARIMA[15]和GARCH[16]。Wang等人[17]将马尔可夫链与Copula函数相结合，联合表征风电和光伏出力的时空相关性，而Tang等人[18]和Tan等人[19]为可再生能源系统开发了基于相关性的场景生成框架。虽然这些方法能够有效捕捉时间依赖性，但它们往往依赖于限制性较强的模型假设，在再现复杂边缘分布特征方面灵活性可能有所降低。近年来，基于深度学习的方法，主要包括生成对抗网络（GANs）[20]、[21]和变分自编码器（VAEs）[22]、[23]，已展现出从历史数据中学习非线性时空模式的强大能力。Hu等人[21]、[24]利用动态时空图GAN生成可再生能源场景，并使用自适应动态场景聚类算法来保留时空相关性。Feng等人[25]采用VAE-GAN框架生成可再生能源场景，而He等人[26]将特征提取与高斯Copula建模相结合以增强光伏场景表征。最近，VAE-扩散模型[27]、[28]和混合VAE-BiLSTM架构[23]已被开发出来，以捕捉高维时间依赖性并提高场景保真度。这些深度生成模型在建模复杂时空特征方面实现了高度保真，但它们通常需要大规模训练数据集和大量计算资源，且其黑箱特性限制了可解释性，难以显式控制时间依赖性与边缘分布之间的一致性。另一类研究不学习依赖结构而是对其进行施加：Liu等人[29]通过联合驱动多个估计的相关结构来生成水-风-光场景，[17]、[18]、[19]中的基于Copula的框架遵循相同原理。这些方法是透明且简约的，但依赖结构由所选的Copula或相关模型事先固定，边缘分布则是通过对联合样本进行变换获得，而非通过分别控制每个小时来获得。
从上述综述来看，现有研究要么仅拟合逐时边缘分布而无时间模型，要么施加时间依赖结构而不控制每小时的边缘分布；当两者联合建模时，依赖结构由所选的Copula或相关模型事先固定。尚未得到充分探索的是一个框架，在该框架中边缘分布和时间依赖性可以分别控制，且两者之间的权衡是显式的。特别是，如何在保持边缘分布统计一致性的同时重建时间依赖性，仍然是辐照度场景生成中的一个开放挑战。为解决这一问题，本文提出了一种用于太阳辐照度的迭代顺序场景生成框架。主要贡献总结如下：
- •
系统分析了时间依赖性与场景生成质量之间的关系，为时间约束构建提供了理论基础。
- •
开发了一种迭代顺序采样框架，在场景生成过程中联合保持边缘分布特征和时间依赖性。
- •
一种可复现的确定采样器时变权重的流程：一种解析形式将目标一阶滞后自相关映射到权重上，一种数据驱动变体最小化一个显式目标函数，在自相关保真度与边缘失真之间取得平衡。
- •
在相同数据、样本规模和评估指标下，与十种成熟的场景生成方法进行基准对比，明确了该框架的优势与非优势领域：该方法在十一种方法中取得了最低的CRPS、MAE和RMSE，使用82-86个拟合参数，而Copula方法使用335-340个参数；同时，Copula和AR(1)基线方法在重现时间依赖性方面更为忠实。本文所声称的贡献在于分析透明度和边缘-依赖权衡的显式控制，而非整体优越性。
各章节摘要
方法
为准确刻画辐照度的时间演化模式并生成高质量场景，本研究提出了一种太阳辐照度场景生成方法，该方法融合了时间相关性分析、概率分布建模和迭代顺序采样，如图1所示。首先，采用Pearson相关性分析、偏相关分析和互信息的组合方法来量化不同时间步长之间辐照度的相关性。
实验设置与评估指标
本研究采用的太阳辐照度数据来自[30]中的开放数据集，该数据集涵盖了中国6座风电场和8座太阳能站在2019-2020年期间的15分钟间隔测量数据。本数据集及图表中涉及的所有时间信息均采用中国标准时间（CST，UTC+8），与电网实际本地运行时间一致。15分钟记录通过保留整点测量值（00:00、01:00、……、23:00）重采样至小时级网格。
结论
本研究开发了一个综合性的太阳辐照度场景生成框架，该框架建立在时间相关性基础分析和稳健的边缘分布建模之上，并进一步提出了一种自适应动态参数策略，以解决分布保真度与时间连续性之间平衡这一核心挑战。
首先，利用置换检验互信息和阶序校正偏相关分析了辐照度的时间依赖性。
CRediT作者贡献声明
胡浩文：撰写——初稿、方法学。陈凤翔：撰写——审阅与编辑。马泽英：形式化分析。侯智鹏：可视化、指导。周华坚：形式化分析。孔泽帆：形式化分析。
利益冲突声明
作者声明不存在已知的竞争财务利益或个人关系，这些利益或关系可能影响本论文所报告的工作。
致谢
本研究得到国家自然科学基金（U21A20166、62403306）的支持。
胡浩文 | 陈凤翔 | 马泽英 | 侯智鹏 | 周华坚 | 孔泽帆
