基于MSA-cWGAN-GP模型的水-风-光互补系统场景生成方法

《Sustainability》：Scenario Generation Method for Hydro–Wind–Solar Complementary Systems Based on the MSA-cWGAN-GP Model

　　

为实现低碳可持续电力系统，水-风-光互补性为提升可再生能源消纳与运行灵活性提供了重要途径，而准确表征不确定性与跨能源依赖关系对于系统优化、运行风险评估及可再生能源可持续利用至关重要。本研究提出了一种融合一维多尺度通道注意力（MSA）与指数移动平均（EMA）机制的条件Wasserstein生成对抗网络（梯度惩罚）（MSA-cWGAN-GP），用于联合径流-风电-光伏（PV）场景生成。生成器采用并行深度可分离一维卷积，具有多个时间感受野，以捕获多时间尺度变化，同时使用EMA影子生成器进行模型验证与场景生成。通过聚类联合24小时径流-风电-光伏剖面获得条件标签，实现典型资源状态下的生成。基于水布垭水电站历史径流观测数据以及ERA5再分析数据导出的风电与光伏功率序列的案例研究表明，自相关函数（ACF）绝对误差与Kendall系数绝对误差分别为0.0113和0.0495。所提出的模型在保留日内时间依赖性、跨能源依赖关系及分布特征方面，在所有评估模型中取得了最佳平均性能，为不确定性分析及后续水-风-光互补系统优化提供了代表性场景。

**论文解读：基于MSA-cWGAN-GP模型的水-风-光互补系统场景生成方法**

在全球能源转型背景下，水-风-光互补系统成为提升可再生能源消纳与电力系统运行灵活性的关键路径。然而，风电与光伏出力受气象条件驱动，具有显著随机性和波动性，对电网安全稳定运行构成挑战。水电凭借快速调节能力与水库存储灵活性，可有效缓解可再生能源波动，因而水-风-光互补系统在提高供电可靠性和可再生能源利用率方面具有重要作用。准确表征多能源联合出力的不确定性，对于系统优化调度、运行风险评估及可持续资源利用至关重要。场景生成方法从历史数据中提取不确定性特征，形成离散样本，为随机优化、容量规划等提供基础输入。现有研究多聚焦于单一能源或两两组合（如风-光），而对径流、风电、光伏三变量联合日序列的多时间尺度变化特征和跨能源依赖关系关注不足。此外，传统统计方法（如向量自回归移动平均模型、Copula、马尔可夫链）在处理高维联合序列时面临模型复杂度与可扩展性间的权衡；深度生成模型如生成对抗网络（GAN）和扩散模型虽能学习复杂分布，但现有条件场景生成中的条件信息常为季节或气象状态，难以同时反映三种资源的联合日剖面状态。

针对上述问题，研究人员提出了融合一维多尺度通道注意力（MSA）与指数移动平均（EMA）机制的条件Wasserstein生成对抗网络（梯度惩罚）（MSA-cWGAN-GP），用于径流-风电-光伏联合日场景生成。通过案例研究，基于水布垭水电站历史径流观测数据（2018–2022）及ERA5再分析数据（Enshi地区）导出的风电与光伏功率序列，验证了模型性能。研究结果表明，该模型在保留日内时间依赖性、跨能源依赖关系及概率分布特征方面均优于消融模型和对比模型（CGAN与去噪扩散概率模型DDPM），整体自相关函数（ACF）绝对误差为0.0113，Kendall系数绝对误差为0.0495，为水-风-光互补系统的不确定性分析与优化调度提供了代表性场景。该论文发表在《Sustainability》。

**关键技术方法概述**（不超过250字）：
研究人员采用条件Wasserstein生成对抗网络（梯度惩罚）（cWGAN-GP）作为基础框架，在生成器的24小时隐藏特征层中引入一维多尺度通道注意力（MSA）模块，该模块包含三个并行深度可分离一维卷积分支（核大小分别为3、5、7），分别提取3小时、5小时和7小时范围内的局部变化特征，并通过全局平均池化融合多尺度信息以计算通道权重。同时，维护指数移动平均（EMA）影子生成器用于模型验证与最终场景生成，以降低单一训练检查点参数波动的影响。条件标签通过K-means聚类联合日特征向量（经标准化、主成分分析降维后）获得，聚类数由肘部法、轮廓系数和Davies–Bouldin指数联合确定为4类。数据来源：水布垭水电站历史径流（2018–2022）及ERA5再分析数据（Enshi地区，29.8425–30.6583°N, 109.08–109.9783°E），风电与光伏功率由气象变量转换得到，额定容量各1000 MW。训练集1046天，验证集262天，测试集328天，按时间顺序划分。

**研究结果**：

**时间依赖性结构**：通过计算不同滞后阶数（1–5小时）的自相关函数（ACF）绝对误差，评估各模型复现日内时间依赖性的能力。MSA-cWGAN-GP在风电、光伏和径流上的ACF绝对误差分别为0.0048、0.0011和0.0279，整体平均误差0.0113，低于w/o EMA（0.0173）、w/o MSA（0.0153）、CGAN（0.0198）和DDPM（0.0517）。相对消融模型，完整模型整体ACF绝对误差降低34.7%（w/o EMA）和26.1%（w/o MSA）。结果表明，MSA与EMA的联合配置有效提升了时间依赖结构的保留能力。

**跨能源依赖关系**：通过计算径流-风电、风电-光伏、径流-光伏三对变量在四种典型联合场景类别下的Kendall系数绝对误差，评估跨能源依赖关系。MSA-cWGAN-GP在12种组合上的平均误差为0.0495，低于w/o MSA（0.0552）、w/o EMA（0.0703）、DDPM（0.0794）和CGAN（0.1878）。完整模型在场景1、2、4中累积误差最低，其中场景1（低资源状态）误差最小。所有模型在场景4中误差普遍增大，主要由径流-光伏对贡献，表明高风电出力状态下两者依赖关系更难拟合。结论：MSA与EMA协同改善了大多数场景下的依赖结构保留。

**分布相似性比较**：使用Wasserstein距离（WD）和平方最大均值差异（MMD²）评估生成数据与真实数据的分布相似性。MSA-cWGAN-GP在风电、光伏、径流上的WD分别为28.6597±6.2440、9.1734±2.1498、44.6270±10.2479，均低于两消融模型和两对比模型；相对w/o EMA，WD降低35.1%、32.8%、33.8%；相对w/o MSA，降低41.1%、28.3%、25.9%。MMD²方面，MSA-cWGAN-GP在风电、光伏、径流上分别为0.0071±0.0024、0.0069±0.0051、0.0195±0.0032，同样为最低；相对w/o EMA降低25.3%、45.2%、52.0%；相对w/o MSA降低38.8%、35.5%、52.7%。结果表明，完整模型在时值边际分布和完整日曲线分布层面均最接近真实数据。

**统计显著性检验与计算效率分析**：以MSA-cWGAN-GP为参考，基于10个公共随机种子进行双尾配对t检验。对于ACF绝对误差、WD和MMD²，完整模型与所有对比模型在风电、光伏、径流上的差异均显著（p<0.05），多数p<0.01。Kendall系数绝对误差方面，除与w/o EMA的径流-风电对比及与w/o MSA的风电-光伏对比外，其余差异均显著。训练时间方面，MSA-cWGAN-GP平均148.0±3.9秒，仅比CGAN（133.1±11.9秒）增加11.2%，远低于DDPM（286.3±24.5秒）；相对w/o EMA增加约4.4%，表明计算开销适度。

**结论**：本研究建立了融合联合日剖面聚类、条件对抗学习、多尺度特征提取与EMA影子生成器的水-风-光场景生成框架。MSA模块通过不同时间感受野提取日内局部变化特征并自适应重标定隐藏通道，EMA机制平滑生成器参数更新，共同增强了对复杂统计特征的表示能力。消融实验表明，MSA和EMA在模型性能中发挥互补作用，整体ACF绝对误差较w/o EMA和w/o MSA分别降低34.7%和26.1%，Kendall绝对误差降至0.0495。与CGAN和DDPM相比，MSA-cWGAN-GP在保留各变量日内变化模式的同时，更好地复现了径流、风电、光伏间的联合依赖关系，并在所有三个能源变量上取得最低的WD和MMD²值。基于10个公共随机种子的显著性检验支持了该方法在分布相似性方面的优势。总体而言，MSA-cWGAN-GP能够生成合理保留时间依赖性、跨能源依赖关系及概率分布特征的水-风-光联合场景，为多能源互补系统的不确定性分析、运行风险评估与优化调度提供数据支持。但本研究仅基于单一区域数据验证，且生成径流分位数带在某些时段仍存在偏差。未来工作将引入不同区域与实际可再生能源站点数据，改进对径流分散性和极端资源状态的表征，并探索极端天气条件下的联合场景生成及其在随机优化调度中的应用，以增强模型在电力系统运行中的实用价值。