结合变分自编码器与径向基函数核的风光相关性长期小时级场景生成
机器学习
2023-06-30 v1
摘要
准确生成现实的可再生能源发电未来场景，对电力系统的长期规划与运行至关重要，尤其考虑到对可持续能源的日益关注以及能源结构中可再生能源渗透率的不断增长。这些预测使电力系统运营商与能源规划者能有效管理可再生能源发电带来的波动性与间歇性，从而改善电网稳定性、优化能源管理并增强决策过程。本文提出一种生成风电与太阳能发电长期小时级场景的创新方法，并考虑了这两种能源之间的相关性。为此，我们将变分自编码器（VAE）的能力与在人工神经网络架构中引入径向基函数（RBF）核的额外优势相结合。通过引入它们，我们旨在获得具有更优正则化特性的潜空间。为评估所提方法的有效性，我们利用巴西系统的真实风电与太阳能发电数据，在一个代表性研究场景中开展实验。我们将模型生成的场景与观测数据及其他由常规 VAE 架构生成的场景集进行比较。实验结果表明，所提方法能生成高度相关的风电与太阳能发电长期小时级场景，准确捕捉这些能源的时空特征。借助 RBF 在获得良好正则化潜空间方面的优势，我们的方法在生成可再生能源发电长期小时级场景时具有更高的准确性与稳健性。
引用
@article{arxiv.2306.16427,
title = {Long-Term Hourly Scenario Generation for Correlated Wind and Solar Power combining Variational Autoencoders with Radial Basis Function Kernels},
author = {Julio Alberto Silva Dias},
journal= {arXiv preprint arXiv:2306.16427},
year = {2023}
}