基于生成矩匹配网络的冷热电负荷场景生成
系统与控制
2022-04-22 v3 系统与控制
摘要
冷、热、电负荷的场景生成对综合能源系统的经济调度与稳定性分析具有重要意义。本文提出一种新颖的深度生成网络，基于生成矩匹配网络（GMMN）对冷、热、电负荷曲线进行建模，其中自编码器将高维负荷曲线转换为低维潜变量，最大均值差异表示生成样本与真实样本之间的相似性度量。训练模型后，通过将高斯噪声输入GMMN的场景生成器来生成新场景。与显式密度模型不同，所提GMMN无需人为假设负荷曲线的概率分布，从而具有更强的通用性。仿真结果表明，GMMN不仅较好地拟合了多类负荷曲线的概率分布，还准确捕捉了冷、热、电负荷的形状（如大峰值、快速爬坡和波动）、频域特征以及时空相关性。此外，生成样本的能量消耗与真实样本高度相似。
引用
@article{arxiv.2102.03360,
title = {Scenario Generation for Cooling, Heating, and Power Loads Using Generative Moment Matching Networks},
author = {Wenlong Liao and Yusen Wang and Yuelong Wang and Kody Powell and Qi Liu and Zhe Yang},
journal= {arXiv preprint arXiv:2102.03360},
year = {2022}
}
备注
This paper was accepted by CSEE Journal of Power and Energy Systems in June 2021