彭雨箏，李曉露，李聰利，丁一

(1.上海電力大學(xué)電氣工程學(xué)院，上海市 200090；2. 國網(wǎng)天津市電力公司，天津市 300010)

0 引 言

由于能源的日益枯竭與環(huán)境問題，諸如風(fēng)、光等清潔能源的應(yīng)用正變得愈發(fā)普遍。風(fēng)、光具有一定的隨機(jī)性與不確定性，但也擁有一定的耦合性與周期性[1]。電力系統(tǒng)的規(guī)劃與調(diào)控，往往需要考慮負(fù)荷及風(fēng)、光資源的耦合性與周期特性。若利用年時序場景對電力系統(tǒng)的規(guī)劃和調(diào)控進(jìn)行場景分析，雖然具有工程價值，但計(jì)算成本高、效率低；而典型日法則過于保守，不能反映風(fēng)光荷的周期特性。所以典型場景集的生成，即將風(fēng)光荷出力消耗變化的不確定場景轉(zhuǎn)化為多個確定的場景，對電力系統(tǒng)的規(guī)劃與調(diào)度，風(fēng)、光的消納能力評估等具有重要意義。

當(dāng)前典型場景的生成方法主要是用聚類來縮減長期的時序場景[2]。但在電力數(shù)據(jù)快速增長的背景下，對風(fēng)光荷場景直接進(jìn)行聚類運(yùn)算的復(fù)雜度和時間會大大增加，進(jìn)而影響到聚類效果。為了提高算法效率、節(jié)省儲存空間，文獻(xiàn)[3-6]采用數(shù)據(jù)降維的方法來提高聚類效果，主要有：主成分分析(principal component analysis, PCA)、自組織映射(self-organizing feature map, SOM)等。雖然傳統(tǒng)的降維方法有降維速度快、計(jì)算簡單等優(yōu)點(diǎn)，但在對高維數(shù)據(jù)進(jìn)行降維時易產(chǎn)生數(shù)據(jù)損失，降維效果較差，所提取特征不能精確反映原數(shù)據(jù)特征等問題。隨著深度學(xué)習(xí)的發(fā)展[7]，深度學(xué)習(xí)在數(shù)據(jù)挖掘、特征提取等方面表現(xiàn)出了優(yōu)異的性能。自編碼可通過重構(gòu)原始數(shù)據(jù)實(shí)現(xiàn)電力數(shù)據(jù)的深層特征提取。文獻(xiàn)[8-9]分別采用了卷積自編碼(convolutional auto-encoder, CAE)和堆棧自編碼(stacked auto-encoder, SAE)對電力數(shù)據(jù)進(jìn)行降維再進(jìn)行聚類，都使聚類效果得到了進(jìn)一步的提高，但未考慮到風(fēng)光荷數(shù)據(jù)本身的相關(guān)性及電力數(shù)據(jù)與圖片數(shù)據(jù)之間的區(qū)別。電力數(shù)據(jù)較圖片數(shù)據(jù)信息值大、數(shù)據(jù)量少，數(shù)據(jù)在降維過程中產(chǎn)生的信息損失對電力數(shù)據(jù)的特征提取影響更大。

因此，本文綜合考慮電力數(shù)據(jù)特征和數(shù)據(jù)降維質(zhì)量，提出一種利用殘差模塊改進(jìn)卷積自編碼(residual convolutional auto-encoder，RESCAE)聚類的場景縮減方法。在數(shù)據(jù)降維方面，通過引入殘差模塊，解決梯度消失問題，并減少信息丟失和損耗，保證信息的完整性。此外，考慮到風(fēng)光荷的相關(guān)性和互補(bǔ)性，利用多通道的卷積自編碼對年時序風(fēng)光負(fù)荷場景集進(jìn)行特征提取和降維處理，使結(jié)果更為精確。在聚類方法方面，為了降低噪聲數(shù)據(jù)對實(shí)驗(yàn)結(jié)果產(chǎn)生的影響，使用 k-medoids算法進(jìn)行場景削減。所提出的方法可以降低場景數(shù)據(jù)的維數(shù)，同時使場景的原始特征得以準(zhǔn)確表達(dá)，并使場景縮減的結(jié)果更加準(zhǔn)確合理。

1 基于殘差模塊改進(jìn)的卷積自編碼

考慮到風(fēng)光荷變化的不確定性，生成多個確定的典型場景集是解決很多電力問題的關(guān)鍵，結(jié)合電力數(shù)據(jù)的特征，本文生成的典型場景應(yīng)考慮到風(fēng)光荷數(shù)據(jù)的時序性、耦合性和數(shù)據(jù)集信息的完整性等問題。

綜合考慮裝機(jī)容量不同的影響, 首先對風(fēng)光荷數(shù)據(jù)進(jìn)行歸一化處理，參考相關(guān)文獻(xiàn)，本文使用極大值標(biāo)準(zhǔn)化進(jìn)行數(shù)據(jù)處理。極大值標(biāo)準(zhǔn)化計(jì)算方法如下：

(i=1,2,…,m;j=1,2,…,n)

(1)

式中：x′ij是標(biāo)椎化后的數(shù)據(jù)；xij是原始數(shù)據(jù)。經(jīng)過處理后，最大值為 1，其余各值小于 1。

1.1 多通道卷積自編碼器

在聲圖識別領(lǐng)域，多通道卷積常被用來提取數(shù)據(jù)不同層面的特征，如彩色圖片紅黃藍(lán)通道和立體聲音頻的左右軌聲道，它通過增加輸入信息來提升模型效果[10]。結(jié)合本文電力數(shù)據(jù)特征，考慮到風(fēng)光荷之間的各種復(fù)雜的耦合交互關(guān)系，若能利用多通道卷積的思想，將風(fēng)光荷三通道電力數(shù)據(jù)如紅黃藍(lán)三像素信息一樣輸入模型，使其在高維空間進(jìn)行融合抽象，則能更全面提取數(shù)據(jù)特征[11]。

因此本文將多通道卷積與自編碼器進(jìn)行融合形成多通道卷積自編碼器，此時的多通道卷積自編碼器即可考慮風(fēng)光荷數(shù)據(jù)的耦合性進(jìn)行更為全面立體的特征提取。并且由于電力數(shù)據(jù)轉(zhuǎn)化而來的數(shù)據(jù)矩陣本身維度相對圖片矩陣較低，因此本文CAE網(wǎng)絡(luò)結(jié)構(gòu)還去掉了用來降低特征維度的池化層。CAE模型結(jié)構(gòu)如圖1所示。

圖1 卷積自編碼模型結(jié)構(gòu)Fig.1 Structure of CAE model

假設(shè)有一組無標(biāo)簽的訓(xùn)練樣本x={x1,x2,…,xn}，輸出為y={y1,y2,…,yn}。多通道卷積自編碼器即是通過優(yōu)化求解目標(biāo)函數(shù)得到最近似的輸入與輸出。在求解過程中構(gòu)造輸入的最佳表達(dá)，實(shí)現(xiàn)數(shù)據(jù)的特征提取。經(jīng)過編碼處理，輸入數(shù)據(jù)x可得到n組特征激活值，即：

(2)

式中：h表示隱藏層；ω為權(quán)值參數(shù)；b為偏置參數(shù)；σ為激活函數(shù)；*表示卷積運(yùn)算。θ=(ω,b)為卷積核參數(shù)集合。本文采用Relu作為CAE的激活函數(shù)。

將得到的hk進(jìn)行特征重構(gòu)，可以得到：

(3)

(4)

通過最優(yōu)化目標(biāo)函數(shù)E(θ)的求解可得最優(yōu)參數(shù)合集，從而實(shí)現(xiàn)基本的多通道卷積自編碼器的構(gòu)建。

1.2 殘差神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)的層數(shù)越深其表達(dá)原數(shù)據(jù)特征能力越強(qiáng)，但隨著深度的增加，信息丟失、梯度消失等問題也愈發(fā)嚴(yán)重[12]。尤其是相對于圖片、數(shù)據(jù)量較少的電力系統(tǒng)來說這個問題尤為嚴(yán)重。以往的研究常使用堆疊自編碼器來解決梯度消失的問題。但利用殘差網(wǎng)絡(luò)，不僅可以解決梯度消失的問題，還可以較大程度地保護(hù)數(shù)據(jù)集的信息，減少信息損失，這樣就可以增加網(wǎng)絡(luò)的層數(shù)，使之更為準(zhǔn)確地表達(dá)原數(shù)據(jù)特征。

殘差神經(jīng)網(wǎng)絡(luò)將前面層的未被壓縮的數(shù)據(jù)和后面被壓縮的數(shù)據(jù)共同作為后面的數(shù)據(jù)輸入，用期望函數(shù)H(x)=F(x)+x來映射擬合，以減少數(shù)據(jù)損失，F(xiàn)(x)為未加入殘差前的網(wǎng)絡(luò)映射，殘差模塊結(jié)構(gòu)如圖2所示。

圖2 殘差模塊結(jié)構(gòu)Fig.2 Structure of residual module

參考文獻(xiàn)[13-14]將殘差模塊結(jié)構(gòu)進(jìn)行級聯(lián)即可得到殘差網(wǎng)絡(luò)，如圖3所示。圖3中conv為卷積層。

在殘差網(wǎng)絡(luò)的前向傳播中，輸出為某層輸入xl和F(x)的累加，Wl為權(quán)值，xL為之后某層的輸出，如圖3所示。

圖3 殘差網(wǎng)絡(luò)架構(gòu)示例Fig.3 Example of residual network architecture

xl+1=xl+F(xl,Wl)

(5)

xl+2=xl+1+F(xl+1,Wl+1)=
xl+F(xl,Wl)+F(xl+1,Wl+1)

(6)

(7)

梯度消失的根源是累乘，由式(8)可知，殘差網(wǎng)絡(luò)在反向傳播中的梯度表達(dá)式為累加，所以在基本原理上殘差網(wǎng)絡(luò)解決了梯度消失的問題。

(8)

因此本文將殘差網(wǎng)絡(luò)引入多通道卷積自編碼器，一方面可以加深網(wǎng)絡(luò)層數(shù)并提高其表達(dá)能力，另一方面可以通過殘差編碼器的特殊結(jié)構(gòu)增強(qiáng)該編碼器的信息細(xì)節(jié)保存能力。

1.3 利用殘差模塊改進(jìn)的多通道卷積自編碼器

目前，在深度學(xué)習(xí)研究中大部分采用殘差網(wǎng)絡(luò)ResNet作為編碼器，因?yàn)樗鼘?shù)據(jù)的抽象能力很強(qiáng)。ResNet網(wǎng)絡(luò)結(jié)構(gòu)簡單，殘差塊主要有BasicBlock和Bottleneck兩種形式，具體結(jié)構(gòu)如圖4所示。

圖4 殘差塊的2種結(jié)構(gòu)形式Fig.4 Two structural forms of residuals blocks

利用殘差塊改進(jìn)多通道卷積編碼器的思想主要來自于殘差模塊結(jié)構(gòu)，如圖4所示。殘差模塊的結(jié)構(gòu)是將卷積前的未壓縮的特征與卷積后的特征進(jìn)行相加融合。本文在多通道卷積自編碼的結(jié)構(gòu)式上加入了BasicBlock殘差塊，提出了一種適應(yīng)電力數(shù)據(jù)的改進(jìn)卷積自編碼結(jié)構(gòu)，稱為殘差模塊改進(jìn)的多通道卷積自編碼器(RESCAE)，如圖5所示。

圖5 利用殘差網(wǎng)絡(luò)改進(jìn)的多通道卷積自編碼器Fig.5 Improved multi-channel convolutional encoder using residual network

編碼器的信息保全和細(xì)節(jié)特征提取是通過如圖5所示跨層級調(diào)整模塊實(shí)現(xiàn)的[15]，該模塊通過一個1×1的卷積層和一個最大池化層對上一層級的特征數(shù)據(jù)進(jìn)行調(diào)整，將調(diào)整后的特征數(shù)據(jù)與當(dāng)前輸出數(shù)據(jù)相加，實(shí)現(xiàn)編碼器的數(shù)據(jù)信息保全。其中1×1卷積層可以提高低維數(shù)據(jù)的通道數(shù)，保障其與高維特征數(shù)據(jù)相加時通道數(shù)一致；最大池化層可縮小低維特征數(shù)據(jù)的尺寸，保證與高維特征數(shù)據(jù)尺寸一致。在卷積編碼器的基礎(chǔ)上，通過添加一定形式的跨層級調(diào)整模塊，提高了編碼器的數(shù)據(jù)信息特征保全能力。

反卷積(deconvolution)網(wǎng)絡(luò)作為解碼器，將編碼器所編碼的高通道、低分辨率的數(shù)據(jù)進(jìn)行解碼，通過逐步提高數(shù)據(jù)分辨率、降低通道數(shù)，最終得到通道數(shù)與尺寸都同輸入數(shù)據(jù)一致的結(jié)果。本文解碼器由4個反卷積模塊組成。自編碼器的反卷積網(wǎng)絡(luò)以一種無監(jiān)督方式恢復(fù)原數(shù)據(jù)特征，通過學(xué)習(xí)使恢復(fù)的數(shù)據(jù)特征與原數(shù)據(jù)特征的差最小，得到最優(yōu)的參數(shù)合集。

2 基于RESCAE的風(fēng)光荷場景生成

基于RESCAE-kmedoids風(fēng)光荷場景生成的基本流程如圖6所示，具體描述如下。

圖6 基于RESCAE-kmedoids風(fēng)光荷場景生成框架Fig.6 The framework structure of wind-PV-load scenario generation based on RESCAE-kmedoids

1)為了考慮裝機(jī)容量不同等影響, 參考相關(guān)文獻(xiàn)選擇使用極大值標(biāo)準(zhǔn)化進(jìn)行數(shù)據(jù)預(yù)處理。

2)利用RESCAE進(jìn)行風(fēng)光荷數(shù)據(jù)的特征提取。具體流程如圖5所示：一組風(fēng)光荷的三維數(shù)據(jù)經(jīng)過5×1卷積和Relu層，將電力數(shù)據(jù)的大小由96×1降為48×1，將通道數(shù)由3升為64，之后送入殘差模塊中。在conv2-x的輸出端，將數(shù)據(jù)分別送入conv3-x和跨層級調(diào)整模塊，經(jīng)過跨層級調(diào)整模塊調(diào)整低維數(shù)據(jù)的通道數(shù)與尺寸后，與conv3-x的輸出數(shù)據(jù)相加，相加后的數(shù)據(jù)送入conv4-x操作輸出提取的數(shù)據(jù)特

征。至此，完成了一條數(shù)據(jù)的編碼任務(wù)。解碼流程：將編碼輸出的6×1@256低分辨率、高通道數(shù)據(jù)送入解碼器反卷積網(wǎng)絡(luò)進(jìn)行解碼，經(jīng)過反卷積模塊deconv1—deconv4，將通道數(shù)由256重新降到3，數(shù)據(jù)尺寸由6×1升回96×1，最終完成一條數(shù)據(jù)的解碼任務(wù)。

3)利用輪廓系數(shù)(silhouette coefficient index, SIL)確定最佳聚類數(shù)[16]，然后,對提取的電力數(shù)據(jù)特征進(jìn)行聚類，為了減少噪聲數(shù)據(jù)的影響采用k-medoids聚類方法，最后所得的聚類中心對應(yīng)的原數(shù)據(jù)場景，即是實(shí)際生成的風(fēng)光荷典型場景。

4)與傳統(tǒng)聚類方法進(jìn)行戴維斯堡丁指數(shù)(Davies-Bouldin index，DBI)、Calinski-Harabaz指數(shù)(Calinski-Harabasz index，CHI)等指標(biāo)的對比[17-18]，驗(yàn)證所提方法的可行性。

3 算例分析

本文實(shí)驗(yàn)數(shù)據(jù)來源于某省2017年全年的項(xiàng)目數(shù)據(jù)。到2017年底，該省新能源總裝機(jī)容量達(dá)到1 561.8萬kW，占總裝機(jī)容量的37.3%,其中，風(fēng)電941.6萬kW，光伏620.2萬kW。采用該省項(xiàng)目數(shù)據(jù)記錄2017年全年每天24 h的風(fēng)光電負(fù)荷數(shù)據(jù)，時間分辨率為15 min，進(jìn)行典型場景集生成，以驗(yàn)證本文所提方法的有效性。然后應(yīng)用CHI、DBI等指標(biāo)進(jìn)行典型場景集聚類結(jié)果驗(yàn)證，計(jì)算RESCAE_kmedoids、CAE_kmedoids、CAEs_kmedoids 、k-medoids、k-means和PCA-kmedoids等6類典型場景集聚類方法的評價指標(biāo)[19]。最后對比分析不同場景集的各項(xiàng)聚類方法評價指標(biāo)以驗(yàn)證本文所提方法的可行性。

3.1 風(fēng)光負(fù)荷場景降維

在 TensorFlow框架下，對歸一化的風(fēng)光荷樣本進(jìn)行殘差卷積自編碼機(jī)訓(xùn)練，采用Adam優(yōu)化器，初始學(xué)習(xí)率設(shè)置為0.01，epoch 設(shè)置為10。

3.2 典型場景生成

為消除各裝機(jī)容量不同的影響，采用相對出力進(jìn)行分析。本文分別按年和季節(jié)進(jìn)行場景縮減。最佳場景數(shù)根據(jù)輪廓系數(shù)指標(biāo)確定。輪廓系數(shù)作為一種聚類性能評估指標(biāo)取值范圍為[-1,1]，越接近1說明聚類性能越好，越接近-1說明聚類性能越差。下面對2017年風(fēng)光負(fù)荷的時序場景縮減結(jié)果進(jìn)行分析。

利用輪廓系數(shù)確定聚類場景數(shù)。輪廓系數(shù)評價指標(biāo)變化如圖7所示。

圖7 輪廓系數(shù)評價指標(biāo)變化Fig.7 Change of SIL evaluation index

由圖7可得，按年縮減6類時SIL值最接近1，即選擇最佳場景數(shù)為6；按季節(jié)縮減，以春季為例聚類數(shù)為3時SIL值最接近1，即選擇最佳場景數(shù)為3。

利用RESCAE_kmedoids方法進(jìn)行典型場景生成，分別生成年典型場景與季度典型場景，年典型場景生成6個場景，季度場景每個季節(jié)生成3個場景，場景生成結(jié)果如圖8—9、表1—2所示。

圖8 風(fēng)光荷年典型場景Fig.8 Typical annual wind-PV-load scenarios

表1 風(fēng)光荷年典型場景概率Table 1 Typical annual wind-PV-load scenario probability

表2 風(fēng)光荷季典型場景概率Table 2 Typical seasonal wind-PV-load scenario probability

分析圖8—9、表1—2可得：

1)將全年的風(fēng)光荷時序場景數(shù)據(jù)按年和季度分別進(jìn)行聚類，生成的場景集可反映全年場景的特征變化，體現(xiàn)了風(fēng)光荷的互補(bǔ)性、季節(jié)性、波動性及反調(diào)峰特性。

2)進(jìn)一步分析上述場景集曲線變化趨勢，年聚類得到了6類典型場景，按季度聚類分別得到了3個典型場景。

3)風(fēng)光出力與天氣關(guān)系緊密。年聚類場景2、5為晴天，光伏出力曲線平滑，風(fēng)電波動性較大。年聚類場景1、4、6為多云天氣，光伏波動性較大，其中場景1在晚間風(fēng)電出力大、光伏出力小，在白天風(fēng)電出力減弱、光伏出力增加，具有明顯的風(fēng)光互補(bǔ)性，因此綜合考慮風(fēng)光能源間的互補(bǔ)特性有利于電能的穩(wěn)定輸出。年聚類場景3為陰天小風(fēng)，風(fēng)光出力都比較小，難以滿足負(fù)荷需求。負(fù)荷基本都為典型雙峰曲線，相對負(fù)荷大致在0.8～0.9。

4)風(fēng)光負(fù)荷場景具有很強(qiáng)的季節(jié)性。春季場景1為多云小風(fēng)，風(fēng)光波動較大；場景2為陰天，風(fēng)速波動較大，光伏出力較??；場景3為晴天，光伏出力較為平滑，光伏相對出力在0.8～0.9，小風(fēng)風(fēng)電出力較小，場景3在春季占比最高可達(dá)0.527。由數(shù)據(jù)可得春天風(fēng)光出力較為充足且比較平均。

夏季場景1為陰天晚風(fēng)，光伏出力較小，風(fēng)電出力波動較大，占比不高；場景2為多云無風(fēng)，光伏波動較大；場景3為晴天大風(fēng)，占比0.628，光伏出力較大，由圖9(b)可得風(fēng)光出力具有一定的互補(bǔ)性。夏季光伏出力波動性較大且負(fù)荷占比明顯高于其余3個季節(jié)，由于此階段空調(diào)等負(fù)荷占比大，與聚類所得的負(fù)荷特性一致，體現(xiàn)了負(fù)荷與季節(jié)關(guān)聯(lián)性。

圖9 風(fēng)光荷季典型場景Fig.9 Typical seasonal wind-PV-load scenarios

秋季場景1，多云小風(fēng)，光伏出力較為平滑，光伏相對出力在0.7～0.8；場景2為陰天，風(fēng)速較小，風(fēng)光出力較低；場景3為晴天無風(fēng)，光伏出力較為平滑，光伏相對出力在0.8～0.9。

冬季場景1多云大風(fēng)，風(fēng)光具有明顯的互補(bǔ)性；場景2陰天大風(fēng)，風(fēng)電相對出力在0.7～0.9；場景3為陰天小風(fēng)，風(fēng)光出力都較小。由數(shù)據(jù)可得冬季光伏資源較小且波動性較大，風(fēng)電資源相對充足。

本文所生成的場景符合氣象數(shù)據(jù)，基本反映了風(fēng)光荷隨天氣變化的年周期性與季周期性。且這一現(xiàn)象符合我國西南地區(qū)風(fēng)光資源的客觀規(guī)律，表明了本算例風(fēng)光資源典型場景提取結(jié)果的合理性。并且由圖8—9可得年場景1、夏場景3、冬場景1都具有明顯的風(fēng)光互補(bǔ)性，并且年場景1全年占比高達(dá)0.227，夏場景3以及冬場景1的占比分別高達(dá)0.628和0.398，因此本算例生成的風(fēng)光荷典型場景集充分體現(xiàn)出了風(fēng)光的互補(bǔ)以及與負(fù)荷的關(guān)聯(lián)性。

3.3 聚類性能分析

聚類評價指標(biāo)可以對聚類結(jié)果進(jìn)行定量分析，利用DBI、CHI指標(biāo)對生成場景性能進(jìn)行分析。分別設(shè)置聚類數(shù)k為2～15，將本文所提的聚類算法RESCAE_kmedoids與傳統(tǒng)的聚類方法k-medoids、k-means和PCA_ kmedoids進(jìn)行比較，再與普通的自編碼聚類CAE_kmedoids和CAEs_kmedoids的結(jié)果進(jìn)行對比分析，以驗(yàn)證本文改進(jìn)的減少數(shù)據(jù)信息損失、考慮風(fēng)光荷耦合性的精確特征提取方法對比普通算法的可行性。其評價結(jié)果如圖10—13所示。

由圖10—11可知，本文所提算法的聚類性能明顯要高于普通的聚類算法k-means和k-medoids。相較于普通的降維方式如主成分分析法PCA，深度學(xué)習(xí)自編碼降維在對于特征的提取與表達(dá)方面明顯表現(xiàn)出了更為優(yōu)異的性能。

圖10 CHI計(jì)算指標(biāo)結(jié)果 Fig.10 The computation result of CHI index

DBI、CHI指標(biāo)能夠反映聚類效果的有效性。DBI數(shù)值越小表示異類場景之間距離越大、同類場景

圖11 DBI計(jì)算指標(biāo)結(jié)果 Fig.11 The computation result of DBI index

之間距離越小，即聚類效果越好。CHI數(shù)值越大表示自身越緊密，類與類之間越分散，即聚類結(jié)果更優(yōu)。

如圖12所示，本文所提算法的聚類性能指標(biāo)CHI高于未改進(jìn)前的自編碼聚類CAE_kmedoids和CAEs_kmedoids。由圖13可知，RESCAE_kmedoids的 DBI指標(biāo)小于CAE_kmedoids和CAEs_kmedoids，即波動最小、聚類效果最好。在本文數(shù)據(jù)集下，利用殘差網(wǎng)絡(luò)改進(jìn)多通道編碼器再進(jìn)行聚類的算法所提取的典型場景質(zhì)量要優(yōu)于普通的自編碼聚類CAE_kmedoids和CAEs_kmedoids所提取的典型場景的質(zhì)量。

圖12 自編碼聚類的 CHI計(jì)算指標(biāo)結(jié)果 Fig.12 CHI calculation index result of auto-encoded clustering

圖13 自編碼聚類的DBI計(jì)算指標(biāo)結(jié)果 Fig.13 DBI calculation index result of auto-encoded clustering

由于本文利用的數(shù)據(jù)集較小，所以本文提出的RESCAE_kmedoids算法提取的典型場景要優(yōu)于改進(jìn)前的卷積自編碼聚類CAE-kmedoids和考慮到梯度彌散問題所改進(jìn)的堆疊卷積自編碼聚類CAEs-kmedoids所提取的典型場景，因?yàn)楸疚乃岱椒ú粌H可以考慮到梯度彌散與消失的問題，還可以較大程度地保護(hù)數(shù)據(jù)集的信息。尤其對于不是非常大的數(shù)據(jù)集來說更好的數(shù)據(jù)保護(hù)，可以提取更精細(xì)的風(fēng)光荷的數(shù)據(jù)特征，以提高最終所提取的典型場景的質(zhì)量，較其他方法具有良好的有效性。

4 結(jié) 論

本文提出了一種基于殘差卷積自編碼聚類的風(fēng)光荷典型場景集生成方法，分析本文算例，得出以下結(jié)論：

1)相較于傳統(tǒng)聚類方法，本文所提方法可考慮到風(fēng)光荷的相關(guān)性和耦合，對風(fēng)光荷的多變量數(shù)據(jù)進(jìn)行場景生成。

2)相較于傳統(tǒng)方法，RESCAE能夠較大程度上減少數(shù)據(jù)降維所造成的信息損失，更精確地提取出電力數(shù)據(jù)特征，使得所獲取的特征更有利于聚類，提高聚類的性能。

3)本文基于機(jī)器學(xué)習(xí)技術(shù)，為了減少噪聲數(shù)據(jù)對實(shí)驗(yàn)結(jié)果產(chǎn)生的影響，利用RESCAE_kmedoids算法進(jìn)行典型場景生成。通過算例分析，本文方法在聚類有效性等指標(biāo)上均優(yōu)于傳統(tǒng)的聚類方法。

下一步工作包括如何利用聚類所形成的典型場景指導(dǎo)風(fēng)光電調(diào)控、優(yōu)化調(diào)度、儲能配置和可再生能源消納能力評估等工作[20]。