朱 玲 李 威 王 騫 張學(xué)廣

基于校正條件生成對抗網(wǎng)絡(luò)的風(fēng)電場群綠氫儲能系統(tǒng)容量配置

朱 玲1,2李 威1,2王 騫3張學(xué)廣3

（1. 智能電網(wǎng)保護和運行控制國家重點實驗室 南京 211106 2．南瑞集團有限公司（國網(wǎng)電力科學(xué)研究院有限公司） 南京 211106 3．哈爾濱工業(yè)大學(xué)電氣工程及自動化學(xué)院 哈爾濱 150001）

以條件生成對抗網(wǎng)絡(luò)（CGAN）為代表的半監(jiān)督學(xué)習(xí)可計及風(fēng)電波動并生成出力場景集合，生成的數(shù)據(jù)可輸入氫氣儲能容量配置模型以支撐優(yōu)化求解。為此，該文首先設(shè)計一種校正條件生成對抗網(wǎng)絡(luò)（CCGAN），并基于風(fēng)電預(yù)測誤差構(gòu)建條件校正器，對預(yù)測失準(zhǔn)事件和風(fēng)電爬坡事件下輸入生成器的標(biāo)簽信息進行識別和校正；然后，以儲能定容的綜合成本和各風(fēng)場棄風(fēng)成本為目標(biāo)函數(shù)，構(gòu)建綠氫儲能容量配置的多目標(biāo)優(yōu)化模型，并引入基于切比雪夫距離的膝區(qū)域數(shù)學(xué)概念，以指導(dǎo)多目標(biāo)優(yōu)化算法設(shè)計；最后，以新英格蘭39節(jié)點系統(tǒng)為例進行算例分析，結(jié)果表明未經(jīng)校正的條件信息將導(dǎo)致定容決策偏離實際，而CCGAN能生成計及風(fēng)電不確定性的高置信出力場景，使得容量配置結(jié)果兼顧魯棒性和經(jīng)濟性。

校正條件生成對抗網(wǎng)絡(luò) 綠氫儲能 容量配置 場景生成 風(fēng)電預(yù)測誤差

0 引言

“雙碳”目標(biāo)指導(dǎo)下，我國的風(fēng)電滲透率不斷提高。為實現(xiàn)風(fēng)電的高效消納，以風(fēng)電制氫氣為典型的綠氫儲能系統(tǒng)正成為能量存儲的重要載體[1]。該儲能形式在構(gòu)建清潔低碳、安全高效的能源體系進程中的潛力亟待挖掘[2-3]。然而，風(fēng)電日內(nèi)出力本身的間歇性、隨機性和波動性給綠氫制備與存儲造成了困難。如何精確地刻畫風(fēng)電日內(nèi)出力的波動，并為綠氫儲能規(guī)劃提供數(shù)據(jù)驅(qū)動力是有待解決的關(guān)鍵問題。

風(fēng)電出力場景是風(fēng)氫儲能規(guī)劃中的數(shù)據(jù)基礎(chǔ)，常用統(tǒng)計學(xué)方法描述其出力的不確定性。該方法通過擬合風(fēng)電歷史數(shù)據(jù)求解模型的參數(shù)，再進行抽樣以生成風(fēng)電出力場景。統(tǒng)計理論下的風(fēng)電場景生成方法包括：蒙特卡洛抽樣[4]、場景樹[5]、動態(tài)場景樹[6]和馬爾可夫鏈[7-8]等方法。采用統(tǒng)計理論描述風(fēng)電出力需假設(shè)先驗及固定的概率模型，而風(fēng)電出力的模糊性和隨機性難以滿足不變的概率模型，若使用這種統(tǒng)計方法刻畫風(fēng)電的不確定性，生成的場景數(shù)據(jù)將存在特征模態(tài)單一、精度欠佳等問題。

隨著深度學(xué)習(xí)的發(fā)展，以生成對抗網(wǎng)絡(luò)（Generative Adversarial Network, GAN）為代表的黑盒模型為風(fēng)電場景生成提供了新的技術(shù)路線。該技術(shù)可學(xué)習(xí)訓(xùn)練集內(nèi)的潛在分布特征，通過博弈訓(xùn)練，生成符合歷史樣本分布的新數(shù)據(jù)[9-10]。已有相關(guān)研究將GAN生成的場景用于驅(qū)動電力系統(tǒng)規(guī)劃工作的開展。文獻[11]設(shè)計了基于深度卷積生成對抗網(wǎng)絡(luò)的間歇分布式電源優(yōu)化配置方法；文獻[12]針對風(fēng)光資源的不確定性，提出一種基于Wasserstein距離的GAN，模擬風(fēng)光資源場景以設(shè)計新能源電源容量配置模型。針對獨立型微網(wǎng)的容量優(yōu)化配置，文獻[13]提出一種基于GAN場景模擬和條件風(fēng)險價值（Conditional Value at Risk, CVaR）的容量隨機優(yōu)化配置模型。上述GAN模型的應(yīng)用場景都應(yīng)用于電源容量規(guī)劃。規(guī)劃方案實施前，目標(biāo)風(fēng)場尚未投運，進而無實際的目標(biāo)風(fēng)電場本體歷史運行數(shù)據(jù)，需要借助歷史氣象數(shù)據(jù)或同類鄰近場站的歷史運行數(shù)據(jù)作為參考。而此類方法無法直接應(yīng)用于儲能在目標(biāo)風(fēng)電場下的容量配置。因此，儲能規(guī)劃背景下，基于GAN技術(shù)的風(fēng)電場景生成問題有待解決。此外，風(fēng)電預(yù)測誤差作為風(fēng)電不確定性、波動性的重要評價指標(biāo)[14-15]，其在GAN模型中作為標(biāo)簽信息的潛力有待進一步挖掘。

氫氣儲能規(guī)劃方面，目前的研究側(cè)重于分析制氫過程對定容的影響。文獻[16]在風(fēng)氫容量配置中考慮了電解槽的間歇性工況和熱交換。文獻[17]設(shè)計了考慮熱平衡的風(fēng)-氫混合系統(tǒng)，構(gòu)建了考慮電解槽、燃料電池間歇工作模式熱平衡的氫儲能系統(tǒng)模型。文獻[18]以天然氣-風(fēng)-光-氫綜合能源系統(tǒng)為規(guī)劃對象，考慮了供電輻射區(qū)域的電動汽車隨機充電需求。文獻[19]考慮了階梯碳價對制氫儲能規(guī)劃的影響。文獻[20]對風(fēng)電出力不確定性的描述較為粗糙，僅使用單個典型日描述風(fēng)電出力，無法全面地刻畫風(fēng)電出力的強不確定性。上述研究中制氫的能量來源并非完全來自風(fēng)電，也就無法實現(xiàn)氫氣制備的綠色化。在以風(fēng)電制氫為代表的儲能規(guī)劃問題中，盡管文獻[21]和文獻[17,22]分別從數(shù)據(jù)驅(qū)動和模型驅(qū)動的角度分析了風(fēng)電對氫氣儲能規(guī)劃的影響，但忽略了風(fēng)電歷史預(yù)測數(shù)據(jù)的統(tǒng)計價值和風(fēng)電爬坡事件對制氫過程的影響，在實際運行中難以達到預(yù)期的運行效果。

完全以風(fēng)電供能的綠氫儲能規(guī)劃需要計及風(fēng)電出力的不確定性。傳統(tǒng)的規(guī)劃方法多是采用魯棒優(yōu)化[23]、隨機優(yōu)化[24]和分布魯棒優(yōu)化[17]的方法處理風(fēng)電出力的不確定性，但魯棒優(yōu)化的忽略了歷史出力的統(tǒng)計價值，易導(dǎo)致規(guī)劃結(jié)果過于保守；在實際工程中，統(tǒng)計模型難以精確地建立導(dǎo)致隨機優(yōu)化的可靠性降低；分布魯棒優(yōu)化的模糊集理論欠缺可解釋性，優(yōu)化結(jié)果依賴參數(shù)的人為選取?；谏疃葘W(xué)習(xí)的場景生成的規(guī)劃方法提供了新的技術(shù)路線[12-13]。GAN在考慮風(fēng)電出力隨機性的場景生成問題中初顯優(yōu)勢[11-14]，卻罕有研究能將場景生成的結(jié)果應(yīng)用于解決該實際氫氣儲能規(guī)劃問題。這類深度學(xué)習(xí)驅(qū)動下的規(guī)劃新范式的可行性也有待進一步探究。

針對以上問題，本文首先設(shè)計了基于風(fēng)電場景生成的綠氫儲能容量規(guī)劃框架，提出基于校正條件生成對抗網(wǎng)絡(luò)（Corrected Conditional Generative Adversarial Networks, CCGAN）的風(fēng)電場景生成模型。在網(wǎng)絡(luò)中設(shè)計了基于改進旋轉(zhuǎn)門算法的校正器，對預(yù)測失準(zhǔn)和風(fēng)電爬坡事件下的預(yù)測數(shù)據(jù)進行識別與清洗，以保證條件信息高度的可參考性。同時在生成器和判別器中嵌入膨脹卷積操作克服常規(guī)卷積感受野不足的問題。對綠氫制備、儲存施加約束，構(gòu)建綠氫儲能系統(tǒng)容量配置多目標(biāo)優(yōu)化模型，引入切比雪夫距離下的膝區(qū)域定義，并設(shè)計基于膝區(qū)域的非支配排序算法（Knee Region-NSGA-Ⅲ, kr-NSGA-Ⅲ）對容量配置模型進行求解。最后基于新英格蘭39節(jié)點系統(tǒng)進行仿真，驗證了生成場景的精確性和規(guī)劃模型的有效性。

1 基于風(fēng)電場景生成的綠氫儲能容量規(guī)劃方法

本文構(gòu)建一種基于風(fēng)電場景生成的綠氫儲能容量規(guī)劃方法，與傳統(tǒng)儲能規(guī)劃框架對比如圖1所示。

圖1 基于風(fēng)電場景生成的綠氫儲能規(guī)劃方法

圖1左側(cè)為氫氣儲能的傳統(tǒng)規(guī)劃方法。風(fēng)電的隨機性是通過不確定性優(yōu)化理論或統(tǒng)計模型刻畫的[17]。以魯棒優(yōu)化為代表的不確定優(yōu)化缺乏對歷史數(shù)據(jù)的統(tǒng)計檢驗[20]。傳統(tǒng)統(tǒng)計模型難以體現(xiàn)風(fēng)電出力的多模態(tài)特征[21]。絕大多數(shù)規(guī)劃模型僅使用了實測數(shù)據(jù)[19-22]，忽略了歷史預(yù)測數(shù)據(jù)的參考價值，無法全面地描述風(fēng)電不確定性出力的高維特征。

本文設(shè)計一個基于深度學(xué)習(xí)驅(qū)動的綠氫儲能框架來替代上述傳統(tǒng)的規(guī)劃范式。借助深度神經(jīng)網(wǎng)絡(luò)擬合高維非線性映射的能力，建立該隨機變量的隱式模型。通過將風(fēng)電的實測數(shù)據(jù)和歷史預(yù)測數(shù)據(jù)同時輸入CCGAN提取風(fēng)電的波動特性，使該網(wǎng)絡(luò)能夠?qū)W習(xí)到風(fēng)電出力的波動特征，能夠精確地生成風(fēng)電出力場景集合。最后將該計及風(fēng)電不確定性和波動性的場景數(shù)據(jù)輸入多目標(biāo)優(yōu)化算法，以支撐該綠氫儲能容量規(guī)劃問題的求解。由于風(fēng)電爬坡事件是風(fēng)電不確定性的主要表現(xiàn)形式，而該類事件持續(xù)時間多為小時級。因此，本文重點研究日內(nèi)風(fēng)電出力不確定性對綠氫規(guī)劃的影響。

2 基于校正條件生成對抗網(wǎng)絡(luò)的風(fēng)電場景生成

2.1 條件生成對抗網(wǎng)絡(luò)

CGAN是基于博弈論提出的半監(jiān)督生成模型。本文借鑒文獻[15]提出的CGAN結(jié)構(gòu)進行原理說明并進一步改進。CGAN的基本結(jié)構(gòu)及原理如圖2所示。

圖2 CGAN結(jié)構(gòu)及原理

圖2的CGAN包括兩個深度神經(jīng)網(wǎng)絡(luò)：判別器（Discriminator, D）和生成器（Generator, G）[15]。生成器通過學(xué)習(xí)風(fēng)電預(yù)測數(shù)據(jù)的潛在分布將隨機噪聲映射到生成的樣本中；判別器盡可能判斷輸入數(shù)據(jù)是真實的風(fēng)電歷史數(shù)據(jù)還是標(biāo)簽信息下生成的數(shù)據(jù)。圖2中，風(fēng)電預(yù)測數(shù)據(jù)為條件信息，該信息輸入判別器使其區(qū)別于常規(guī)的無監(jiān)督GAN。生成器和判別器的內(nèi)部層次結(jié)構(gòu)還可包括卷積層、池化層和全連接層。其中包括了卷積、激活函數(shù)（ReLU, LReLU, Tanh）和批標(biāo)準(zhǔn)（Batch Normalization）等操作，實現(xiàn)對風(fēng)電時序和幅值特征信息的提取和識別。

根據(jù)1-Lipschitz連續(xù)和梯度罰函數(shù)變換[15]，該概率測度下判別器D的目標(biāo)函數(shù)為

2.2 校正條件生成對抗網(wǎng)絡(luò)

根據(jù)2.1分析可知，條件信息作為生成器的輸入是具有標(biāo)簽作用的。在實際風(fēng)電預(yù)測問題中，風(fēng)電本身的隨機性、模糊性，以及預(yù)測間隔等問題都會造成預(yù)測精度不理想。若盲目采用預(yù)測精度較差的數(shù)據(jù)作為條件信息輸入生成器，將引入錯誤的標(biāo)簽信息，導(dǎo)致生成器生成偏離實際的場景數(shù)據(jù)。因此，本文在CGAN的基礎(chǔ)上引入條件校正器構(gòu)成如圖3的CCGAN網(wǎng)絡(luò)結(jié)構(gòu)。

圖3 CCGAN架構(gòu)

判別器和生成器中均有卷積操作。本文為提升卷積操作捕捉風(fēng)電出力在縱向和橫向相關(guān)性的能力，引入膨脹卷積（Dilated Convolution）[25]，通過修改“膨脹率”，不同的膨脹率對應(yīng)不同的感受野，即卷積核中填充0，進而獲得樣本的高維信息。圖4為不同膨脹率的卷積示意。

圖4 膨脹卷積操作

盡管膨脹卷積可以提高感受野的大小，獲取更高維度的上下連續(xù)信息，但多次疊加膨脹卷積也會導(dǎo)致局部信息丟失。為平衡卷積性能，本文設(shè)定膨脹率為2，且判別器和生成器均只進行一層膨脹卷積操作。

2.3 基于預(yù)測誤差的條件校正器

風(fēng)電功率的實測值和預(yù)測值之間存在差異。國家能源局發(fā)布的《風(fēng)電功率預(yù)測誤差系統(tǒng)功能規(guī)范》中做了相關(guān)規(guī)定[26]。預(yù)測誤差e定義為

預(yù)測失準(zhǔn)事件A1定義中需要排除一類特殊情況，即風(fēng)電爬坡事件。風(fēng)電爬坡事件A3是指短時間風(fēng)電功率急劇地上升和下降，可表示為

根據(jù)以上對預(yù)測事件的劃分，為校正條件信息，圖5設(shè)計了基于預(yù)測誤差的條件校正器。

圖5 條件校正器工作原理

圖5中的條件校正器由兩層網(wǎng)絡(luò)構(gòu)成，首先根據(jù)預(yù)測誤差判斷預(yù)測失準(zhǔn)事件A1是否發(fā)生，當(dāng)檢索完A1事件后，啟動改進旋轉(zhuǎn)門算法（Improved Swinging Door Algorithm, ISDA），用于識別A1事件下的風(fēng)電爬坡事件A3[27]。

ISDA可將風(fēng)電時序的趨勢化特征識別。首先需構(gòu)造得分函數(shù)，而爬坡事件的檢測可轉(zhuǎn)換為求解得分函數(shù)最大值的動態(tài)優(yōu)化問題，該問題的目標(biāo)函數(shù)及其約束為

式中，目標(biāo)函數(shù)(,)為在子區(qū)間內(nèi)需取得最大值；(,)為子區(qū)間中的得分值。爬坡趨勢需滿足式（8）。得分函數(shù)可具體表達為式（9）。3(,)為子區(qū)間(,)上的爬坡事件標(biāo)志位，為0-1變量，取值為1代表爬坡事件發(fā)生，而取0時表示在該子區(qū)間上未發(fā)生爬坡事件。

風(fēng)電爬坡事件A3和預(yù)測合理事件A2的時段內(nèi)仍將預(yù)測數(shù)據(jù)作為條件樣本輸入生成器和判別器。表達式為

通過該條件校正操作實現(xiàn)對數(shù)據(jù)的精細化、分類化清洗，為生成器和判別器的反復(fù)博弈過程提供可靠的參考信息。

3 綠氫儲能容量配置模型及求解

3.1 目標(biāo)函數(shù)

本文構(gòu)建儲能容量配置的多目標(biāo)優(yōu)化模型，分別最小化綠氫儲能投資、運行成本及各風(fēng)場棄風(fēng)懲罰成本。

式（12）中第一項還可具體表示為

3.2 約束條件

1）負(fù)荷平衡約束

2）綠氫制備約束

制氫過程中有能量損耗，該過程可表示為

3）綠氫燃燒約束

燃氫過程同樣存在能量損耗，需滿足

4）綠氫存儲狀態(tài)約束

綠氫儲能的儲氫罐的狀態(tài)可表示為

5）風(fēng)電出力約束

6）火電爬坡約束

7）直流潮流約束

3.3 基于膝區(qū)域的多目標(biāo)優(yōu)化算法

本文所建儲能容量配置模型歸納為多目標(biāo)優(yōu)化問題，需要同時最小化棄風(fēng)成本和綠氫儲能容量投資運行成本。為提升模型求解效率，本節(jié)引入膝區(qū)域的數(shù)學(xué)定義。膝區(qū)域在多目標(biāo)優(yōu)化理論中代表該區(qū)域解在優(yōu)化目標(biāo)上存在較好的平衡性，在缺乏先驗知識的情況下能引導(dǎo)算法收斂。定義膝區(qū)域需要先引入膝點的概念，首先給出了基于切比雪夫距離（Chebyshev Distance, CD）膝點的數(shù)學(xué)定義。在圖6給出了基于曼哈頓距離和CD的膝區(qū)域幾何解釋。

圖6 膝點與膝區(qū)域的幾何表示

本文借鑒文獻[29]中對膝點的定義方法，設(shè)計基于膝區(qū)域的多目標(biāo)優(yōu)化算法流程如圖7所示。圖7具體步驟如下：

圖7 kr-NSGA-Ⅲ算法流程

1）輸入基于CCGAN生成的風(fēng)電場景數(shù)據(jù)，負(fù)荷數(shù)據(jù)，綠氫儲能投資及運行相關(guān)參數(shù)，綠氫制備、燃燒和儲存約束所涉及參數(shù)，風(fēng)電爬坡約束和直流潮流約束所涉及參數(shù)。

2）采用超體積（Hyper Volume, HV）指標(biāo)得到關(guān)于風(fēng)電棄風(fēng)成本和綠氫儲能投資運行成本的虛擬PF。

5）啟動迭代進化部分，包括選擇、交叉、變異等操作，合并種群。

6）基于NSGA-Ⅲ算法的快速支配排序選擇各級支配層進入下一代種群。

7）若滿足迭代收斂（進化代數(shù)達到上限），則輸出結(jié)果；若不滿足，則返回重復(fù)步驟2）～步驟6）繼續(xù)迭代求解。

4 算例分析

4.1 算例概況及模型

算例選用Pytorch作為CGAN和CCGAN的深度學(xué)習(xí)框架，基于CUDA調(diào)用圖形處理器加速并行計算。計算機CPU Intel core i9 12 900 K 3.9 GHz，內(nèi)存64 GB，GPU NVIDIA 3080Ti，顯存12 GB，CUDA核心10 240，Boost clock 1.67 GHz。

場景生成部分：本文選用中國內(nèi)蒙古地區(qū)兩個風(fēng)場的歷史實測數(shù)據(jù)和歷史預(yù)測數(shù)據(jù)，預(yù)測數(shù)據(jù)來自風(fēng)場群的內(nèi)部的預(yù)測系統(tǒng)，數(shù)據(jù)尺度從2017年1月1日—2019年12月31日，時間分辨率為15 min。經(jīng)數(shù)據(jù)清洗，選擇800天作為訓(xùn)練集樣本，100天作為測試集樣本，訓(xùn)練后完成k-fold交叉驗證，=10。作為對比驗證，CGAN和CCGAN各生成1年數(shù)據(jù)，采用k-means聚類削減場景[5]，生成四類典型日，每個典型日下對生成數(shù)據(jù)削減至20組。

規(guī)劃計算部分：本文選用新英格蘭39節(jié)點改進系統(tǒng)進行分析，系統(tǒng)如圖8所示。在節(jié)點5和39接入發(fā)電功率為175 MW和66 MW風(fēng)場群（WF1, WF2），同時綠氫儲能系統(tǒng)所含電解槽、氫氣罐、氧氣罐和燃氫機組均接于對應(yīng)風(fēng)場下。算例參數(shù)見表1，典型日負(fù)荷數(shù)據(jù)如圖9所示。kr-NSGA-Ⅲ算法參數(shù)設(shè)置如下：編碼方式為實值編碼，交叉算子采用模擬二進制，個體選擇概率0.9，交叉率1，迭代次數(shù)100次，種群數(shù)為1 000，膝半徑為0.05。

圖8 新英格蘭39節(jié)點系統(tǒng)

表1 算例參數(shù)

Tab.1 Parameters of case study

圖9 典型日負(fù)荷數(shù)據(jù)

4.2 風(fēng)電場景生成分析

通過模型訓(xùn)練后，CGAN和CCGAN的損失函數(shù)如圖10和圖11所示。圖10未經(jīng)條件校正，部分時段預(yù)測值與實際值相差過大，導(dǎo)致訓(xùn)練網(wǎng)絡(luò)梯度波動較大，難以實現(xiàn)收斂。圖11為經(jīng)條件修正后的CCGAN，表現(xiàn)出了良好的收斂性，生成器與判別器的損失函數(shù)趨于一致，實現(xiàn)了Nash均衡。

從測試集隨機生成100個日出力場景，并選擇發(fā)生預(yù)測失準(zhǔn)事件和爬坡事件的日出力場景進行對比分析。圖12為CGAN和CCGAN在發(fā)生預(yù)測失準(zhǔn)事件時生成的日出力場景集合。

圖12中，灰色區(qū)域為生成場景。77～88時刻發(fā)生預(yù)測失準(zhǔn)事件，預(yù)測值與實際值相差較大，且預(yù)測誤差大于基準(zhǔn)值的時長較長，約4 h。CGAN使用了不可靠的條件信息，隨機噪聲僅模擬預(yù)測值，生成值相對于實測值最大偏離約42 MW，波動區(qū)間疊加于預(yù)測值本身，生成場景對實測值的覆蓋率較差。CCGAN在該時段校正了條件信息，生成的場景集合對實測值覆蓋率更高。在41～72時刻，CGAN受限于感受野限制，生成場景質(zhì)量較差，而CCGAN的膨脹卷積操作增大了感受野，生成的場景覆蓋率高，擬合效果更佳?？梢娫陬A(yù)測失準(zhǔn)事件下，該方法仍可生成逼近真實值的場景集合。

圖10 CGAN損失函數(shù)

圖11 CCGAN損失函數(shù)

圖12 預(yù)測失準(zhǔn)事件下風(fēng)電生成場景對比（WF1）

圖13為CGAN和CCGAN在發(fā)生風(fēng)電爬坡事件時生成的日出力場景集合。

圖13 風(fēng)電爬坡事件下風(fēng)電生成場景對比（WF2）

圖13中，在66～77時刻發(fā)生了下爬坡事件，79～91時刻發(fā)生了上爬坡事件。上、下爬坡率分別為15.6%和23.8%。CGAN由于仍輸入預(yù)測值作為條件信息，生成場景過度擬合該不可靠的預(yù)測信息，66～91時刻生成的場景集合整體趨勢變?yōu)樯仙６鳦CGAN通過條件校正器對風(fēng)電爬坡事件進行識別和數(shù)據(jù)的清洗，該時段充分利用了實測信息和預(yù)測誤差的映射關(guān)系，生成的場景可捕捉爬坡事件特點。即使上、下爬坡事件連續(xù)發(fā)生這種小概率情況下，CCGAN依舊可生成對實測值覆蓋效果較好的場景集合。綜上所述，CCGAN在預(yù)測失準(zhǔn)和爬坡事件問題上都可有效地學(xué)習(xí)預(yù)測誤差波動的非線性關(guān)系，可生成更接近實測值的高質(zhì)量場景集合。

為綜合量化分析CGAN和CCGAN生成性能，本文選用平均絕對誤差（Mean Absolute Percentage Error, MAPE）、覆蓋率（Cover Rate, CR）、波動區(qū)間寬度（Fluctuation Interval Width, FIW）三類指標(biāo)分析生成數(shù)據(jù)的精度[15]。MAPE值越小，精度越高。CR可評價置信區(qū)間對實測值的覆蓋效果，F(xiàn)IW用于評價生成場景捕捉波動模糊性的能力。CR和FIW需聯(lián)合作為一組評價指標(biāo)，且當(dāng)CR越高FIW越小時，生成數(shù)據(jù)的精度越高，捕捉風(fēng)電波動隨機性的能力越強。

生成場景指標(biāo)對比分析（WF1）見表2。由表2可知，在預(yù)測合理事件下，CGAN和CCGAN都有較高的覆蓋率，在相同的置信度下，CCGAN給出的功率波動區(qū)間更小，反映了該方法對隨機波動捕捉的精準(zhǔn)性更高。在預(yù)測失準(zhǔn)事件下，CCGAN的覆蓋率遠高于CGAN，100%置信度下，波動區(qū)間降低12.4 MW。在風(fēng)電爬坡事件下，CCGAN的優(yōu)勢進一步得到體現(xiàn)，生成數(shù)據(jù)的MAPE保持在30%以內(nèi)。90%置信度下，覆蓋率仍大于80%，體現(xiàn)了該方法對風(fēng)電的短時急劇功率變化的刻畫能力。

表2 生成場景指標(biāo)對比分析（WF1）

Tab.2 Comparative analysis of scenarios (WF1)

通過方法對比可看出本文所提CCGAN模型可更加精確地描述風(fēng)電出力的隨機性，并在預(yù)測失準(zhǔn)和風(fēng)電爬坡兩類特殊事件發(fā)生時，糾正預(yù)測誤差，提高生成模型對實際出力的逼近程度，為下一步規(guī)劃提供可靠的數(shù)據(jù)支撐。

4.3 容量配置結(jié)果分析

采用本文所提CCGAN對兩個風(fēng)場進行四個典型日場景生成，典型日出力如圖14～圖21所示，并代入容量配置模型進行計算。

圖14 風(fēng)場1典型日1生成場景

圖15 風(fēng)場1典型日2生成場景

圖16 風(fēng)場1典型日3生成場景

圖17 風(fēng)場1典型日4生成場景

圖18 風(fēng)場2典型日1生成場景

圖19 風(fēng)場2典型日2生成場景

圖22給出了NSGA-Ⅲ和kr-NSGA-Ⅲ得到的Pareto前沿。盡管傳統(tǒng)NSGA-Ⅲ的非支配解分布分散，但對于該實際決策問題，決策者更加關(guān)注的是膝點解，這類解能為儲能決策提供指導(dǎo)。

由圖22可以看出，本文所提算法能收斂到膝區(qū)域，而傳統(tǒng)的NSGA-Ⅲ無法收斂到該區(qū)域。此外，本文所提算法得到的大量非支配解分布于膝區(qū)域內(nèi)，解集更集中化，在該三維的實際優(yōu)化問題上的區(qū)域可控性強，收斂性能更好。對應(yīng)也給出更多的解析信息，對決策方案的選擇更具針對性。

圖20 風(fēng)場2典型日3生成場景

圖21 風(fēng)場2典型日4生成場景

表3和表4分別給出了兩種算法在風(fēng)電實測值、魯棒優(yōu)化、馬爾可夫蒙特卡洛模擬（Markov Chain Monte Carlo, MCMC）、CGAN和CCGAN五類數(shù)據(jù)來源下的綠氫儲能系統(tǒng)配置結(jié)果。

1）對比兩表中在實測值下的配置結(jié)果，NSGA-Ⅲ給出的折中解相比于kr-NSGA-Ⅲ的膝點解中，綠氫儲能系統(tǒng)中各類設(shè)備的容量值、體積值均更高，且兩個風(fēng)場的年棄風(fēng)成本也略高。相比于折中解，引入切比雪夫距離的膝點解可進一步引導(dǎo)解的搜索，收斂得到更逼近真實帕累托前沿的解。該系統(tǒng)中線路傳輸容量充足，可滿足各種配置結(jié)果的功率傳輸需要，避免了因功率越限而導(dǎo)致優(yōu)化模型無法得到可行解的問題。

圖22 兩種算法的Pareto前沿

表3 基于NSGA-Ⅲ的綠氫儲能配置結(jié)果

Tab.3 Green hydrogen storage sizing based on NSGA-Ⅲ

表4 基于kr-NSGA-Ⅲ的綠氫儲能配置結(jié)果

Tab.4 Green hydrogen storage sizing based on kr-NSGA-Ⅲ

2）在本文所提算法（kr-NSGA-Ⅲ）中，對比CGAN和真實值輸入下的該綠氫儲能系統(tǒng)配置結(jié)果，CGAN生成的風(fēng)電場景輸入下，兩個風(fēng)場電解槽的功率總和提高了26.17 MW，WF1和WF2中的燃氫機組發(fā)電功率至5.41 MW和6.14 MW。反映了CGAN生成場景的功率波動區(qū)間較寬，需要投入較多儲能設(shè)備應(yīng)對風(fēng)電的波動，以降低風(fēng)場的棄風(fēng)成本。

3）在四種生成型場景下，將CCGAN的配置結(jié)果與實測值、CGAN、魯棒優(yōu)化和MCMC進行綜合對比，CCGAN的配置結(jié)果總體小于CGAN和魯棒優(yōu)化，但大于實測值，總經(jīng)濟成本也低于MCMC。魯棒優(yōu)化和MCMC由于未使用歷史預(yù)測值的統(tǒng)計價值，容易高估風(fēng)電的不確定性。而本文方法生成的場景在實測值的基礎(chǔ)上合理地計及了風(fēng)電的波動，配置結(jié)果在魯棒性和經(jīng)濟性上有所協(xié)調(diào)?？梢钥吹?，CGAN在WF1的燃氫機組功率約為實測值配置結(jié)果的13倍，但CCGAN僅為實測值的2倍，這是由于WF1的歷史數(shù)據(jù)中預(yù)測失準(zhǔn)事件A1發(fā)生頻率高，CGAN的生成器輸入了大量錯誤的條件信息，迫使生成的數(shù)據(jù)嚴(yán)重偏離了實測值，風(fēng)電出力場景的可靠性較低，已無法支撐該系統(tǒng)的規(guī)劃計算，造成規(guī)劃方案過魯棒化，投資效率下降?？梢娫谠撋疃葘W(xué)習(xí)框架下條件校正是必要的。

4）相比于WF1，CGAN對WF2的生成場景相對可靠。對比CCGAN，盡管CGAN配置了較大容量儲能，但年棄風(fēng)成本相比實測值反而提高。魯棒優(yōu)化額外多配置了11.68 MW的電解槽，才能比CCGAN的棄風(fēng)成本減少0.42萬元。而CCGAN更為精準(zhǔn)地捕捉了風(fēng)電的波動特征，特別是在高置信度下仍可縮小風(fēng)電波動的范圍，配合kr-NSGA-Ⅲ的膝區(qū)域搜索策略，以較少的儲能投資，獲得更大的棄風(fēng)成本縮減率，進一步驗證了CCGAN可為該儲能規(guī)劃問題提供可靠、精確的場景支撐。

5 結(jié)論

本文針對基于半監(jiān)督學(xué)習(xí)技術(shù)CGAN生成風(fēng)電場景對實測值擬合效果差、預(yù)測精度低等問題，提出了一種基于風(fēng)電預(yù)測誤差的校正條件生成對抗網(wǎng)絡(luò)，并構(gòu)建了綠氫儲能系統(tǒng)容量規(guī)劃模型。通過算例分析得到以下結(jié)論：

1）通過引入改進旋轉(zhuǎn)門算法，CCGAN的校正器能精確地識別預(yù)測失準(zhǔn)和風(fēng)電爬坡事件，對輸入生成器的條件信息進行針對性校正，為數(shù)據(jù)生成提供了可靠的標(biāo)簽信息。

2）本文所提基于CCGAN的風(fēng)電場景生成方法，相比于傳統(tǒng)的魯棒優(yōu)化、MCMC和CGAN，可捕捉風(fēng)電出力的波動特征，平均絕對誤差可降低29.2%～50.2%，生成數(shù)據(jù)可兼顧高置信度與較窄波動區(qū)間，為儲能規(guī)劃提供高質(zhì)量的場景集合。

3）綠氫儲能容量配置結(jié)果表明，預(yù)測失準(zhǔn)頻發(fā)的樣本下，CGAN的生成場景將導(dǎo)致規(guī)劃結(jié)果偏離實際，相比魯棒優(yōu)化，本文所提方法的規(guī)劃結(jié)果可降低約0.47億元的經(jīng)濟成本，并使決策結(jié)果兼顧魯棒性和經(jīng)濟性。

本文提出的半監(jiān)督學(xué)習(xí)技術(shù)可為綠氫儲能規(guī)劃提供可靠的風(fēng)電日內(nèi)出力數(shù)據(jù)。隨著季節(jié)性氫氣儲能技術(shù)的普及，后續(xù)研究將結(jié)合該深度學(xué)習(xí)技術(shù)研究風(fēng)電長期出力不確定性對季節(jié)性綠氫儲能的影響。

[1] 李爭, 張蕊, 孫鶴旭, 等. 可再生能源多能互補制-儲-運氫關(guān)鍵技術(shù)綜述[J]. 電工技術(shù)學(xué)報, 2021, 36(3): 446-462.

Li Zheng, Zhang Rui, Sun Hexu, et al. Review on key technologies of hydrogen generation, storage and transportation based on multi-energy complementary renewable energy[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 446-462.

[2] 張鵬成, 徐箭, 柯德平, 等. 氫能驅(qū)動下鋼鐵園區(qū)能源系統(tǒng)優(yōu)化配置[J]. 電力系統(tǒng)自動化, 2022, 46(14): 1-10.

Zhang Pengcheng, Xu Jian, Ke Deping, et al. Optimal configuration of energy system in iron and steel park driven by hydrogen energy[J]. Automation of Electric Power Systems, 2022, 46(14): 1-10.

[3] 孫鶴旭, 李爭, 陳愛兵, 等. 風(fēng)電制氫技術(shù)現(xiàn)狀及發(fā)展趨勢[J]. 電工技術(shù)學(xué)報, 2019, 34(19): 4071-4083.

Sun Hexu, Li Zheng, Chen Aibing, et al. Current status and development trend of hydrogen production technology by wind power[J]. Transactions of China Electrotechnical Society, 2019, 34(19): 4071-4083.

[4] 趙書強, 金天然, 李志偉, 等. 考慮時空相關(guān)性的多風(fēng)電場出力場景生成方法[J]. 電網(wǎng)技術(shù), 2019, 43(11): 3997-4004.

Zhao Shuqiang, Jin Tianran, Li Zhiwei, et al. Wind power scenario generation for multiple wind farms considering temporal and spatial correlations[J]. Power System Technology, 2019, 43(11): 3997-4004.

[5] 張俊濤, 程春田, 申建建, 等. 考慮風(fēng)光不確定性的高比例可再生能源電網(wǎng)短期聯(lián)合優(yōu)化調(diào)度方法[J]. 中國電機工程學(xué)報, 2020, 40(18): 5921-5932.

Zhang Juntao, Cheng Chuntian, Shen Jianjian, et al. Short-term joint optimal operation method for high proportion renewable energy grid considering wind-solar uncertainty[J]. Proceedings of the CSEE, 2020, 40(18): 5921-5932.

[6] 仉夢林, 胡志堅, 王小飛, 等. 基于動態(tài)場景集和需求響應(yīng)的二階段隨機規(guī)劃調(diào)度模型[J]. 電力系統(tǒng)自動化, 2017, 41(11): 68-76.

Zhang Menglin, Hu Zhijian, Wang Xiaofei, et al. Two-stage stochastic programming scheduling model based on dynamic scenario sets and demand response[J]. Automation of Electric Power Systems, 2017, 41(11): 68-76.

[7] 馬燕峰, 李鑫, 劉金山, 等. 考慮風(fēng)電場時空相關(guān)性的多場景優(yōu)化調(diào)度[J]. 電力自動化設(shè)備, 2020, 40(2): 55-65.

Ma Yanfeng, Li Xin, Liu Jinshan, et al. Multi-scenario optimal dispatch considering temporal-spatial correlation of wind farms[J]. Electric Power Automation Equipment, 2020, 40(2): 55-65.

[8] 董雷, 孟天驕, 陳乃仕, 等. 采用馬爾可夫鏈—多場景技術(shù)的交直流主動配電網(wǎng)優(yōu)化調(diào)度[J]. 電力系統(tǒng)自動化, 2018, 42(5): 147-153.

Dong Lei, Meng Tianjiao, Chen Naishi, et al. Optimized scheduling of AC/DC hybrid active distribution network using Markov chains and multiple scenarios technique[J]. Automation of Electric Power Systems, 2018, 42(5): 147-153.

[9] Zhang Wenjie, Luo Yonghong, Zhang Ying, et al. SolarGAN: multivariate solar data imputation using generative adversarial network[J]. IEEE Transactions on Sustainable Energy, 2021, 12(1): 743-746.

[10] 于文家, 丁世飛. 基于自注意力機制的條件生成對抗網(wǎng)絡(luò)[J]. 計算機科學(xué), 2021, 48(1): 241-246.

Yu Wenjia, Ding Shifei. Conditional generative adversarial network based on self-attention mechanism[J]. Computer Science, 2021, 48(1): 241-246.

[11] 顧潔, 劉書琪, 胡玉, 等. 基于深度卷積生成對抗網(wǎng)絡(luò)場景生成的間歇式分布式電源優(yōu)化配置[J]. 電網(wǎng)技術(shù), 2021, 45(5): 1742-1751.

Gu Jie, Liu Shuqi, Hu Yu, et al. Optimal allocation of intermittent distributed generation based on deep convolutions generative adversarial network in scenario generation[J]. Power System Technology, 2021, 45(5): 1742-1751.

[12] 馬燕峰, 傅鈺, 趙書強, 等. 基于WGAN風(fēng)光資源場景模擬和時序生產(chǎn)模擬的新能源電源容量配置[J]. 電力自動化設(shè)備, 2020, 40(11): 77-86.

Ma Yanfeng, Fu Yu, Zhao Shuqiang, et al. Capacity allocation of new energy source based on wind and solar resource scenario simulation using WGAN and sequential production simulation[J]. Electric Power Automation Equipment, 2020, 40(11): 77-86.

[13] 李康平, 張展耀, 王飛, 等. 基于GAN場景模擬與條件風(fēng)險價值的獨立型微網(wǎng)容量隨機優(yōu)化配置模型[J]. 電網(wǎng)技術(shù), 2019, 43(5): 1717-1725.

Li Kangping, Zhang Zhanyao, Wang Fei, et al. Stochastic optimization model of capacity configuration for stand-alone microgrid based on scenario simulation using GAN and conditional value at risk[J]. Power System Technology, 2019, 43(5): 1717-1725.

[14] Zhang Ning, Kang Chongqing, Xia Qing, et al. Modeling conditional forecast error for wind power in generation scheduling[J]. IEEE Transactions on Power Systems, 2014, 29(3): 1316-1324.

[15] 董驍翀, 孫英云, 蒲天驕. 基于條件生成對抗網(wǎng)絡(luò)的可再生能源日前場景生成方法[J]. 中國電機工程學(xué)報, 2020, 40(17): 5527-5536.

Dong Xiaochong, Sun Yingyun, Pu Tianjiao. Day-ahead scenario generation of renewable energy based on conditional GAN[J]. Proceedings of the CSEE, 2020, 40(17): 5527-5536.

[16] 鄧智宏, 江岳文. 考慮制氫效率特性的風(fēng)氫系統(tǒng)容量優(yōu)化[J]. 可再生能源, 2020, 38(2): 259-266.

Deng Zhihong, Jiang Yuewen. Optimal sizing of a wind-hydrogen system under consideration of the efficiency characteristics of electrolysers[J]. Renewable Energy Resources, 2020, 38(2): 259-266.

[17] 司楊, 陳來軍, 陳曉弢, 等. 基于分布魯棒的風(fēng)-氫混合系統(tǒng)氫儲能容量優(yōu)化配置[J]. 電力自動化設(shè)備, 2021, 41(10): 3-10.

Si Yang, Chen Laijun, Chen Xiaotao, et al. Optimal capacity allocation of hydrogen energy storage in wind-hydrogen hybrid system based on distributionally robust[J]. Electric Power Automation Equipment, 2021, 41(10): 3-10.

[18] 周建力, 烏云娜, 董昊鑫, 等. 計及電動汽車隨機充電的風(fēng)-光-氫綜合能源系統(tǒng)優(yōu)化規(guī)劃[J]. 電力系統(tǒng)自動化, 2021, 45(24): 30-40.

Zhou Jianli, Wu Yunna, Dong Haoxin, et al. Optimal planning of wind-photovoltaic-hydrogen integrated energy system considering random charging of electric vehicles[J]. Automation of Electric Power Systems, 2021, 45(24): 30-40.

[19] 肖白, 劉健康, 張博, 等. 考慮階梯碳交易和需求響應(yīng)的含氫儲能的并網(wǎng)型微電網(wǎng)優(yōu)化配置[J]. 電力自動化設(shè)備, 2023, 43(1): 121-129.

Xiao Bai, Liu Jiankang, Zhang Bo, et al. Optimal configuration of grid-connected microgrid with hydrogen energy storage considering ladder-type carbon trading and demand response[J]. Electric Power Automation Equipment, 2023, 43(1): 121-129.

[20] 江岳文, 楊國銘, 朱振山. 考慮交通流量捕獲的風(fēng)-氫-電耦合網(wǎng)絡(luò)規(guī)劃[J]. 電力系統(tǒng)自動化, 2021, 45(22): 19-28.

Jiang Yuewen, Yang Guoming, Zhu Zhenshan. Wind-hydrogen-electricity coupled network planning considering traffic flow capture[J]. Automation of Electric Power Systems, 2021, 45(22): 19-28.

[21] 袁鐵江, 曹繼雷. 計及風(fēng)電-負(fù)荷不確定性的風(fēng)氫低碳能源系統(tǒng)容量優(yōu)化配置[J]. 高電壓技術(shù), 2022, 48(6): 2037-2044.

Yuan Tiejiang, Cao Jilei. Capacity optimization allocation of wind hydrogen low-carbon energy system considering wind power-load uncertainty[J]. High Voltage Engineering, 2022, 48(6): 2037-2044.

[22] Zheng Yi, You Shi, Bindner H W, et al. Incorporating optimal operation strategies into investment planning for wind/electrolyser system[J]. CSEE Journal of Power and Energy Systems, 2022, 8(2): 347-359.

[23] 葉暢, 曹侃, 丁凱, 等. 基于廣義儲能的多能源系統(tǒng)不確定優(yōu)化調(diào)度策略[J]. 電工技術(shù)學(xué)報, 2021, 36(17): 3753-3764.

Ye Chang, Cao Kan, Ding Kai, et al. Uncertain optimal dispatch strategy based on generalized energy storage for multi-energy system[J]. Transactions of China Electrotechnical Society, 2021, 36(17): 3753-3764.

[24] 田坤鵬, 孫偉卿, 韓冬, 等. 滿足非水可再生能源發(fā)電量占比目標(biāo)的“源-網(wǎng)-儲”協(xié)調(diào)規(guī)劃[J]. 電力自動化設(shè)備, 2021, 41(1): 98-108.

Tian Kunpeng, Sun Weiqing, Han Dong, et al. Coordinated planning of “generation-grid-storage” to satisfy proportion target of non-hydro renewable energy generation[J]. Electric Power Automation Equipment, 2021, 41(1): 98-108.

[25] Zhu Hu, Qiao Yiming, Xu Guoxia, et al. DSPNet: a lightweight dilated convolution neural networks for spectral deconvolution with self-paced learning[J]. IEEE Transactions on Industrial Informatics, 2020, 16(12): 7392-7401.

[26] 國家能源局. 風(fēng)電功率預(yù)測系統(tǒng)功能規(guī)范NB/T 31046—2013[S]. 北京: 新華出版社, 2014.

[27] Cui Mingjian, Zhang Jie, Florita A R, et al. An optimized swinging door algorithm for identifying wind ramping events[J]. IEEE Transactions on Sustainable Energy, 2016, 7(1): 150-162.

[28] 崔楊, 曾鵬, 王錚, 等. 考慮碳捕集電廠能量轉(zhuǎn)移特性的棄風(fēng)消納多時間尺度調(diào)度策略[J]. 中國電機工程學(xué)報, 2021, 41(3): 946-961.

Cui Yang, Zeng Peng, Wang Zheng, et al. Multiple time scales scheduling strategy of wind power accommodation considering energy transfer characteristics of carbon capture power plant[J]. Proceedings of the CSEE, 2021, 41(3): 946-961.

[29] Vallee F, Brunieau G, Pirlot M, et al. Optimal wind clustering methodology for adequacy evaluation in system generation studies using nonsequential Monte Carlo simulation[J]. IEEE Transactions on Power Systems, 2011, 26(4): 2173-2184.

[30] 熊宇峰, 司楊, 鄭天文, 等. 基于主從博弈的工業(yè)園區(qū)綜合能源系統(tǒng)氫儲能優(yōu)化配置[J]. 電工技術(shù)學(xué)報, 2021, 36(3): 507-516.

Xiong Yufeng, Si Yang, Zheng Tianwen, et al. Optimal configuration of hydrogen storage in industrial park integrated energy system based on stackelberg game[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 507-516.

[31] 馬榕谷, 陳潔, 趙軍超, 等. 非并網(wǎng)風(fēng)氫互補系統(tǒng)的容量多目標(biāo)優(yōu)化[J]. 太陽能學(xué)報, 2019, 40(2): 422-429.

Ma Ronggu, Chen Jie, Zhao Junchao, et al. Multi-objective optimization for capacity of non-grid-connected wind/hydrogen hybrid power system[J]. Acta Energiae Solaris Sinica, 2019, 40(2): 422-429.

[32] 李奇, 趙淑丹, 蒲雨辰, 等. 考慮電氫耦合的混合儲能微電網(wǎng)容量配置優(yōu)化[J]. 電工技術(shù)學(xué)報, 2021, 36(3): 486-495.

Li Qi, Zhao Shudan, Pu Yuchen, et al. Capacity optimization of hybrid energy storage microgrid considering electricity-hydrogen coupling[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 486-495.

Wind Farms-Green Hydrogen Energy Storage System Capacity Sizing Method Based on Corrected-Conditional Generative Adversarial Network

Zhu Ling1,2Li Wei1,2Wang Qian3Zhang Xueguang3

（1. State Key Laboratory of Smart Grid Protection and Control Nanjing 211106 China 2. Nari Group Corporation (State Grid Electric Power Research Institute) Nanjing 211106 China 3. Department of Electrical Engineering Harbin Institute of Technology Harbin 150001 China）

The wind power penetration rate in China is increasing. In order to realize the efficient consumption of wind power, the green hydrogen energy storage system (ESS) is becoming an essential carrier of energy storage. However, the intermittence, randomness, and volatility of wind intraday power make it difficult to produce and store green hydrogen. Providing scenario data for green hydrogen ESS planning and displaying the intraday output fluctuation of wind power is a critical challenge. To address these issues, this paper designs a green hydrogen ESS capacity planning framework based on wind power scenario generation. The corrected-conditional generative adversarial network (CCGAN) is constructed to generate scenario data.

Firstly, a corrector based on the improved revolving door algorithm is designed in the CCGAN to identify and clean the prediction data under the prediction misaim and wind power ramp events to ensure the high reference of conditional information. Secondly, the dilated convolution is embedded in the generator and discriminator to overcome the problem of the insufficient receptive field. Thirdly, by imposing constraints on the production and storage of green hydrogen, a multi-objective optimization model for green hydrogen ESS sizing is developed. The definition of knee region under Chebyshev distance is introduced. The non-dominated sorting genetic algorithm based on knee region (kr-NSGA-Ⅲ) is designed to solve the capacity sizing model. Finally, the simulation based on the New England 39-bus system verifies the generated scenario’s accuracy and the planning model’s effectiveness.

Simulation results on the actual wind farm data show that, when predictions are accurate, both conditional generative adversarial network (CGAN) and CCGAN have higher coverage for measured data. At the same confidence level, the power fluctuation range given by CCGAN is smaller, which reflects that the method has higher accuracy for random fluctuation. Under the prediction misaim event, the coverage of CCGAN is much higher than that of CGAN, and the fluctuation range is reduced by 12.4 MW at a 100% confidence level. Under the wind power ramp event, the mean absolute percentage error of the scenario data generated by CCGAN is kept within 30%. At a 90% confidence level, CCGAN can still have a coverage of more than 80%, reflecting the ability to characterize the short-term fluctuation of wind power. In the four generative scenarios, the sizing results of CCGAN are compared with the measured values, CGAN, robust optimization, and Markov chain Monte Carlo (MCMC). The sizing results of CCGAN are generally smaller than CGAN and robust optimization but larger than the measured values, and the total economic cost is also lower than MCMC. Robust optimization and MCMC are easy to overestimate the uncertainty of wind power because these methods do not use the statistical value of prediction data. The scenario generated by the proposed method reasonably considers wind power fluctuation based on measured data, and the sizing result is a tradeoff between robustness and economy.

The following conclusions can be drawn from the simulation analysis: (1) By employing the improved revolving door algorithm, the CCGAN’s corrector can accurately identify the prediction misaim and wind power ramp events and perform targeted correction on the conditional information of the input generator, providing a reliable label for data generation. (2) Compared with the robust optimization, MCMC, and CGAN, the wind power scenario generation based on CCGAN can capture the fluctuation characteristics of wind power, and the generated data can consider both high confidence and narrow fluctuation range, providing a high-quality scenario set for green hydrogen ESS planning. (3) The results of green hydrogen ESS sizing show that under the samples with frequent prediction misaim events, the scenario of CGAN will lead to the deviation of planning results from reality. Compared with robust optimization, the planning results of the proposed method can reduce investment costs.

Corrected-conditional generative adversarial network, green hydrogen energy storage, capacity sizing, scenario generation, wind power forecasting error

TM614

10.19595/j.cnki.1000-6753.tces.222009

甘肅省科技計劃（21ZD8JA001）、智能電網(wǎng)保護和運行控制國家重點實驗室開放課題（考慮風(fēng)功率波動和調(diào)頻能力的風(fēng)電場站儲能配置與運行優(yōu)化技術(shù)）資助項目。

2022-10-26

2022-12-28

朱 玲 女，1986年生，碩士，高級工程師，研究方向為新能源電力系統(tǒng)穩(wěn)定及控制，儲能規(guī)劃與運行。E-mail：zhuling@sgepri.sgcc.com.cn（通信作者）

李 威 男，1976年生，博士，研究員級高級工程師，研究方向為電力系統(tǒng)安全穩(wěn)定分析與控制。E-mail：liwei10@sgepri.sgcc.com.cn

（編輯 赫 蕾）