面向能源系统不确定性的矩信息归一化流场景生成方法及其在电力-氢市场随机规划中的应用

《Journal of Business Research》:The effects of organizational status on market entry timing and performance: The biopharmaceutical industry amid environmental disruption

【字体: 大 中 小 】 时间:2025年12月31日 来源:Journal of Business Research 9.8

编辑推荐:

  本文针对可再生能源不确定性导致随机规划中场景生成精度不足的问题,提出了矩信息归一化流(MI-NF)框架。研究通过将统计矩匹配融入NF训练过程,结合高斯过程回归自适应确定正则化权重,在GEFCom 2014数据集上实现了测试集平均绝对误差降低40%以上的显著改进。该方法为能源市场随机优化提供了更精确的概率时间序列场景,显著提升了不确定环境下运营决策的成本效益和鲁棒性。

  
在现代能源系统中,风能、太阳能等可再生能源的并网规模不断扩大,但这些能源固有的间歇性和波动性给电力系统运行带来了巨大挑战。可再生能源出力受天气条件影响显著,而基础负荷又因社会经济状况、环境因素和用户行为模式而波动,这种不确定性会导致供需失衡、价格波动和备用需求增加,给电力系统运营带来显著风险。如何准确表征这些不确定性,成为能源市场决策特别是随机规划框架下机组组合、投标策略和市场出清的关键问题。
传统场景生成方法主要分为基于统计模型的方法和数据驱动方法。统计模型方法依赖于对不确定变量概率分布的强统计假设,如将风速和太阳辐照度拟合为威布尔(Weibull)或贝塔(Beta)分布,但当假设分布与真实分布不匹配时性能会下降。数据驱动方法则避免显式分布假设,直接从历史数据中学习底层模式和依赖关系,但多数现有模型为单变量方法,难以保持时间序列的完整时间相关结构。
近年来,深度生成模型如生成对抗网络(GAN)、变分自编码器(VAE)和归一化流(NF)等被应用于多维场景合成。其中,NF通过可逆和可微变换序列将简单基分布转化为复杂目标分布,具有稳定可解释的训练、直接最大化数据对数似然和允许精确密度评估等优势。然而,标准NF在再现数据的关键统计属性(如均值、方差、偏度和峰度等统计矩)方面往往精度有限。
为此,Xu Zhou和Vassilis M. Charitopoulos在《Journal of Business Research》上发表研究,提出了一个新颖的矩信息归一化流(MI-NF)框架,将矩约束纳入NF训练过程,以提高基于场景的概率预测精度。该框架通过高斯过程(GP)自适应确定矩正则化权重,为随机规划生成分布一致且能忠实再现重要统计特征的场景。
研究人员主要采用了几个关键技术方法:首先构建了条件归一化流模型,利用掩码自回归流(MAF)与无约束单调神经网络(UMNN)相结合,学习任意单调函数以实现灵活的高维场景合成;其次引入了统计矩匹配机制,通过比较每个训练周期生成场景的统计矩与真实数据的统计矩,构建矩损失函数;此外采用高斯过程回归(GPR)自适应确定正则化系数,平衡似然损失和矩损失;最后将生成的场景应用于本地电力-氢市场(LEM)的随机规划问题,验证方法的实际效能。研究使用了全球能源预测竞赛2014(GEFCom 2014)的开放访问数据集和日本北九州科学研究中心园区建筑能源系统的真实两年数据集。
2. 矩信息归一化流
本研究首先介绍了条件归一化流的基本原理,NF通过一系列可逆和可微变换将简单基分布转化为复杂目标分布。研究采用UMNN-MAF结构,能够通用逼近连续随机变量的密度。MI-NF框架通过将矩匹配项集成到NF训练目标中,在每轮训练中随机选择上下文,生成合成场景并计算其前四个统计矩,通过平方差构建矩损失函数,与负对数似然损失结合形成整体训练目标。
3. 案例研究
3.1. 场景生成比较
在GEFCom 2014数据集上的实验表明,MI-NF在负荷场景生成方面显著优于基线NF、VAE、WGAN和DDPM等方法。可视化结果显示,真实负荷轨迹更接近MI-NF生成的50%分位数,特别是在18-48小时期间。可靠性图分析表明,MI-NF曲线最接近理想对角线,表明预测边缘分布校准良好。定量评估中,MI-NF将MAE从基线NF的4.54降至2.06,RMSE从4.90降至2.42,同时保持与NF相当的CRPS性能。
3.2. 本地能源市场中的随机规划
将MI-NF生成的场景应用于日前本地电力-氢市场随机规划问题,涉及30个聚合可再生能源发电机、2000个具有不确定基础电力负荷的消费者和1500辆氢燃料汽车。结果显示,MI-NF场景不仅提供了不确定性的更准确表示,还提高了随机调度决策的鲁棒性和成本效益。蒙特卡洛研究中,MI-NF框架将总系统成本从确定性情况的7260.69欧元和NF的7246.71欧元进一步降至7239.68欧元。
本研究提出的MI-NF框架通过将矩匹配约束集成到条件NF训练过程中,显著提高了生成场景的统计一致性。该方法在保持精确似然计算的同时,忠实再现了重要统计特征,为可再生能源占主导地位的电力系统中的不确定性建模提供了有效工具。未来工作将探索时空相关性扩展和大规模部署应用,进一步提升能源系统随机规划的准确性和可靠性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号