Stochastic Scenario Generation Method Based on Denoising Diffusion Probabilistic Model for Hydro-Photovoltaic Complementary System

YANG Zhen; YANG Jingxian; WANG Kai; LI Yumei; LIU Junyong; ZHANG Shuai

doi:10.7500/AEPS20231207004

您当前的位置：

首页 >

文章列表页 >

Stochastic Scenario Generation Method Based on Denoising Diffusion Probabilistic Model for Hydro-Photovoltaic Complementary System

Application Research | 更新时间：2025-06-16

- Stochastic Scenario Generation Method Based on Denoising Diffusion Probabilistic Model for Hydro-Photovoltaic Complementary System
- Automation of Electric Power Systems Vol. 48, Issue 19, Pages: 171-180(2024)
- 作者机构：
  
  1.西北民族大学电气工程学院，甘肃省兰州市 730030
  2.西北民族大学双碳创新技术研究院，甘肃省兰州市 730030
  3.四川大学电气工程学院，四川省成都市 610065
  4.国网四川省电力公司，四川省成都市 610041
- 作者简介：
- 基金信息：
  
  the Fundamental Research Funds for the Central Universities(31920230021);Gansu Provincial Natural Science Foundation of China(24JRRA995);the University Young Doctor Support Project of Gansu Province(2024QB-006)
- DOI：10.7500/AEPS20231207004
  CLC：
- Received：07 December 2023，
  
  Revised：2024-03-11，
  
  Published Online：06 September 2024，
  
  Published：10 October 2024
- 稿件说明：
移动端阅览
杨震,杨晶显,王凯等.基于去噪扩散概率模型的水⁃光互补系统随机场景生成方法[J].电力系统自动化,2024,48(19):171-180.

YANG Zhen,YANG Jingxian,WANG Kai,et al.Stochastic Scenario Generation Method Based on Denoising Diffusion Probabilistic Model for Hydro-Photovoltaic Complementary System[J].Automation of Electric Power Systems,2024,48(19):171-180.
杨震,杨晶显,王凯等.基于去噪扩散概率模型的水⁃光互补系统随机场景生成方法[J].电力系统自动化,2024,48(19):171-180. DOI： 10.7500/AEPS20231207004.

YANG Zhen,YANG Jingxian,WANG Kai,et al.Stochastic Scenario Generation Method Based on Denoising Diffusion Probabilistic Model for Hydro-Photovoltaic Complementary System[J].Automation of Electric Power Systems,2024,48(19):171-180. DOI： 10.7500/AEPS20231207004.

摘要

随着水-光互补系统应用越来越广泛，准确地描述水-光出力的不确定性对电网的运行和规划具有重要影响。现有多源融合特性建模方法不仅存在考虑可再生能源出力时空相关性不充分的问题，而且在实际复杂应用环境下要进行先验假设，进而导致生成质量降低。基于此，文中提出了基于去噪扩散概率模型的水-光互补系统随机场景生成方法。首先，将结合欧氏距离和L2正则化的损失函数作为衡量生成噪声与原始噪声分布差异的标准，并设计适应水-光-荷随机场景生成的UNet网络结构；然后，通过对前向过程不断加噪和逆向过程不断去噪训练，捕捉水-光-荷多维变量相关性变化及波动特征，拟合其概率分布规律；最后，对多源数据协同建模，高效生成水-光互补系统随机场景。文中算例基于某地区电网实际采集数据进行测试，通过综合评估指标验证了所提方法的有效性。

Abstract

With the wide application of hydro-photovoltaic (PV) complementary system

accurately describing the uncertainty of the hydro-PV output is of significance for the operation and planning of the power grid. The existing multi-source fusion characteristic modeling methods not only have the problem of insufficient consideration of the spatio-temporal correlation of renewable energy output

but also need to make prior assumptions in the practical complex application environment

which leads to the reduction of the generation quality. Based on this

a stochastic scenario generation method based on denoising diffusion probabilistic model (DDPM) for hydro-PV complementary system is proposed. Firstly

the difference between the generated noise and the original noise distribution is measured by combining Euclianian distance and L2 regularization loss function

and the UNet network structure suitable for the hydro-PV-load stochastic scenario generation is designed. Then

by continuously adding noise to the forward process and denoising training during the backward process

the changes of the correlation and the fluctuation characteristics of hydro-PV-load multi-dimensional variables are captured

and their probability distribution is fitted. Finally

the collaborative modeling of multi-source data is carried out to efficiently generate the hyrdo-PV-load stochastic scenario. A case is used to test the actual data collected from a regional power grid

and the effectiveness of the proposed method is verified by comprehensive evaluation indices.

关键词

Keywords

references

薛禹胜，雷兴，薛峰，等 . 关于风电不确定性对电力系统影响的评述［J］. 中国电机工程学报， 2014 ， 34 （ 29 ）： 5029 - 5040 .

XUE Yusheng ， LEI Xing ， XUE Feng ， et al . A review on impacts of wind power uncertainties on power systems ［J］. Proceedings of the CSEE ， 2014 ， 34 （ 29 ）： 5029 - 5040 .

方华亮，李大虎，彭辉，等 . 基于“互联网+” 的分散式太阳能规划方法［J］. 中国电机工程学报， 2017 ， 37 （ 5 ）： 1316 - 1324 .

FANG Hualiang ， LI Dahu ， PENG Hui ， et al . Distributed solar energy planning method based on Internet plus ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 5 ）： 1316 - 1324 .

LI F F ， QIU J . Multi-objective optimization for integrated hydro-photovoltaic power system ［J］. Applied Energy ， 2016 ， 167 ： 377 - 384 .

马溪原 . 含风电电力系统的场景分析方法及其在随机优化中的应用［D］. 武汉：武汉大学， 2014 .

MA Xiyuan . Scenario analysis and stochastic programming of wind-integrated power systems ［D］. Wuhan ： Wuhan University ， 2014 .

鲁宗相，李海波，乔颖 . 高比例可再生能源并网的电力系统灵活性评价与平衡机理［J］. 中国电机工程学报， 2017 ， 37 （ 1 ）： 9 - 20 .

LU Zongxiang ， LI Haibo ， QIAO Ying . Flexibility evaluation and supply/demand balance principle of power system with high-penetration renewable electricity ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 1 ）： 9 - 20 .

马燕峰，骆泽榕，赵书强，等 . 基于改进蒙特卡洛混合抽样的含风光电力系统风险评估［J］. 电力系统保护与控制， 2022 ， 50 （ 9 ）： 76 - 83 .

MA Yanfeng ， LUO Zerong ， ZHAO Shuqiang ， et al . Risk assessment of a power system containing wind power and photovoltaic based on improved Monte Carlo mixed sampling ［J］. Power System Protection and Control ， 2022 ， 50 （ 9 ）： 76 - 83 .

SANJARI M J ， GOOI H B . Probabilistic forecast of PV power generation based on higher order Markov chain ［J］. IEEE Transactions on Power Systems ， 2017 ， 32 （ 4 ）： 2942 - 2952 .

TU Q Y ， MIAO S H ， YAO F X ， et al . Forecasting scenario generation for multiple wind farms considering time-series characteristics and spatial-temporal correlation ［J］. Journal of Modern Power Systems and Clean Energy ， 2021 ， 9 （ 4 ）： 837 - 848 .

MA X Y ， SUN Y Z ， FANG H L . Scenario generation of wind power based on statistical uncertainty and variability ［J］. IEEE Transactions on Sustainable Energy ， 2013 ， 4 （ 4 ）： 894 - 904 .

TEWARI S ， GEYER C J ， MOHAN N . A statistical model for wind power forecast error and its application to the estimation of penalties in liberalized markets ［J］. IEEE Transactions on Power Systems ， 2011 ， 26 （ 4 ）： 2031 - 2039 .

BLUDSZUWEIT H ， DOMINGUEZ-NAVARRO J A ， LLOMBART A . Statistical analysis of wind power forecast error ［J］. IEEE Transactions on Power Systems ， 2008 ， 23 （ 3 ）： 983 - 991 .

ZHANG Z S ， SUN Y Z ， GAO D W ， et al . A versatile probability distribution model for wind power forecast errors and its application in economic dispatch ［J］. IEEE Transactions on Power Systems ， 2013 ， 28 （ 3 ）： 3114 - 3125 .

丁苏阳，于壮状，林湘宁，等 . 基于概率图像灰度比对算法的远洋海岛可再生能源机组配置方案优选策略研究［J］. 中国电机工程学报， 2018 ， 38 （ 19 ）： 5653 - 5667 .

DING Suyang ， YU Zhuangzhuang ， LIN Xiangning ， et al . The optimum strategy of renewable energy generation configuration schemes in pelagic islands based on gray matching algorithm of probabilistic image ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 19 ）： 5653 - 5667 .

LI J H ， ZHOU J S ， CHEN B . Review of wind power scenario generation methods for optimal operation of renewable energy systems ［J］. Applied Energy ， 2020 ， 280 ： 115992 - 116003 .

王群，董文略，杨莉 . 基于Wasserstein距离和改进K-medoids聚类的风电/光伏经典场景集生成算法［J］. 中国电机工程学报， 2015 ， 35 （ 11 ）： 2654 - 2661 .

WANG Qun ， DONG Wenlue ， YANG Li . A wind power/photovoltaic typical scenario set generation algorithm based on Wasserstein distance metric and revised K-medoids cluster ［J］. Proceedings of the CSEE ， 2015 ， 35 （ 11 ）： 2654 - 2661 .

黎静华，孙海顺，文劲宇，等 . 生成风电功率时间序列场景的双向优化技术［J］. 中国电机工程学报， 2014 ， 34 （ 16 ）： 2544 - 2551 .

LI Jinghua ， SUN Haishun ， WEN Jinyu ， et al . A two-dimensional optimal technology for constructing wind power time series scenarios ［J］. Proceedings of the CSEE ， 2014 ， 34 （ 16 ）： 2544 - 2551 .

陈逸轩 . 多源电力系统多场景生成及规划方法研究［D］. 北京：华北电力大学， 2021 .

CHEN Yixuan . Research on scenario construction and planning method for multi-source power system ［D］. Beijing ： North China Electric Power University ， 2021 .

刘运鑫，姚良忠，赵波，等 . 考虑灵活组群的配电网-微电网群低碳经济调度方法［J/OL］. 电力系统自动化［ 2023-12-01 ］. https：//kns.cnki.net/kcms/detail/32.1180.TP.20240207.2136.002.html https://kns.cnki.net/kcms/detail/32.1180.TP.20240207.2136.002.html .

LIU Yunxin ， YAO Liangzhong ， ZHAO Bo ， et al . Low carbon economic scheduling of distribution network-microgrid group considering flexible group behavior ［J/OL］. Automation of Electric Power Systems ［ 2023-12-01 ］. https：//kns.cnki.net/kcms/detail/32.1180.TP.20240207.2136.002.html https://kns.cnki.net/kcms/detail/32.1180.TP.20240207.2136.002.html .

牟长兴，张俊涛，程春田，等 . 考虑时空相关性的流域水风光多能互补系统高维不确定性场景生成方法［J/OL］. 电网技术［ 2023-12-01 ］. https：//doi.org/10.13335/j.1000-3673.pst.2023.2213 https://doi.org/10.13335/j.1000-3673.pst.2023.2213 .

MU Changxing ， ZHANG Juntao ， CHENG Chuntian ， et al ． High-dimensional uncertainty scenario generation method for basin hydro-wind-solar multi-energy complementary system considering spatio-temporal correlation ［J/OL］. Power System Technology ［ 2023-12-01 ］. https：//doi.org/10.13335/j.1000-3673.pst.2023.2213 https://doi.org/10.13335/j.1000-3673.pst.2023.2213 .

李湃，管晓宏，吴江 . 基于大气动力模型的多风电场出力场景生成方法［J］. 中国电机工程学报， 2015 ， 35 （ 18 ）： 4581 - 4590 .

LI Pai ， GUAN Xiaohong ， WU Jiang . Wind power scenario generation for multiple wind farms based on atmospheric dynamic model ［J］. Proceedings of the CSEE ， 2015 ， 35 （ 18 ）： 4581 - 4590 .

胡铭菲，左信，刘建伟 . 深度生成模型综述［J］. 自动化学报， 2022 ， 48 （ 1 ）： 40 - 74 .

HU Mingfei ， ZUO Xin ， LIU Jianwei . Survey on deep generative model ［J］. Acta Automatica Sinica ， 2022 ， 48 （ 1 ）： 40 - 74 .

KINGMA D P ， WELLING M . Auto-encoding variational Bayes ［EB/OL］.［ 2023-12-01 ］. http：//arxiv.org/abs/1312. 6114 http://arxiv.org/abs/1312.6114 .

GOODFELLOW I ， POUGET-ABADIE J ， MIRZA M ， et al . Generative adversarial networks ［J］. Communications of the ACM ， 2020 ， 63 （ 11 ）： 139 - 144 .

DINH L ， SOHL-DICKSTEIN J ， BENGIO S . Density estimation using real NVP ［EB/OL］.［ 2023-12-01 ］. https：//arxiv.org/abs/1605.08803 https://arxiv.org/abs/1605.08803 .

王守相，陈海文，李小平，等 . 风电和光伏随机场景生成的条件变分自动编码器方法［J］. 电网技术， 2018 ， 42 （ 6 ）： 1860 - 1869 .

WANG Shouxiang ， CHEN Haiwen ， LI Xiaoping ， et al . Conditional variational automatic encoder method for stochastic scenario generation of wind power and photovoltaic system ［J］. Power System Technology ， 2018 ， 42 （ 6 ）： 1860 - 1869 .

董骁翀，孙英云，蒲天骄 . 基于条件生成对抗网络的可再生能源日前场景生成方法［J］. 中国电机工程学报， 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 .

黄南天，王文婷，蔡国伟，等 . 计及复杂气象耦合特性的模块化去噪变分自编码器多源-荷联合场景生成［J］. 中国电机工程学报， 2019 ， 39 （ 10 ）： 2924 - 2934 .

HUANG Nantian ， WANG Wenting ， CAI Guowei ， et al . The joint scenario generation of multi source-load by modular denoising variational autoencoder considering the complex coupling characteristics of meteorology ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 10 ）： 2924 - 2934 .

孙浩，万灿，曹照静，等 . 基于条件生成对抗网络曲线生成的短期负荷概率预测［J］. 电力系统自动化， 2023 ， 47 （ 23 ）： 189 - 199 .

SUN Hao ， WAN Can ， CAO Zhaojing ， et al . Short-term load probabilistic forecasting based on conditional generative adversarial network curve generation ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 23 ）： 189 - 199 .

林珊，王红，齐林海，等 . 基于条件生成对抗网络的短期负荷预测［J］. 电力系统自动化， 2021 ， 45 （ 11 ）： 52 - 60 .

LIN Shan ， WANG Hong ， QI Linhai ， et al . Short-term load forecasting based on conditional generative adversarial network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 11 ）： 52 - 60 .

SAHARIA C ， HO J ， CHAN W ， et al . Image super-resolution via iterative refinement ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2023 ， 45 （ 4 ）： 4713 - 4726 .

ARJOVSKY M ， CHINTALA S ， BOTTOU L . Wasserstein generative adversarial networks ［C］// Proceedings of the 34th International Conference on Machine Learning ， August 6-11 ， 2017 ， Sydney， Australia ： 214 - 223 .

OZDENIZCI O ， LEGENSTEIN R . Restoring vision in adverse weather conditions with patch-based denoising diffusion models ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2023 ， 45 （ 8 ）： 10346 - 10357 .

MENG Q Y ， SHI W X ， LI S J ， et al . PanDiff： a novel pansharpening method based on denoising diffusion probabilistic model ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2023 ， 61 ： 1 - 17 .

DHARIWAL P ， NICHOL A . Diffusion models beat GANs on image synthesis ［EB/OL］. ［ 2023-12-01 ］. http：//arxiv.org/abs/2105.05233 http://arxiv.org/abs/2105.05233 .

HO J ， JAIN A ， ABBEEL P . Denoising diffusion probabilistic models ［J］. Advances in Neural Information Processing Systems ， 2020 ， 33 ： 6840 - 6851 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Power Source Planning of New Power System for Guaranteeing Supply-Demand Security Under Extreme Weather

Scenario Generation Method of Typhoon Meteorological Load Based on Interpretability Conditional Generative Adversarial Network

Scenario Generation Method for Electric Ship Charging Loads Based on Improved Robust Auxiliary Classifier Generation Adversarial Network

Related Author

YE Rong

RUAN Qiantu

XU Qin

SHENG Ao

LIN Jikeng

LUO Pingping

MA Qian

LIU Yiming

Related Institution

State Grid Fujian Electric Power Co., Ltd.

Institute of Economic and Technology of State Grid Fujian Electric Power Co., Ltd.

Guangdong Electric Power Design Institute Co., Ltd. of China Energy Engineering Group

China Southern Power Grid Company Limited

Electronic and Information Engineering, Tongji University

⁰