[论文解读] Forecasting Spatio-Temporal Renewable Scenarios: a Deep Generative Approach

Congmei Jiang, Yize Chen+3 more|arXiv (Cornell University)|Mar 13, 2019

Energy Load and Power Forecasting参考文献 26被引用 7

一句话总结

本文提出了一种基于改进生成对抗网络（GAN）的深度生成模型，用于在不依赖显式统计假设的情况下预测时空可再生能源情景。通过利用点预测并求解优化问题，该方法生成了保留多个站点之间时间与空间相关性的高保真度、逼真的情景，且在真实世界风能与太阳能数据集上表现出色，对情景数量或预测时域无任何限制。

ABSTRACT

The operation and planning of large-scale power systems are becoming more challenging with the increasing penetration of stochastic renewable generation. In order to minimize the decision risks in power systems with large amount of renewable resources, there is a growing need to model the short-term generation uncertainty. By producing a group of possible future realizations for certain set of renewable generation plants, scenario approach has become one popular way for renewables uncertainty modeling. However, due to the complex spatial and temporal correlations underlying in renewable generations, traditional model-based approaches for forecasting future scenarios often require extensive knowledge, while fitted models are often hard to scale. To address such modeling burdens, we propose a learning-based, data-driven scenario forecasts method based on generative adversarial networks (GANs), which is a class of deep-learning generative algorithms used for modeling unknown distributions. We firstly utilize an improved GANs with convergence guarantees to learn the intrinsic patterns and model the unknown distributions of (multiple-site) renewable generation time-series. Then by solving an optimization problem, we are able to generate forecasted scenarios without any scenario number and forecasting horizon restrictions. Our method is totally model-free, and could forecast scenarios under different level of forecast uncertainties. Extensive numerical simulations using real-world data from NREL wind and solar integration datasets validate the performance of proposed method in forecasting both wind and solar power scenarios.

研究动机与目标

• 解决在不确定性下对可再生能源发电中复杂、高维时空相关性进行建模的挑战。
• 克服传统基于模型的情景生成方法的局限性，后者需要大量领域知识并做出强烈的统计假设。
• 开发一种可扩展、数据驱动且无需模型的新型方法，用于生成多个地理站点未来风能与太阳能发电的逼真情景。
• 实现对任意数量情景和预测时域的灵活情景生成，支持电力系统规划中的随机优化。

提出的方法

• 采用具有收敛性保证的改进GAN架构，从历史数据中学习多站点可再生能源发电时间序列的底层数据分布。
• 该方法以无监督方式训练，以建模多个位置和时间步长下可再生能源发电输出的联合分布。
• 训练完成后，以点预测作为输入，求解一个约束优化问题，以生成未来情景，且不限制情景数量或预测时域。
• 该优化确保生成的情景与预测均值一致，同时保留真实数据中观察到的内在时间与空间相关性结构。
• 该框架即插即用，可与任何现成的点预测模型兼容，支持集成到现有预测流程中。
• 通过将K×T数据矩阵（K个站点，T个时间步）输入GAN，保留空间相关性，确保生成情景中具有真实的站点间依赖关系。

实验结果

研究问题

• RQ1 深度生成模型能否在不依赖参数假设的情况下，有效捕捉多站点可再生能源发电中的复杂时空依赖性？
• RQ2 与真实历史数据相比，基于GAN的方法在生成情景中对边缘分布、时间自相关性和空间互相关性的保持程度如何？
• RQ3 该方法在无架构或计算约束的情况下，能够多大程度上生成适用于任意数量和预测时域的逼真情景？
• RQ4 该方法能否与现有点预测模型集成，以生成高质量、具备不确定性感知能力的情景预测，用于电力系统运行？

主要发现

• 通过累积分布函数（CDF）比较，确认生成的情景准确保留了真实风能与太阳能发电数据的边缘分布。
• 生成情景中的时间相关性与真实数据高度一致，自相关图显示其与历史模式相符。
• 多个风电场之间的空间相关性得到有效保持，生成情景的互相关矩阵与实测数据高度接近。
• 该方法成功生成了在不同预测区间内具有多样化统计特性的场景，展示了在不同不确定性水平下的灵活性。
• 视觉检查与定量分析均表明，生成情景的动态行为与多个风电场的真实历史时间序列保持一致。
• 该方法在无情景数量或预测时域限制的情况下实现了高保真度情景生成，支持在随机优化中的可扩展应用。