[论文解读] Bayesian Renewables Scenario Generation via Deep Generative Networks

Yize Chen, Pan Li+1 more|arXiv (Cornell University)|Feb 2, 2018

Generative Adversarial Networks and Image Synthesis被引用 8

一句话总结

本文提出了一种贝叶斯生成对抗网络（Bayesian GAN），通过直接从历史风能与太阳能时序数据中学习多个不同的数据模式，用于生成多样化且物理上真实的可再生能源情景。通过将贝叶斯推断引入GAN框架，该方法训练多个生成器，以捕捉不同的动态行为（如高风速、低风速或高波动性条件），从而实现高效、无需模型的场景生成，在多样性与准确性方面优于传统统计方法或非贝叶斯GAN方法。

ABSTRACT

We present a method to generate renewable scenarios using Bayesian probabilities by implementing the Bayesian generative adversarial network~(Bayesian GAN), which is a variant of generative adversarial networks based on two interconnected deep neural networks. By using a Bayesian formulation, generators can be constructed and trained to produce scenarios that capture different salient modes in the data, allowing for better diversity and more accurate representation of the underlying physical process. Compared to conventional statistical models that are often hard to scale or sample from, this method is model-free and can generate samples extremely efficiently. For validation, we use wind and solar times-series data from NREL integration data sets to train the Bayesian GAN. We demonstrate that proposed method is able to generate clusters of wind scenarios with different variance and mean value, and is able to distinguish and generate wind and solar scenarios simultaneously even if the historical data are intentionally mixed.

研究动机与目标

• 解决在电力系统规划与运行中生成物理上真实、多样化可再生能源情景的挑战，以捕捉多种不同的运行模式（例如高/低风速、爬坡事件）。
• 克服传统统计模型与标准GAN的局限性，后者往往无法分离不同的数据模式或产生混合、无代表性的场景。
• 实现在无需显式概率建模或耗时采样过程情况下的高效、可扩展场景生成。
• 展示该方法在历史数据混合的情况下，仍能同时学习并生成不同可再生能源资源（如风能与太阳能）的独立时空模式的能力。

提出的方法

• 在生成对抗网络（GAN）框架内采用贝叶斯公式，将生成器与判别器神经网络权重视为具有先验与后验分布的随机变量。
• 使用马尔可夫链蒙特卡洛（MCMC）采样方法探索网络权重的完整后部分布，从而发现多个不同的生成器，每个生成器代表数据中的一个独立模式。
• 并行训练多个生成器（模拟中 J = 4，M = 4），每个生成器捕捉具有不同统计特性（如均值、方差、爬坡频率）的独特情景簇。
• 将历史时序数据（例如德克萨斯州或北达科他州的24个风力发电场）作为矩阵输入GAN，以保留不同站点之间的时空相关性。
• 利用对抗训练目标确保生成情景在分布上与真实数据无法区分，同时通过贝叶斯推断确保模式分离。
• 使用统计指标（如风力发电场之间的皮尔逊相关系数）和情景动态的可视化检查来验证情景质量。

实验结果

研究问题

• RQ1 贝叶斯GAN框架能否有效从混合历史数据中学习并生成多个不同的可再生能源情景模式（如高风速与低风速条件）？
• RQ2 与真实历史数据相比，该方法在多站点风能情景中保留复杂时空相关性的能力如何？
• RQ3 贝叶斯GAN在捕捉可再生能源发电动态全貌多样性方面，相较于标准GAN和传统统计模型的优越程度如何？
• RQ4 当在混合数据上进行训练时，该方法能否为不同可再生能源类型（如风能与太阳能）生成独立且具有物理意义的情景？
• RQ5 该方法在具有大量相关可再生能源发电机组的大规模电力系统应用中，其可扩展性与效率如何？

主要发现

• 贝叶斯GAN成功训练出四个不同的生成器，每个生成器捕捉独特的统计模式：生成器2生成的场景具有显著更低的均值与方差，代表温和条件；而生成器1则捕捉到高输出、高爬坡频率的特征。
• 生成情景表现出明显不同的动态行为——在均值与方差的箱线图中可见——证实了多个生成器之间有效实现了模式分离。
• 对于北达科他州的24个风力发电场，两个生成器学习到了不同的时空相关结构，其相关系数矩阵与真实历史数据高度吻合。
• 即使在混合风能与太阳能数据上进行训练，该方法仍能区分并生成风能与太阳能特征的独立情景，展现出对数据混合的鲁棒性。
• 该方法在无需显式分布建模的情况下实现了高保真度的情景生成，支持快速前向推理，适用于大规模电力系统应用。
• 与非贝叶斯GAN相比，贝叶斯GAN通过避免混合模式情景的生成，提供了可解释性强、具有物理意义的情景簇，适用于优化与规划。