Page 41 - 《中国电力》2026年第4期

崔一宸等：基于改进生成对抗网络场景生成的跨流域水风光互补中长期优化调度方法 2026 年第 4 期

1.2.1 网络结构设计
真实样本x
判别器D 判别值 在进行网络结构设计之前，需要对历史数据
生成样本
噪声输入z 生成器G
G(z) 进行格式重构处理。具体而言，考虑到风光出力
训练结果反馈 存在显著的相关性特征，本文提出了单通道输入

架构，将风光历史出力序列在特征维度上纵向拼
图 1 GAN 模型基本结构
接，构建高度为 2、宽度为 12 的二维矩阵。这种
Fig. 1 Basic structure of GAN
单通道双特征的设计使卷积操作能够直接学习风
GAN 中的 G 以随机噪声 z 作为输入，通过分析真
光出力间的耦合关系，避免了多通道输入的维度
实样本数据的内在分布特征，生成大量逼真样本
冗余问题。基于此格式，生成器以相同维度的随
G(z)；D 则接收真实数据 x 和生成数据 G(z)，用于
机噪声为输入，通过学习数据内在分布规律，输
判断生成样本分布与真实样本分布的相似程度，
出目标风光场景，确保生成样本与真实样本在结
G 和 D 二者不断博弈，最终达到“纳什均衡”状
构上的一致性。
态。通过构造价值函数 V(D,G)的极小极大化博弈
CNN 作为深度学习的典型架构，能够通过多
模型来建立 G 和 D 之间的对抗关系 [19] ，即
层卷积运算提取输入序列的局部时空耦合特征，
minmaxV(D,G) =E x∼P data (x) [logD(x)]+
G D 本文采用混合卷积核策略对 CNN 模块进行设计。
[log(1− D(G(z)))] （1） 第一层使用 卷积核，能够学习风光出力同时
E z∼P z 2×3
式 中 ： E(·)表 示 对 应 样 本 的 期 望 值 ； D(x)表 示 D 刻的空间相关性及相邻 3 个月的时序耦合特征，
将真实样本 x 判别为真的概率； D(G(z))表示 D 将 避免了传统 3×3 卷积核可能导致的虚假特征组合
生 成 样 本 G(z)判 别 为 真 的 概 率 ； P z 为 随 机 噪 声 z 问题；第二层转为 1×3 卷积核，在融合特征的基
遵循的分布。 础上进一步抽象时序依赖关系。两层卷积均串联

1.2 基于改进生成对抗网络的风光联合场景生成 批归一化与 LeakyReLU 激活函数，第 t 月第 l 层的
l
考虑到风光出力不仅具有明显的空间相关性， 输出 Q (l ∈ {1,2})为
t
还存在长期的季节性时序规律。为此，针对中长 Q = LeakyReLU[N BN (Q l−1 ∗ f )] （2）
l
l
t t t
期尺度下风光出力的时空相关性特征，本文提出
式中：*表示卷积操作； f 表示第 l 层的卷积核； N BN (·)
l
t
了一种卷积神经网络（convolutional neural network，
为批归一化函数。
CNN）与门控循环单元（gated recurrent unit，GRU）
基于循环神经网络（recurrent neural networks，
串行的改进 GAN 结构。该结构将 CNN 的局部感
RNN）改进的 GRU 模块负责进行年内月度时序依
知能力与 GRU 的长期记忆功能结合，同时引入
赖建模。为增强 GRU 对季节性规律的感知能力，
月份位置编码机制，通过多模块协同学习实现风
本文创新性地在 GRU 输入层前引入月份位置编码
光出力从局部时空耦合到长周期时序规律多维特
机制，通过嵌入层将离散的月份信息 t ∈ {0,1,··· ,11}
征的分层提取。改进的 GAN 模型整体结构如图 2
映射为经预实验比较确定的 16 维连续特征向量，
所示。
并与按时间步重组的 CNN 输出特征拼接后，共同
输入到 GRU 模块。GRU 通过双门控机制对特征

生成器G
序列进行递归计算，输出的 64 维隐藏状态经两层
CNN模块 特征处理模块 特征处理模块
GRU模块
噪声输入z 月份位置编码 全连接层 全连接网络扩展至 128 维后，通过线性变换分解
Conv Conv 特征拼接 双门控 特征分解 为风光各 64 维的独立特征表示，最终通过卷积层
机制
和 Tanh 激活函数映射为目标输出格式。第 t 月的
训练结果 判别器D
反馈 生成样本 生成器输出 Y t 为
G(z)
判别值 全连接层 Conv Conv
真实样本x Y t = Tanh[f c ∗Split(N FC (H t ))] （3）

式中： H t 表示 GRU 第 t 月的隐藏状态； f c 为最终
图 2 改进 GAN 模型整体结构
Fig. 2 Overall structure of the improved GAN model 的 1×3 卷积核； Split(·)为特征分解函数； N FC (·)为

37