Page 45 - 《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

内存 16 GB RAM，Win11 操作系统。 1）时间相关性指标。

3.2 结果分析 本文采用自相关系数（autocorrelation function，

3.2.1 风光联合场景生成结果分析 ACF）评估生成场景对风光出力时间相关性的模
本 文 采 用 的 1990 —2022 年 月 尺 度 风 光 出 力 拟效果，结果如图 5 与图 6 所示。图中红色标记
数 据 由 欧 洲 中 期 天 气 预 报 中 心 （ European Centre 为实测数据的自相关系数，箱型图表示生成场景
for Medium-Range Weather Forecasts， ECMWF） 提 0.9 历史出力ACF
供的 ERA5 再分析数据参考文献 [27] 方法折算得 0.6
出。数据以月为时间间隔，以一年 12 组连续数据 0.3 0
作为单元样本，其中风光数据各有 396 组。样本 自相关系数 −0.3
集采取按时间顺序划分的策略，前 80% 的数据作 −0.6
−0.9
为训练集，后 20% 的数据为测试集，以保证数据
1 2 3 4 5 6
的时序规律。 时间间隔/月
训练完成后，将随机噪声向量输入训练好的 a) 风电出力
生成器中生成风光联合出力场景，并使用未经过 0.9 历史出力ACF
0.6
训练的测试集作为测试样本对改进 GAN 模型的泛 0.3
化性能进行验证，结果见图 4。可以看出，所生 0
成的风光场景集无明显无序波动，且历史平均出 自相关系数 −0.3
−0.6
力值均能被较好地包含在生成场景集区间内，证 −0.9
明所提场景生成方法能够准确捕捉到风电和光伏 −1.2
1 2 3 4 5 6
各自不同的年内变化趋势与不确定性特征。 时间间隔/月
b) 光伏出力

2 500
生成场景集； 图 5 改进 GAN 生成场景自相关系数
历史平均出力
2 000
Fig. 5 Autocorrelation function of scenarios generated
功率/MW 1 500 by the improved GAN
1 000
0.9

历史出力ACF
500 0.6
0 0.3
1 2 3 4 5 6 7 8 9 10 11 12 0
月份 自相关系数
a) 风电 −0.3
−0.6
700 −0.9
生成场景集；
历史平均出力
600 1 2 3 4 5 6
时间间隔/月
功率/MW 400 a) 风电出力
500
0.9
历史出力ACF
300 0.6
0.3
200
1 2 3 4 5 6 7 8 9 10 11 12 0
月份 自相关系数 −0.3
b) 光伏 −0.6
图 4 风光联合出力场景集 −0.9
−1.2
Fig. 4 Scenario set of combined wind-solar output 1 2 3 4 5 6

时间间隔/月
此外，为评估所提改进场景生成方法的优越 b) 光伏出力

性 ， 本 文 从 时 间 相 关 性 、 空 间 相 关 性 及 有 效 性
图 6 传统 GAN 生成场景自相关系数
3 个 方 面 分 别 将 其 与 基 于 CNN 的 传 统 GAN 模 型
Fig. 6 Autocorrelation function of scenarios generated
展开对比分析。 by GAN
41