Page 46 - 《中国电力》2026年第4期

2026 年 第 59 卷

自相关系数的分布特征。 提方法对风光出力不确定性的描述更加准确有效。
分析图 5 可知，改进 GAN 方法所生成风电、 利用 K-means 算法对大量联合场景进行聚类
光伏出力场景集的自相关系数分布均能较好地包 缩减，最终得到的风光典型出力场景如图 8 所示。
络各自历史实测序列的自相关系数值，并且其变
表 2 场景生成有效性指标
化趋势与实际时序相关性变化趋势基本一致。对
Table 2 Reliability index of generated scenarios
比图 6 发现，传统方法所生成场景的自相关系数
覆盖率/% 功率区间宽度/MW
分布波动范围较大、异常值较多，且中位值与历 置信度/%
改进GAN 传统GAN 改进GAN 传统GAN
史实测数据自相关系数的偏离相对较大，说明本
100 96.34 97.11 890.21 1 052.36
文所提方法对风光出力时间相关性特征的提取能
风电 95 93.69 95.25 523.96 942.84
力更强。
90 90.45 89.35 383.29 582.73
2）空间相关性指标。
100 97.21 98.33 189.52 268.67
本文将 Kendall 相关系数作为风光出力之间空
光伏 95 92.12 94.63 143.37 219.75
间相关性的评价指标，同样绘制箱型图如图 7 所
90 88.76 87.54 126.13 173.54
示。可以发现，两种方法生成场景的 Kendall 系数

分布均能涵盖实际风光出力的相关系数，但与传 1 800
场景1；
统方法相比，本文所提方法生成场景的 Kendall 系 1 500 场景2；
场景3；
数整体分布更为集中、波动性更小，其中位值也 1 200 场景4；
更接近实际相关系数值，说明本文方法对风光出 功率/MW 900 场景5
力之间空间相关关系的刻画能力更加准确可靠。 600
300
1.25

1 2 3 4 5 6 7 8 9 10 11 12
1.00 实际Kendall系数 月份
a) 风电
0.75
Kendall系数 0.50 700 场景1；
场景2；
600
0.25
场景3；
0 功率/MW 500 场景4；
场景5
−0.25 400
传统GAN 改进GAN
对比方案 300
图 7 风光出力之间 Kendall 相关系数
1 2 3 4 5 6 7 8 9 10 11 12
Fig. 7 Kendall correlation coefficient of wind 月份
and PV power b) 光伏

3）有效性指标。 图 8 风光典型出力场景
Fig. 8 Typical wind and solar power output scenarios
本文选取覆盖率（coverage rate，CR）和功率
区间宽度（power interval width，PIW）两个指标共 3.2.2 优化调度结果分析
同评估生成场景集对风光出力不确定性描述的准 根据 2.3 节自适应权重确定方法得到的各优化
确程度，当覆盖率越大且功率区间宽度越小时， 目标权重系数如图 9 所示，权重分配呈现显著的
生成场景集的有效性越好 [28] 。表 2 给出了置信度 季节性特征。在非汛期（10 月至次年 5 月）模型
100%、95% 和 90% 下的覆盖率和功率区间宽度统 权重分配相对稳定，以最大化消纳电量与最小化
计结果。分析可知，在相同的置信水平下，改进 电 力 平 衡 风 险 为 主 ， 弃 水 权 重 α 稳 定 在 0.2 附
3
GAN 方法生成场景集的功率区间宽度均小于传统 近，优先保障系统的供电可靠性与经济性；而汛
方法。当置信度为 100% 时，改进 GAN 方法有着 期尤其在主汛期 7 月，α 显著提升至 0.51 成为主
3
较高的覆盖率与更小的功率区间，在保证生成场 导 目 标 ， 消 纳 权 重 α 和 风 险 权 重 α 分 别 降 低 至
1
2
景集覆盖率的前提下分布更加集中，说明本文所 0.18 和 0.31。以上结果表明，自适应权重确定方
42