1. 研究目的与意义
随着可再生能源发电渗透率的不断提高，其出力的间歇性和随机性严重影响着电力系统稳定运行，如何描述可再生能源出力不确定性是克服这些挑战的关键问题。
由于可再生能源的不确定性存在着复杂性和未知性的特点，传统数学模型难以对可再生能源出力做出全面的建模，仅能针对出力的某一特征进行设计。
近年来，以深度学习(deep learning, DL)为代表的新一代人工智能技术迅速发展，深度学习算法提供了新的思路，该类方法可在避免使用复杂数学理论的同时深入挖掘历史数据的高维非线性特征，全面揭示新能源出力的波动特性。
2. 课题关键问题和重难点
本次设计的关键在于通过深度学习模型，选择生成模型中样本学习能力较强且应用较为广泛的一种算法：生成对抗网络(generative adversarialnetworks, GAN)，并且在此基础上，对新能源电力系统场景生方法进行深一步研究。
本次课题研究的关键有以下几个方面：
（1）对新能源电力系统中不同类型电源的出力特性进行分析，并在此基础上重点研究风电和光伏出力场景的生成方法。
3. 国内外研究现状（文献综述）
随着电力系统的迅猛发展，如何高效利用海量、多源、多维的电力数据，是当前电力行业面临的重要技术问题之一。相对于传统机器学习算法，深度学习具有较强的数据降维能力、非线性拟合能力和特征提取能力 [1]。生成对抗网络(generative adversarial networks, GAN)作为一类深度学习模型，能够很好地实现电力数据样本的增强与生成 [2-5]。
以新能源为主体的新型电力系统的发展将呈现新的态势：电网规模增大且结构更加复杂；可再生能源与电力电子设备接入电网的比例逐渐提高；现代信息技术、计算机技术、通信技术与电力系统的融合程度加深；监测与采集技术的进步带来数据规模爆发式增长等等 [6]。面对电网海量、多源、多维的复杂数据，如何高效利用这些数据，是新型电力系统发展面临的重要技术问题之一。一直以来，人工智能作为数据科学的重要组成部分，通过数据分析和挖掘从海量来源的数据中提取有价值的信息，揭示复杂系统的内在规律 [7-9]。电力系统是人工智能技术重要应用领域之一，相关研究已经覆盖发、输、变、配、用、调等电力生产的各个环节。机器学习作为人工智能技术的核心，能够使计算机具有模拟人类学习新事物的能力，并在积累经验中不断改善自身性能。但传统机器学习算法，如BP神经网络(back propagation neural network, BPNN)、贝叶斯网络(Bayesian network, BN)、支持向量机(support vector machine, SVM)等，大多为浅层结构，数据分析能力较弱，对于实际复杂问题的泛化能力不足，应用效果主要取决于数据特征本身的表达能力 [10-14]。在电力系统领域，风光等可再生能源的不确定性与智能电网的时变性、非线性和局部可观测性交互影响，使得浅层算法难以充分挖掘电力数据所蕴含的信息与特征。
近年来，以深度学习(deep learning, DL)为代表的新一代人工智能技术迅速发展。与传统机器学习算法相比，深度学习具有如下优势：1）不同于传统机器学习算法的浅层结构，深度学习算法具有足够的网络深度，因此，深度学习具有很强的数据降维和分析能力；2）深度学习具有强非线性拟合能力和特征提取能力，通过直接学习数据样本的概率分布，能从包含若干复杂特性的原始数据样本中提炼出关键信息，不会受限于数据自身的特征表达能力强弱 [15-17]。依据模型对数据的建模方式，可将深度学习模型分为生成模型和判别模型两大类。以卷积神经网络(convolutional neuralnetworks, CNN)、循环神经网络(recurrent neuralnetwork, RNN)、长短期神经网络(long short-term memory,LSTM)为代表的判别模型，在电力系统领域内常被用于解决分类问题，即将所给训练样本分成对应的类别，其中CNN擅长处理多维电力数据，RNN及其变体LSTM擅长处理与时间相关的电力数据序列 [18]。但判别模型在电力系统领域内存在两个应用瓶颈：其一，电力数据在采集与传输过程中存在缺失、重复、异常等质量问题，而数据样本质量不佳将导致判别模型难以完整挖掘电力数据特征，引起判别模型的判别精度下降；其二，在原始数据样本质量完好的情况下，由于判别模型仅能对数据进行分类判别，而无法根据少量的原始数据，生成大量特征近似于原始数据的样本，因此难以解决如新能源场景生成、电力数据重建等电力数据样本生成方面的问题 [19]。
4. 研究方案
1、对新能源电力系统中不同类型电源的出力特性进行分析。
2、对适用于风电和光伏出力场景的生成方法进行归纳总结，阐述基于深度学习的场景生成方法研究现状，学习深度学习技术的基本原理。
3、利用深度学习场景生成方法生成能够准确描述风光出力概率分布特性的场景集。
5. 工作计划
1、阅读分析国内外相关的文献资料，了解本课题所在领域的技术现状和发展前景，翻译外文资料，进行文献综述，并在此基础上认真撰写开题报告。
2、对新能源出力特性进行分析总结。
3、学习深度学习技术的基本原理。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
