0 引言

随着中国“双碳”政策的推进，可再生能源迅速发展，装机占比不断增加[1-2]。受气象变化的影响，可再生能源出力具有较强的间歇性和波动性[3-4]。随着国民经济的发展，负荷侧受温度影响较大的冷热负荷不断增加。未来高比例可再生能源电力系统中气象对源荷功率的影响将会逐步增强，气象与源荷之间将呈现更为复杂的耦合关系。同时，气象变化通常存在持续性，可能对源荷功率造成多日的连续影响，导致中长期源荷高维变量的时序相关性难以分析。如何在构建中长期源荷时序场景时较好地考虑气象因素将成为未来高比例可再生能源电力系统中长期源荷不确定性问题的研究重点，对中长期电力系统规划和电力市场交易具有重要意义。

在中长期规划和优化中，较多的风光出力场景和负荷场景是从历史数据中挑选或聚类获得的。在年场景方面，文献[5]通过从历史数据中挑选具有代表性的月出力曲线，将12个月的曲线进行拼接以获得最终的典型年曲线，从而表征新能源的出力曲线特性；文献[6]通过对历史风光8760 h数据进行聚类得到多个典型场景，再通过随机模拟的方法生成风电和光伏发电8760 h理论出力序列；文献[7]直接挑选光伏发电和负荷各1条8760 h序列；文献[8]采用风电、光伏和光热8760 h的历史数据通过生产模拟来获得理论功率序列。在日场景方面，文献[9-10]通过对历史数据采用聚类的方法获取典型风光和负荷的日场景；文献[11]将历史风光出力聚类为强、中、弱3类日场景；文献[12]对风电出力历史数据采用聚类获得多个典型日场景。

然而，仅通过有限的历史数据进行挑选或聚类所获得的场景难以表征可再生能源出力和负荷功率的不确定性，可能存在一定误差。针对电力系统的源荷不确定性问题，场景生成方法是现有方法中较为成熟的分析工具。随着人工智能技术的发展，生成式模型在数据生成领域应用广泛，能够较好地捕捉多元数据间的相关性，描述随机过程的不确定性，因此成为源荷不确定性分析领域的研究热点。在风光出力不确定性建模方面，生成对抗网络（generative adversarial networks，GAN）与变分自编码器（variational autoencoder，VAE）应用广泛。文献[13]通过改进梯度惩罚的GAN网络生成3 d长度的光伏随机场景；文献[14]采用卷积结构的GAN网络条件生成不同出力情况的日尺度风或光的随机场景；文献[15]采用像素卷积生成网络生成日尺度风或光的随机场景；文献[16]建立了改进的卷积结构GAN网络对风力发电进行随机场景生成，通过梯度惩罚项来加强Lipschitz约束，提高训练速度，同时有效缓解模型过拟合问题。生成矩匹配网络（generative moment matching network，GMMN）是在图像生成领域广为使用的深度生成网络，在结构上与VAE和GAN相似，同样在数据生成方面具有一定潜力。文献[17]构建了基于GMMN的风光随机场景生成方法。在负荷不确定性建模方面，文献[18]采用卷积结构的GAN网络对居民负荷进行随机场景生成。文献[19]结合经验，通过4种GAN网络对工业负荷进行随机场景生成。文献[20]建立由长短时记忆网络结构构建的GAN网络，强化网络的时序特性拟合能力，使其更能突出多元负荷功率间的时序特性和关联性，生成多元负荷的随机场景。部分文献考虑了源荷耦合的特性，文献[21]通过变分编码器对日尺度的源荷耦合随机场景进行建模。

虽然上述文献中的生成式模型能够对源荷随机场景进行生成，但在训练过程中没有考虑气象因素对源荷功率的影响，同时受限于隐式模型的特点，所生成的随机场景可解释性较低，难以针对某一气象情况的场景进行生成。气象是源荷功率的主要影响因素，在同一气象环境下，源荷功率呈现一定的耦合特征，根据不同的气象情况对网络进行训练能够提高场景的准确性和可解释性。文献[22-23]通过人工对数据定义的气象标签来引导对应的源荷场景生成。文献[24]通过气象聚类的方法将数据分为多类，并通过模块化去噪变分自编码器对多类标签进行场景生成。文献[25]将气象信息作为条件的集成，通过改变气象变量来指示不同场景风格混合的过程，从而生成多种风格的风光日前场景。

场景生成的现有研究中大多数方法在构建源荷时序场景时缺少对气象、源、荷三者耦合关系的考虑，且较少从中长期尺度分析源荷时序场景。当时间尺度上升到中长期时，分析源荷时序场景所需数据样本量大大增加。然而实际应用中大部分源荷数据来源各异，常出现源荷数据匹配的样本量较少等问题，导致现有研究中直接生成的源荷耦合场景质量较差。针对上述问题，本文依据气象条件将历史源荷数据对应匹配成典型源荷耦合模式，以减少源荷数据匹配样本少对所生成场景质量的影响。然而历史数据分析获得的典型源荷耦合模式受限于数据量，所对应的典型源荷耦合场景代表性较弱。考虑到源的样本量较多且波动较大，而荷的样本量较少且波动较为规律，为保证源荷典型场景的质量和代表性，本文采用生成式网络提取风光出力的波动特征，生成海量风光场景，以提高场景约简所得的典型场景的代表性，而荷的典型场景由历史数据聚类的方式得到。

在规划的现有研究中，常通过日场景或年场景来表征源荷的不确定性。然而，日场景所包含的时序信息较少，能表征的连续波动特征较少。年场景虽然相比日场景所包含的时序信息更多，但由于中长期规划优化问题的时间跨度较长，采用年长度的逐小时时序曲线会导致问题规模过大，难以求得优化解。针对上述问题，本文将源荷场景的长度定为周长度。周场景相比于日场景所包含的时序信息更多，考虑了更长的风光荷的波动，能表征的连续波动特征更多；相比于年场景，能够减小问题规模和求解难度。

在上述两方面问题的基础上，本文提出了基于典型源荷耦合模式的周长度场景生成方法，根据典型源荷耦合模式匹配典型源荷场景。首先从气象角度出发，提出与源荷功率相关的气象模式概念，通过历史源荷功率和气象数据，分类得到多种源荷的气象模式。然后提出源荷耦合模式的概念，通过气象距离的方式衡量源荷气象模式的近似程度，将气象模式近似的源荷聚合成源荷耦合模式。之后通过动态时间归整（dynamic time warping，DTW）算法衡量生成的典型风光场景与各个典型源荷耦合模式中源的距离，并按照距离与源荷耦合模式相匹配，从而得到生成的典型风光场景与历史典型负荷场景相匹配的典型源荷耦合场景。最后，以日本某地区的数据为例，验证了该方法的有效性。

1 气象角度下高比例可再生能源电力系统源荷耦合分析

1.1 高比例可再生能源电力系统的源荷功率特征

在高比例可再生能源电力系统中，可再生能源发电和冷热负荷的占比增加。在气象的影响下，源荷功率分别呈现规律的波动特征，同时也产生了源荷间的耦合联系。

风力发电和光伏发电的输出功率分别受到风速和太阳辐射度的影响，冷热负荷的峰谷波动主要受温度的影响。除了以上3种主要的气象要素外，其他气象要素如云量、降雨量和降雪量等，也会对风光发电和冷热负荷产生一定影响。湿热、湿冷环境相对于干热、干冷环境会增加人的不适感[26]，使人们对冷热负荷的需求进一步增加；光伏面板在积雪覆盖下的发电效率会下降。

虽然气象对源荷功率的主要影响要素不同，但是在同一气象环境下，不同的气象要素之间相互影响，形成一定的耦合关联，导致源荷功率在气象的影响下存在耦合关系。例如降雨和降雪常伴随着大风和云量的增加，进而对风速和太阳辐射度产生一定的影响，同时带来的降温效果也会对冬夏两季的负荷产生影响。综合来看，气象对源荷功率的影响较为复杂，虽然主要影响源荷功率的气象要素不同，但在同一气象环境下，气象要素间存在耦合相关，导致源荷间耦合相关。不同气象要素特征的组合形成一种综合的气象情况，同时源荷功率表征出与气象情况对应的波动特征，形成一种规律模式。

1.2 气象模式、源荷耦合模式与气象距离

1.2.1 气象模式与源荷耦合模式

影响源荷功率的气象要素不同，相应的气象条件不同。源荷各自的功率波动特征与不同的气象条件形成对应规律。将分别与源荷对应的气象条件定义为源荷各自的气象模式。在气象模式下源荷各自的功率条件分布与各种气象要素相关：

式中：源荷在各自的气象模式下功率的条件分布为P(xS|yS)和P(xL|yL)，yS和yL分别为与源、荷对应的气象模式；tS、tL为与可再生能源和负荷功率曲线对应的温度序列；sS、sL为与可再生能源和负荷功率曲线对应的风速序列；rS、rL为与可再生能源和负荷功率曲线对应的太阳辐射度序列；pS、pL为与可再生能源和负荷功率曲线对应的降雨量序列；cS、cL为与可再生能源和负荷功率曲线对应的云量序列；g(～)和f(～)为将各种气象要素映射为源荷功率条件分布的函数。

然而，在同一气象环境下，不同气象要素间存在耦合关系，导致源荷对应的气象情况间存在关联。当源荷处于同一气象模式时，源荷的功率波动特征呈现耦合相关，形成一定的规律模式。将在这一气象模式下的源荷功率条件联合分布定义为源荷耦合模式，其与各种气象要素相关：

式中：源荷功率在该气象模式下的条件联合分布为P(xS,xL|y)；y为气象模式；t为温度序列；s为风速序列；r为太阳辐射度序列；p为降雨量序列；c为云量序列；h(～)为将各种气象要素映射为源荷条件联合分布的函数。

1.2.2 衡量气象模式近似程度的气象距离

在短期源荷耦合问题的分析中，可以根据不同气象情况的源荷数据，直接分类得到多种源荷耦合模式。然而当时间尺度上升到中长期时，源荷数据问题将更加突显，源荷数据来源不同，源的数据量远大于荷的数据量，匹配的样本量较少，导致难以直接提取多种源荷耦合模式进行分析。因此，将源荷耦合模式解耦的方法成为解决上述问题的关键。在电力系统中，源荷间的耦合相关只受气象影响，两者基于气象条件独立，因此源荷耦合模式可以进行解耦：

式中：P(xS|y)和P(xL|y)分别为同一气象模式下源荷各自的功率条件分布。由式（4） 可得，当源的气象模式与荷的气象模式相同时，源荷可以聚合成一种源荷耦合模式。

在根据式（4） 对源荷进行聚合时，为判断源荷所处的气象模式是否一致，本文提出了气象距离的概念。气象距离是指衡量源荷气象模式相似程度的距离，假设源对应的气象模式为yS，荷对应的气象模式为yL，则气象模式之间的气象距离为D(yS, yL)，其中气象距离与影响源荷功率的各类气象要素相关，即：

气象距离值越小，2种气象情况的相似程度越高。

1.3 基于气象距离的源荷耦合模式聚合

针对源荷的数据问题，提出基于气象距离的源荷耦合匹配方法，原理如图1所示。

图1 典型源荷耦合模式原理图
Fig. 1 Typical source-load coupling mode diagram

为了获得多种气象模式，首先需要根据气象特征对源荷功率进行分类。在依据气象特征分类源荷时，可以采用聚类方法进行分析[27]。每种气象模式的气象要素特征不同，为保证气象模式的典型性，将出现概率相对较高的气象模式保留作为典型气象模式。

典型源荷耦合模式需要同一典型气象模式的源荷聚合得到，因此在聚合时需根据式（5），考虑多种气象要素，判断源荷气象模式的相似程度。通过气象距离的计算，得到多种源荷的典型气象模式之间的距离数值，并将距离数值大小作为判断2种气象模式是否匹配的标准。当某种气象模式与其他多种气象模式间的气象距离都满足匹配的标准时，则与最相似的气象模式相匹配。根据气象距离的数值大小，将气象模式相似的源荷聚合成典型源荷耦合模式。所形成的耦合源荷可以应用于匹配源荷各自的典型场景，得到源荷耦合场景。

2 基于源荷耦合模式的场景生成方法

由于历史数据中存在源荷匹配样本较少的问题，首先需要根据气象因素将源荷聚合，从而得到历史数据中的源荷耦合模式，进而生成相应的源荷耦合场景。历史数据已有样本量较少，从历史数据所得的典型源荷耦合模式缺乏代表性。考虑到源的样本量较多，足以通过生成式网络提取特征、泛化场景，而荷的样本量过少，难以通过网络学到特征，为保证典型场景的代表性，对源采用场景生成方法泛化得到典型场景，对荷采用聚类方法得到典型场景。根据典型源荷耦合模式与源荷各自的典型场景进行匹配，从而得到具有代表性与合理性的典型源荷耦合场景。

2.1 数据预处理

首先，对历史源荷数据集Sreal和Lreal进行预处理。其中源荷数据集Sreal包含着风光出力功率曲线，以及与之对应的各种气象要素的时序曲线，而荷数据集Lreal包含着负荷功率曲线，以及与之对应的各种气象要素的时序曲线。考虑到不同季节和气象变化对源荷功率曲线的影响，本文将数据按四季进行划分，并按照每周的长度划定样本。由于负荷从工作日到周末存在独特的波动特征，受人为因素的影响较大，将一周长度的负荷样本按照周一到周日的顺序排列。

2.2 不同气象模式下的源荷聚类

在完成数据预处理后，为了获得多种源荷的气象模式，将风光负荷历史功率数据分别依据气象进行聚类。风力发电、光伏发电、负荷分别受风速、地表辐射度、温度的影响较大，因此在聚类时主要按这3种气象要素对源荷分别进行聚类，历史风光功率数据按照风速、地表辐射度、温度顺序依次进行聚类。由于负荷的数据量少于风光的数据量，为保证每个聚类簇的样本充足，历史负荷功率数据只按温度进行聚类。在聚类后将形成多种气象模式的风光簇CS和负荷簇CL。

为了保证气象模式的典型性，对所有气象模式按样本量进行筛选，假设源或荷总样本量为m，所分的气象模式类别数为n，当n≤5时保留样本量大于总样本量20%的气象模式作为典型气象模式，当n > 5时则保留样本量大于m/n的气象模式作为典型气象模式。通过筛选保留下来的气象模式具有普适性，能够较好地反映地域的气象特点。

2.3 气象距离计算

在获得多种源荷的气象模式后，通过气象距离衡量源荷气象模式的近似程度，从而聚合气象模式近似的源荷，形成多种源荷耦合模式。假定数据按小时采样，则周长度样本为168个采样点的序列。

每个聚类簇内的样本包含着多种气象数据，假设某个簇内的第i个样本中某类气象数据W在t时刻的值为，则该簇内的该类气象数据W可表示为

式中：n为簇的样本数。将每个簇内各种气象数据的所有样本按每个时刻取均值，即

式中：Wmean为簇内所有样本各个时刻的均值；n为该簇内的样本数。

为了综合考虑各种气象要素，降低分析难度，采用主成分分析法对各种气象数据的均值进行降维。每个簇的多维气象数据通过主成分分析法降维成二维坐标位置(a,b)，利用欧氏距离计算各簇降维后气象模式之间的距离，该距离即为各簇气象模式之间的气象距离：

式中：yS表征风光簇的气象模式；yL表征负荷簇的气象模式；2种簇在通过主成分分析法降成二维后的横坐标分别为aS和aL，纵坐标分别为bS和bL。最终得到两簇之间的气象距离为D(yL,yS)。

由此可以得到所有风光簇和负荷簇之间的气象距离矩阵，距离越小，两簇所处的气象模式相似程度越大，气象差距越小。将所有气象模式间的气象距离归一化，其中认为气象模式近似的距离值应小于0.1。将风光簇和负荷簇按照匹配原则聚合起来，从而获得多种源荷耦合模式。其中，典型源荷耦合模式由满足样本量要求的源荷聚类簇聚合得到。

2.4 基于典型源荷耦合模式生成源荷耦合场景

在获得各种典型源荷耦合模式之后，将源荷的典型场景与典型源荷耦合模式匹配对应。由于荷的样本量较少，而源的样本量较多，为保证源荷场景的典型性与合理性，源的典型场景将由深度学习网络学习生成，而荷的典型场景由历史数据聚类获得。在得到源荷的典型场景后，通过动态时间归整算法（dynamic time warping，DTW）衡量所生成的典型风光场景与各典型源荷耦合模式的源之间的相似程度，并将典型风光场景与距离最小、最相似的源对应起来，从而匹配到对应的典型源荷耦合模式，获得典型源荷耦合场景。

2.4.1 四季典型风光场景生成

为了提取风光出力的相关特征，提高场景的典型性与合理性，采用GAN网络对四季的风光场景进行生成。

以可再生能源出力数据为例，定义一组标准正态分布噪声z，其概率分布为Pz(z)。将噪声输入到生成器中，生成器输出生成的样本f=G(z)，其概率分布为PG(z)。对于GAN的生成器，其任务是利用输入的标准正态分布的噪声，生成尽可能接近真实分布Pdata(r)的数据样本场景。而对于GAN的判别器，其任务是将输入的生成数据样本分布PG(z)和真实的数据样本分布Pdata(r)尽可能地正确辨别。最终训练完成时，网络能够生成大量与历史风光功率分布近似的功率曲线。GAN的基本结构如图2所示。

图2 GAN网络结构
Fig. 2 The structure of GAN

利用四季风光历史出力数据分别训练4个模型，每个模型生成四季周长度的风光场景。在完成风光场景生成后，通过K-means方法分别将生成的四季海量场景进行约简，获得四季典型风光场景。

2.4.2 基于DTW匹配典型风光场景

在生成场景后，通过DTW算法计算四季典型风光场景与对应季节的历史风光簇的距离并匹配。

DTW算法能较好地考虑曲线的波动趋势，衡量2条时序曲线之间的差异。DTW的核心是基于序列形状的点匹配技术，其目标是尽可能地将序列的峰谷值点对应匹配，而后在建立对应关系的基础上再进行欧氏距离的计算。

具体应用DTW的计算流程如下：以四季中第nseason个季节为例，将所生成的典型风光场景中的风电场景和光伏场景横向拼接，同样将历史风光簇中同一时刻的风电功率序列样本和光伏功率序列样本横向拼接。在完成各自的拼接后，通过DTW计算典型风光场景与风光簇内序列样本之间的距离值，并对所有距离值取均值，所得均值即为该典型风光场景与历史风光簇的距离值：

式中：为第nseason季节的第k个典型风光场景；为同一季节的风光簇j的场景i；为DTW计算的距离值；Dmean(,)为同一季节第k个典型风光场景与风光簇j的距离值；nj为风光簇j的样本量。

2.4.3 匹配源荷耦合场景

各季的典型风光场景根据DTW计算得到的距离值匹配到对应的典型源荷耦合模式，其中距离最小的相匹配。然后根据模式中历史源荷的对应关系，匹配历史典型负荷场景与生成的风光场景，得到这一模式下的源荷耦合场景。

本文基于源荷耦合模式的场景生成算法如下所示：

3 算例分析

3.1 算例概况

算例使用了从Ninja网站[28]获取的2000—2020年的日本历史风光出力和气象数据[29-30]，以及日本地区2017—2020年的历史负荷数据[31]。数据集的数据时间间隔为1 h，1 d样本选取连续的24组数据，其中将2000—2020年的日本历史风光出力和气象数据作为源数据集，将2017—2020年的日本历史负荷数据和气象数据作为荷数据集，各气象要素与风光出力数据、负荷功率数据一一对应。具体获取的风光数据对应位置为北纬36.5°、东经137.7°。

3.2 数据预处理

首先对历史风光数据和负荷数据进行归一化，由于从Ninja网站上获取的原始风光数据已是归一化后的数据，因此只对所有历史负荷数据进行归一化操作：

式中：xi,t为第i类特征的数据在t时刻的值。在完成归一化后，将历史风光数据和负荷数据按照四季的时间段分类，样本长度为一周，即每个功率样本为168 h。负荷按照周一到周日进行划分。

3.3 历史源荷聚类和气象距离计算

分别将历史源荷数据利用K-means方法按照气象进行聚类。所有聚类过程以最大轮廓系数作为类别数。其中每个簇内的每个样本包含着风光出力或者负荷的时间序列，以及对应同一时刻的各种气象要素的时间序列，每个样本包含的各种要素见附录表A1。在完成各源荷的聚类后，按照流程计算气象距离，气象距离矩阵结果如图3所示。

图3 日本气象距离矩阵
Fig. 3 Weather distance matrix for Japan

从气象距离矩阵可以看出，同一季节的气象模式之间气象距离较小，不同季节气象模式之间气象距离较大。由于春季和秋季的气象特征不明显，春秋两季的部分气象模式与其他季节的气象模式距离值较小。在聚合气象模式时，按样本量对匹配的气象模式进行筛选，以获得典型源荷耦合模式，各气象模式样本量如附录表A2所示。将部分相匹配的典型气象模式对应的气象数据每日平均值进行展示和对比分析，下面以夏季风光簇9、负荷簇1、夏季风光簇10和负荷簇2为例，以日本夏季气象每日平均最值的75%和25%为界限，75%以上定义为高，25%以下定义为低，例如每日平均温度在每日平均值的最值的75%以上则代表在夏季中的高温，25%以下则代表在夏季中的低温。统计4个簇中各气象的每日平均值在2个定义的范围中所占的比例，结果如表1所示。四簇各气象详细的展示图见附录图B1。

表1 聚类簇各气象每日平均值占比统计
Table 1 Statistics on the percentage of daily averages of each weather in clusters

从表1中可以看出，风光簇9和负荷簇1的各气象数据占比较为相近，风光簇10和负荷簇2的各气象数据占比较为相近，四簇两两匹配的情况也与气象距离的计算结果相对应。风光簇9和负荷簇1的每日平均温度在最值的75%以上和25%以下的占比在8%～14%之间，总体温度范围在高低温之间，温度较为适中；两者的地表辐射度在每日平均最值的75%以上占比稍多，在33%～39%之间，在每日平均最值的25%以下的占比较少，总体所处环境偏为晴朗；两者的风速在每日平均最值的25%以下占比较大，而大风情况几乎没有，总体的风速较小，大多为小风；两者的降雨量在25%以下占比很大，总体多处于少雨；两者的云量在每日平均最值的75%以上占比稍多，25%以下占比小于10%，整体多云情况偏多。风光簇10和负荷簇2的每日平均温度绝大多数在最值的75%以上，占比高达89%～93%之间，多为夏季的高温情况；两者的每日平均地表辐射度在最值75%以上的占比略多，在27%～28%之间，低辐射度占比较少，总体所处环境偏为晴朗，但相比前两簇较为晴朗的情况较少；两者的风速、降雨量和云量与前两簇类似，总体的风速和降雨量较小，大多为小风、少雨，多云情况偏多。

总体而言，风光簇9和负荷簇1所处的气象情况温度适中，多云情况偏多，大多情况为小风少雨；风光簇9和负荷簇1所处的气象情况温度绝大多数为高温，多云情况偏多，大多情况为小风少雨，晴朗情况相比前两簇要少。

3.4 基于生成对抗网络生成典型风光场景

本文应用2000—2020年的日本历史风光出力数据，采用生成对抗网络对风光出力进行建模，并通过K-means聚类方法约简，生成四季的典型风光场景。为衡量所生成场景的效果，将生成场景与历史风光出力数据的累计概率分布进行对比，结果如附录图B2所示。由附录图B2可得，生成场景与历史数据的累计概率分布较为贴合，说明所生成场景能够较好地表征历史风光出力特性。

3.5 基于典型源荷耦合模式匹配源荷耦合场景

在生成得到典型风光场景后，将场景与典型源荷耦合模式中的风光簇通过DTW计算的距离进行匹配，获得对应的源荷耦合场景，结果如图4所示。

图4 日本夏季典型源荷耦合场景
Fig. 4 Typical summer source-load coupling scenarios in Japan

图4（b）中的负荷场景整体高于图4（a）的负荷场景，这与2种场景所处的温度情况相对应；2种场景的风电出力整体较小，与大多处于小风的气象情况相对应；由于图4（a）场景所处的晴朗情况比例高于图4（b）场景，因此图4（a）场景的部分光伏出力的峰值高于图4（b）场景的峰值。总体上看，2种源荷耦合场景与各自对应的气象情况相符，表明本文方法能够匹配同一气象情况的源荷，生成对应气象情况的源荷耦合场景。

4 总结

本文提出了基于典型源荷耦合模式的中长期时序场景生成方法，采用气象距离衡量历史源荷多种气象模式的相似程度，并将典型气象模式的源荷聚合，得到各种典型源荷耦合模式；通过DTW计算的距离将生成的典型风光场景与典型源荷耦合模式相对应，从而得到典型源荷耦合场景。最后通过日本地区的算例分析验证所提模型和方法的有效性。主要的研究结论如下。

1）根据气象距离将相同气象模式下的源荷聚合成典型源荷耦合模式，增强了最终所生成的典型源荷场景的耦合特性，提高了场景在气象方面的可解释性。

2）基于生成式模型的场景生成方法常面临源荷数据来源不同、在时间上对应匹配的数据样本量少等问题，直接生成得到的中长期源荷耦合场景质量较差。本文通过基于气象距离的源荷气象模式匹配聚合方法，减少了以上问题对所生成场景的影响。

本文实现了由历史数据中的典型源荷耦合模式生成周长度的源荷耦合场景，未来可研究在考虑气候模型的基础上，对源荷耦合的年场景进行生成，以减少未来与现在区域内风光资源的差异，解决周场景直接拼接获取年场景可能带来的功率跳变问题。

参考文献

[1] 程杉，傅桐，李沣洋，等. 含高渗透可再生能源的配电网灵活性供需协同规划[J]. 电力系统保护与控制，2023，51(22)：1-12.CHENG Shan, FU Tong, LI Fengyang, et al. Flexible supply demand collaborative planning for distribution networks with high penetration of renewable energy[J]. Power System Protection and Control, 2023, 51(22): 1-12 (in Chinese).

[2] FANG B M, QIU W Q, WANG M C, et al. Evaluation index system of shared energy storage market towards renewable energy accommodation scenario: a China’s Qinghai Province context[J]. Global Energy Interconnection, 2022, 5(1): 77-95.

[3] 李军徽，安晨宇，李翠萍，等. 计及调峰市场交易的储能-新能源-火电多目标优化调度[J]. 电工技术学报，2023，38(23)：6391-6406.LI Junhui, AN Chenyu, LI Cuiping, et al. Multi-objective optimization scheduling method considering peak regulating market transactions for energy storage-new energy-thermal power[J]. Transactions of China Electrotechnical Society,2023, 38(23): 6391-6406 (in Chinese).

[4] 陈凡，徐浪，赵美莲，等. 考虑气象影响的电力系统运行可靠性评估[J]. 电力工程技术，2023，42(6)：130-140.CHEN Fan, XU Lang, ZHAO Meilian, et al. Operational reliability evaluation of power system considering meteorological impacts[J]. Electric Power Engineering Technology, 2023,42(6): 130-140 (in Chinese).

[5] 刘泽洪，周原冰，金晨. 支撑新能源基地电力外送的电源组合优化配置策略研究[J]. 全球能源互联网，2023，6(2)：101-112.LIU Zehong, ZHOU Yuanbing, JIN Chen. Optimization strategy study on installation mix of renewable energy power base for supporting outbound delivery[J]. Journal of Global Energy Interconnection, 2023, 6(2): 101-112 (in Chinese).

[6] 李湃，王伟胜，黄越辉，等. 大规模新能源基地经特高压直流送出系统中长期运行方式优化方法[J]. 电网技术，2023，47(1)：31-44.LI Pai, WANG Weisheng, HUANG Yuehui, et al. Method on optimization of medium and long term operation modes of largescale renewable energy power base through UHVDC system[J].Power System Technology, 2023, 47(1): 31-44 (in Chinese).

[7] 李奇，赵淑丹，蒲雨辰，等. 考虑电氢耦合的混合储能微电网容量配置优化[J]. 电工技术学报，2021，36(3)：486-495.LI Qi, ZHAO Shudan, PU Yuchen, et al. Capacity optimization of hybrid energy storage microgrid considering electricityhydrogen coupling[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 486-495 (in Chinese).

[8] 李湃，黄越辉，张金平，等. 多能互补发电系统电/热/氢储能容量协调优化配置[J/OL]. 中国电机工程学报，1-11[2024-04-04]. https://doi.org/10.13334/j.0258-8013.pcsee.182412.

[9] 江友华，刘弘毅，叶尚兴，等. 考虑电压质量及灵活性的高比例新能源配电网储能-无功优化配置[J]. 电力建设，2023，44(9)：68-79.JIANG Youhua, LIU Hongyi, YE Shangxing, et al. Energystorage and reactive-power optimization of a high-proportional new energy distribution network considering voltage quality and flexibility[J]. Electric Power Construction, 2023, 44(9):68-79 (in Chinese).

[10] 秦海杰，郑鹏远，王雅琳，等. 基于数据驱动期望场景集序列的微电网鲁棒经济调度算法[J/OL]. 现代电力，1-10（2023-10-08）[2024-04-04]. https://doi.org/10.19725/j.cnki.1007-2322.2022.0359.

[11] 李佳明，李文启，鲁宗相，等. 考虑系统灵活性的储能-输电线路扩展联合规划[J]. 中国电力，2021，54(4)：158-167.LI Jiaming, LI Wenqi, LU Zongxiang, et al. Joint expansion planning of energy storage and transmission considering power system flexibility[J]. Electric Power, 2021, 54(4): 158-167 (in Chinese).

[12] 袁铁江，郭建华，杨紫娟，等. 平抑风电波动的电-氢混合储能容量优化配置[J]. 中国电机工程学报，2024，44(4)：1397-1406.YUAN Tiejiang, GUO Jianhua, YANG Zijuan, et al. Optimal allocation of power electric-hydrogen hybrid energy storage of stabilizing wind power fluctuation[J]. Proceedings of the CSEE, 2024, 44(4): 1397-1406 (in Chinese).

[13] 胡石峰，朱瑞金，唐波. 含有梯度惩罚的WGAN光伏功率场景生成方法[J]. 电力系统及其自动化学报，2022，34(11)：109-115.HU Shifeng, ZHU Ruijin, TANG Bo. PV power scenario generation method based on Wasserstein generative adversarial networks with gradient penalty[J]. Proceedings of the CSUEPSA, 2022, 34(11): 109-115 (in Chinese).

[14] 于龙泽，肖白，孙立国. 风光出力场景生成的条件深度卷积生成对抗网络方法[J]. 东北电力大学学报，2021，41(6)：90-99.YU Longze, XIAO Bai, SUN Liguo. Conditional depth convolution generation of confrontation network method for scenery output scenario generation[J]. Journal of Northeast Electric Power University, 2021, 41(6): 90-99 (in Chinese).

[15] 廖文龙，杨德昌，葛磊蛟，等. 基于像素卷积生成网络的可再生能源场景生成[J]. 高电压技术，2022，48(4)：1320-1331.LIAO Wenlong, YANG Dechang, GE Leijiao, et al. Renewable energy scenario generation based on pixel convolutional generative networks[J]. High Voltage Engineering, 2022,48(4): 1320-1331 (in Chinese).

[16] JIANG C M, MAO Y F, CHAI Y, et al. Scenario generation for wind power using improved generative adversarial networks[J]. IEEE Access, 1809, 6: 62193-62203.

[17] 朱瑞金，廖文龙，王玥珑，等. 基于生成矩匹配网络的光伏和风电随机场景生成[J]. 高电压技术，2022，48(1)：374-385.ZHU Ruijin, LIAO Wenlong, WANG Yuelong, et al.Stochastic scenarios generation for wind power and photovoltaic system based on generative moment matching network[J].High Voltage Engineering, 2022, 48(1): 374-385 (in Chinese).

[18] LI J B, CHEN Z Q, CHENG L, et al. Energy data generation with Wasserstein deep convolutional generative adversarial networks[J]. Energy, 2022, 257: 124694.

[19] YILMAZ B, KORN R. Synthetic demand data generation for individual electricity consumers: generative Adversarial Networks (GANs)[J]. Energy and AI, 2022, 9: 100161.

[20] 朱庆，郑红娟，唐子逸，等. 基于生成对抗网络的综合能源负荷场景生成方法[J]. 电力建设，2021，42(12)：1-8.ZHU Qing, ZHENG Hongjuan, TANG Ziyi, et al. Load scenario generation of integrated energy system using generative adversarial networks[J]. Electric Power Construction, 2021, 42(12): 1-8 (in Chinese).

[21] 王新迎，李烨，董骁翀，等. 基于变分自编码器的主动配电网多源-荷场景生成方法[J]. 电网技术，2021，45(8)：2962-2968.WANG Xinying, LI Ye, DONG Xiaochong, et al. Multisource-load scenario generation of active distribution network based on variational autoencoder[J]. Power System Technology, 2021, 45(8): 2962-2968 (in Chinese).

[22] 曾爽，丁屹峰，李香龙，等. 基于条件时序生成对抗网络的楼宇空调负荷场景生成方法[J]. 电网技术，2022，46(7)：2448-2456.ZENG Shuang, DING Yifeng, LI Xianglong, et al. Scenario generation of air conditioning loads in buildings based on conditional TimeGAN[J]. Power System Technology, 2022,46(7): 2448-2456 (in Chinese).

[23] 王守相，陈海文，李小平，等. 风电和光伏随机场景生成的条件变分自动编码器方法[J]. 电网技术，2018，42(6)：1860-1869.WANG Shouxiang, CHEN Haiwen, LI Xiaoping, et al.Conditional variational automatic encoder method for stochastic scenario generation of wind power and photovoltaic system[J].Power System Technology, 2018, 42(6): 1860-1869 (in Chinese).

[24] 黄南天，王文婷，蔡国伟，等. 计及复杂气象耦合特性的模块化去噪变分自编码器多源-荷联合场景生成[J]. 中国电机工程学报，2019，39(10)：2924-2934.HUANG Nantian, WANG Wenting, CAI Guowei, et al. The joint scenario generation of multi source-load by modular denoising variational autoencoder considering the complex coupling characteristics of meteorology[J]. Proceedings of the CSEE, 2019, 39(10): 2924-2934 (in Chinese).

[25] YUAN R, WANG B, SUN Y Q, et al. Conditional stylebased generative adversarial networks for renewable scenario generation[J]. IEEE Transactions on Power Systems, 2023,38(2): 1281-1296.

[26] 李大光，杨凤瑞，任柏合. 气象要素对人体舒适度预报的影响分析[J]. 农业与技术，2017，37(12)：240.LI Daguang, YANG Fengrui, REN Baihe. Analysis of the influence of meteorological factors on human comfort prediction[J]. Agriculture and Technology, 2017, 37(12): 240(in Chinese).

[27] 王飞，米增强，甄钊，等. 基于天气状态模式识别的光伏电站发电功率分类预测方法[J]. 中国电机工程学报，2013，33(34)：75-82.WANG Fei, MI Zengqiang, ZHEN Zhao, et al. A classified forecasting approach of power generation for photovoltaic plants based on weather condition pattern recognition[J].Proceedings of the CSEE, 2013, 33(34): 75-82 (in Chinese).

[28] Renewables.ninja[EB/OL].(2022-12-8)[2023-3-25]. https://www.renewables.ninja/.

[29] PFENNINGER S, STAFFELL I. Long-term patterns of European PV output using 30 years of validated hourly reanalysis and satellite data[J]. Energy, 2016, 114: 1251-1265.

[30] STAFFELL I, PFENNINGER S. Using bias-corrected reanalysis to simulate current and future wind power output[J].Energy, 2016, 114: 1224-1239.

[31] Organization for cross-regional coordination of transmission operator [DS/OL]. (2015-6-2) [2023-3-25]. https://www.occto.or.jp/en/.

附录A

表A1 聚类簇所包含的内容
Table A1 The elements that clusters contain

表A2 各气象模式样本量占比
Table A2 Percentage of sample size for each meteorological mode

附录B

图B1 四簇的各气象要素展示图
Fig. B1 Display graph of each meteorological element for the four clusters

图B2 四季风电和光伏累计概率分布对比图
Fig. B2 Comparison of cumulative probability distributions for wind and PV in four season

收稿日期：2023-09-25；修回日期：2023-12-18。

作者简介：

黄津钜

黄津钜（2000），男，硕士研究生，研究方向为人工智能在电力系统中的应用，E-mail：1244470602@qq.com。

赵鹏飞（1993），男，博士研究生，研究方向为新型电力系统规划，E-mail：pf.zhao@hotmail.com。

周航（1999），女，硕士研究生，研究方向为人工智能在电力系统中的应用，E-mail：zhouhang1093@foxmail.com。

孙英云（1975），男，博士，教授，研究方向为新型电力系统规划、调度和运行，人工智能在能源互联网中的应用。通信作者，E-mail：sunyy@ncepu.edu.cn。