引言

在“双碳”目标引领与数字经济深度发展的双重驱动下[1]，能源绿色低碳转型与数字化升级成为产业发展的核心方向，电算融合作为融合电力产业与算力产业的创新发展模式，更是实现清洁能源高效消纳、算力产业绿色低碳发展的重要引擎。

电力行业加速向清洁低碳转型，新能源装机规模持续扩大，但其出力的波动性、间歇性对电力系统调峰消纳、稳定运行提出更高要求[2]；而算力产业作为数字经济的核心基础设施，数据中心等算力载体能耗需求持续攀升，绿色低碳转型成为其高质量发展的必然要求，二者的协同融合具备天然的产业互补性。电算融合以“电力带动算力绿色化升级，算力驱动电力数字化转型”为核心，通过将算力资源的灵活调节特性与电力系统的运行规划、优化调度深度结合，实现电力与算力的双向赋能和协同发展，形成“绿电供应-算力消纳-产业集聚”的良性循环，一方面能助力绿色算力与能源转型，另一方面能利用算力资源的灵活性缓解保供压力[3]。

电算协同是通过电网调度、电价信号或碳交易机制，引导算力负荷主动响应光伏出力的变化，以实现绿电消纳和系统经济运行。配电网与数据中心的协同运行对电网规划的精准性提出了全新要求，负荷波动、电价变化、算力需求突变等多因素耦合特征凸显。传统配电网规划模式难以适配电算协同运行的多元需求，亟需构建适配电算协同的规划体系，实现电力与算力系统的协同规划，而高质量的规划场景生成则成为支撑电算协同配电网规划仿真、运行评估、方案优化的基础，推动电算融合从产业形态融合向技术体系融合迈进。

在电力系统规划领域，场景（Scenario）是指对未来不确定因素的一种可能的、完整的时序实现路径描述。具体而言，一个场景是某特定条件下（如特定季节、天气类型）的一组时间序列数据，完整刻画了从起始时刻到终止时刻的状态演变轨迹。例如，一个典型日光伏出力场景包含从0时至24时的逐时光伏发电功率序列，反映了当日辐射强度、温度等综合影响下的具体出力曲线；与之对应的算力负荷场景则是在相同时间断面下，由任务需求与电价信号共同驱动的数据中心功率消耗序列。场景生成的核心目标在于从海量历史数据或物理模型中，提炼出数量有限但概率代表性充分的场景集，以近似表征不确定性因素的全概率空间，从而在保证计算可处理性的同时，为规划决策提供可靠的数据基础。场景生成技术是用较少的场景来准确描述变量的随机变化特征，用于精准刻画优化调度模型中可再生能源出力等变量的随机特征。其核心目标是通过最小化生成场景与原始分布之间的概率距离，构造能够准确表征随机变量统计特性的场景集。

场景生成方法主要有抽样类和预测类。抽样类方法基于统计学原理，以历史数据为样本，通过特定的采样策略生成符合原始数据统计特征的场景序列。典型的抽样方法包括蒙特卡罗法及其改进形式，如马尔可夫链蒙特卡罗法、拉丁超立方抽样法以及Copula函数抽样法等[4]。抽样类方法原理直观、实现简便，但其生成精度依赖于样本规模，样本数量不足时难以保证场景的代表性。文献[4]利用马尔科夫链蒙特卡洛法处理日状态转移过程，为后续日场景生成提供状态标签。文献[5]提出一种基于季划分与日聚类的方法，构建日类型转移模型的风电出力场景生成方法，结合联合分布抽样与优化生成日风电出力序列，并支持指定极端场景。文献[6]采用改进的核K-means算法对历史光伏数据进行聚类，生成光伏典型场景。预测类则通过构建数据驱动模型，从历史数据中学习随机变量的演变规律，进而生成未来场景。传统预测方法以自回归移动平均（Autoregressive Moving Average, ARMA）模型为代表，能够捕捉变量的线性时序依赖关系。近年来随着深度学习技术的发展，生成对抗网络（Generative Adversarial Network, GAN）、变分自编码器等模型在新能源场景生成中应用广泛。文献[6]构建变分自编码器学习负荷数据的隐空间分布，通过采样与重构生成负荷场景。文献[7]提出基于改进GAN的光伏出力场景生成方法，将瓦瑟斯坦生成对抗网络（Wasserstein Generative Adversarial Network, WGAN）与条件生成对抗网络（Conditional Generative Adversarial Network, CGAN）进行融合改进。文献[8]利用马尔科夫链蒙特卡洛法与CGAN，分别处理日状态转移与日场景生成，生成周净发电功率典型场景。文献[9]采用基于RV系数的聚类技术提取代表性日发电状态，并利用马尔可夫链刻画日状态转移规律；进而构建引入注意力机制与时序卷积网络的生成对抗网络，在日状态标签的监督下生成日内风光功率时序典型场景。文献[10]利用深度信念网络对风电、光伏历史出力数据进行无监督学习，通过多层受限玻尔兹曼机提取出力序列高维非线性特征，结合马尔可夫链刻画出力状态时序转移规律，生成风光出力场景。文献[11]采用了基于CGAN的风电日前出力场景生成方法。

现有场景生成研究缺少针对电算融合领域下的配电网规划典型场景，面对“东数西算”工程的深入实施与新型电力系统的加速构建，迫切需要考虑电算协同的，能够同时刻画光伏出力与算力负荷耦合特性的典型场景生成方法。考虑到抽样类方法在生成精度上的局限性，本文采用预测类方法，提出一种基于条件扩散模型的配电网规划场景生成方法，根据时间特征、气温、算力任务量、电价等条件变量定向生成相应的光伏出力和算力负荷典型场景。一方面，定向生成场景可以提高生成场景的实用性和可控性[12]；另一方面，扩散模型通过逐步去噪的方式学习数据分布，在训练稳定性、生成多样性以及对高维联合分布的拟合精度方面有明显优势，比GAN更适合处理光伏与算力负荷这类具有复杂耦合关系的多变量时序场景生成问题。目前已有研究将扩散模型用于新能源电网的出力和负荷场景生成[12-15],文献[12]中对两种方法进行了对比，验证了扩散模型在风光出力场景生成的精度与稳定性优势。

本文采用的基于条件扩散模型的面向电算协同的配电网规划场景生成方法，主要有三点创新点：（1）面向电算协同这一新兴场景，设计了配电网规划的场景生成方法，将条件扩散模型引入电算协同领域，构建了能够同时刻画光伏出力波动性与算力负荷可调节特性的联合场景生成框架；（2）提出基于混合整数规划（Mixed Integer Programming, MIP）与扩散模型的两阶段因果生成框架，以MIP生成场景训练扩散模型，使生成场景具备业务因果性；（3）扩散模型相比GAN，训练更稳定、生成更多样、联合分布建模更准确。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000007097

作者信息：

龚桃荣1，刘雨晴1，崔灿2

（1.电网安全全国重点实验室（中国电力科学研究院有限公司），北京 100192；

2.国网山东省电力公司经济技术研究院，山东 济南 250021）