基于生成對(duì)抗網(wǎng)絡(luò)的綜合能源負(fù)荷場景生成方法

朱慶,鄭紅娟,唐子逸,韋思雅,鄒子驍,吳熙

(1. 國電南瑞科技股份有限公司，南京市 211106；2. 國網(wǎng)浙江杭州市余杭區(qū)供電有限公司，杭州市 311100；3. 東南大學(xué)電氣工程學(xué)院，南京市 210096)

0 引 言

綜合能源系統(tǒng)是多種能源協(xié)調(diào)形成的產(chǎn)消一體化系統(tǒng)，在提高能源利用率，推進(jìn)能源供給改革等方面發(fā)揮了巨大作用[1]。由于數(shù)據(jù)采樣和傳輸過程中存在不可避免的干擾甚至故障，導(dǎo)致實(shí)際計(jì)量數(shù)據(jù)的丟失或異常，對(duì)基于綜合能源負(fù)荷場景的計(jì)量仿真和規(guī)劃運(yùn)行研究造成很大影響[2]，因此亟需一種適用于綜合能源高隨機(jī)和多能耦合特點(diǎn)的場景生成方法。此外，隨著高比例新能源和儲(chǔ)能系統(tǒng)的加入，原本就存在能源耦合的綜合能源系統(tǒng)負(fù)荷場景所面臨的情況更加復(fù)雜[3-4]。

目前較為常用的場景生成方法是基于統(tǒng)計(jì)模型[5-10]和基于人工智能的方法[11-17]。基于統(tǒng)計(jì)模型的方法主要有馬爾可夫鏈法、時(shí)間序列法、蒙特卡洛法等；基于人工智能的方法主要有生成對(duì)抗網(wǎng)絡(luò)(generative adversarial networks, GAN)方法?；诮y(tǒng)計(jì)模型的場景生成方法有賴于實(shí)踐經(jīng)驗(yàn)，很難對(duì)系統(tǒng)結(jié)構(gòu)存在差異的綜合能源系統(tǒng)進(jìn)行概率分布的顯式建模。近些年生成對(duì)抗網(wǎng)絡(luò)方法逐漸應(yīng)用于傳統(tǒng)負(fù)荷場景[11-12]、風(fēng)光新能源場景[13-14]和電動(dòng)汽車場景[15]的生成。文獻(xiàn)[13]基于條件卷積生成對(duì)抗網(wǎng)絡(luò)，學(xué)習(xí)目標(biāo)新能源電站臨近電站的場景數(shù)據(jù)，補(bǔ)充該目標(biāo)電站的缺失數(shù)據(jù)。文獻(xiàn)[14]基于條件生成對(duì)抗網(wǎng)絡(luò)研究可再生能源日前場景生成，提高了風(fēng)電預(yù)測的準(zhǔn)確性。文獻(xiàn)[15]結(jié)合了聚類算法和改進(jìn)生成對(duì)抗網(wǎng)絡(luò)模型，從而獲得更豐富的電動(dòng)汽車充電電流場景。文獻(xiàn)[16]應(yīng)用了梯度懲罰項(xiàng)，以改善生成對(duì)抗網(wǎng)絡(luò)擬合效果、提高風(fēng)電功率場景的生成質(zhì)量。文獻(xiàn)[17]以日期、溫度和歷史數(shù)據(jù)作為條件，提出了一種對(duì)分布式能源隨機(jī)性負(fù)荷建模的條件生成對(duì)抗網(wǎng)絡(luò)模型。

上述文獻(xiàn)主要研究了電力負(fù)荷場景、電動(dòng)汽車場景、風(fēng)力發(fā)電場景等均為單一類型負(fù)荷場景的生成方法，并不涉及到多元負(fù)荷形式及其相互耦合關(guān)系。本文研究的綜合能源系統(tǒng)負(fù)荷場景涉及到冷、熱、電等多種能源形式，存在多能源系統(tǒng)的耦合以及不同能源之間的交互影響，具有時(shí)序性、高隨機(jī)性和耦合性等特點(diǎn)，問題的復(fù)雜性使得上述文獻(xiàn)提及的生成方法在本文綜合能源負(fù)荷場景中可用性大大降低。

本文提出一種結(jié)合基于梯度懲罰優(yōu)化的Wasserstein生成對(duì)抗網(wǎng)絡(luò)模型和深度長短期記憶(long short-term memory, LSTM)的綜合能源負(fù)荷場景生成方法。首先，模型使用Wasserstein距離和梯度懲罰機(jī)制優(yōu)化負(fù)荷場景中容易出現(xiàn)的梯度消失和模式崩潰的問題，提高生成對(duì)抗網(wǎng)絡(luò)的可靠性、穩(wěn)定性和擬合概率分布能力，更適用于隨機(jī)性較高的綜合能源負(fù)荷場景。其次，為更有效地提取場景中的時(shí)序特征，采用深度LSTM網(wǎng)絡(luò)構(gòu)建GAN的生成器和判別器，強(qiáng)化網(wǎng)絡(luò)的時(shí)序特性和非線性擬合能力，使其更能突出綜合能源場景多元負(fù)荷之間的時(shí)序特性和關(guān)聯(lián)性。最后，通過算例驗(yàn)證所提方法在概率分布、時(shí)序特征和負(fù)荷相關(guān)性方面的生成效果，并與蒙特卡洛法和原始生成對(duì)抗網(wǎng)絡(luò)算法進(jìn)行對(duì)比。

1 綜合能源負(fù)荷場景

綜合能源系統(tǒng)的負(fù)荷具有隨機(jī)性，同時(shí)也存在能源之間的相互耦合。多能源耦合使得負(fù)荷之間的關(guān)系比單一能源系統(tǒng)更緊密，某種負(fù)荷用能變化會(huì)對(duì)其他負(fù)荷產(chǎn)生相應(yīng)影響。例如，電負(fù)荷和熱負(fù)荷之間通過電鍋爐等方式耦合，冷負(fù)荷和電負(fù)荷之間通過電制冷機(jī)耦合。

綜合能源系統(tǒng)負(fù)荷的復(fù)雜動(dòng)態(tài)特性、耦合與時(shí)變特性對(duì)建模提出了獨(dú)特的挑戰(zhàn)。一方面，生成負(fù)荷的概率分布要與高隨機(jī)性真實(shí)負(fù)荷保持一致；另一方面，生成負(fù)荷的時(shí)變特性要在幅值、波動(dòng)、峰值等方面有所體現(xiàn)。

2 改進(jìn)的GAN模型

2.1 生成對(duì)抗網(wǎng)絡(luò)模型

生成對(duì)抗網(wǎng)絡(luò)由Ian Goodfellow首次提出[18]，其核心思想是生成器和判別器相互競爭的納什均衡。在博弈訓(xùn)練過程中，生成器的生成能力和判別器的判別能力越來越強(qiáng)，直到達(dá)到平衡點(diǎn)為止，此時(shí)判別器無法對(duì)生成器樣本的真假進(jìn)行判別。生成器和判別器經(jīng)過相互訓(xùn)練提高生成能力和判別能力的過程，也即二者探索納什均衡的過程[19]。

生成器和判別器的損失函數(shù)可以分別定義為：

LG=-EZ{D[G(Z,θG),θG]}

(1)

LD=-EX{D(Strain,θD)+
EZ{D[G(Z,θG),θD]}}

(2)

式中：LG、LD分別為生成器和判別器的損失函數(shù)；θG表示生成器的網(wǎng)絡(luò)參數(shù)；θD表示判別器的網(wǎng)絡(luò)參數(shù)；G(Z,θG)表示生成器接收隨機(jī)的噪聲Z，通過不同功能的神經(jīng)元進(jìn)行一系列采樣操作，輸出生成的樣本數(shù)據(jù)；D(Strain,θD)和D[G(Z,θG),θD]分別表示訓(xùn)練樣本和生成樣本作為輸入時(shí)判別器的輸出；EZ(·)和EX(·)分別表示對(duì)噪聲分布的期望值和訓(xùn)練樣本分布的期望值。當(dāng)輸入來自真實(shí)樣本數(shù)據(jù)時(shí)，損失函數(shù)LD期望輸出盡可能接近1；當(dāng)輸入來自生成器生成的樣本時(shí)，損失函數(shù)LG期望輸出盡可能接近0。

根據(jù)GAN的訓(xùn)練規(guī)則，可以分別固定生成器和判別器，形成一個(gè)極大極小博弈問題。令GAN網(wǎng)絡(luò)的目標(biāo)函數(shù)為V(G,D)，則該博弈問題可以表示為：

(3)

2.2 Wasserstein GAN

相關(guān)研究表明，原始GAN模型存在訓(xùn)練不收斂問題[2]。訓(xùn)練過程中生成器和判別器的損失函數(shù)都不會(huì)出現(xiàn)明顯的收斂過程，模型的訓(xùn)練程度只能通過觀察生成樣本的好壞間接判斷，缺少直接顯示訓(xùn)練程度的表征。

為了解決上述問題，采用基于Wasserstein距離的WGAN模型進(jìn)行綜合能源負(fù)荷場景生成。Wasserstein距離代表模型訓(xùn)練過程中負(fù)荷真實(shí)分布與生成分布之間的距離，會(huì)隨網(wǎng)絡(luò)參數(shù)訓(xùn)練不斷收斂。因此Wasserstein距離可以作為算法訓(xùn)練程度和生成質(zhì)量的評(píng)估指標(biāo)，用于衡量GAN訓(xùn)練擬合程度和生成負(fù)荷場景概率分布的合理性。

Wasserstein距離的定義為：

(4)

式中：π(x,x′)為滿足p(x)與p(x′)邊緣分布的聯(lián)合概率密度函數(shù)；d(x,x′)為場景間距離測度。

由于Wasserstein距離的計(jì)算成本較高，在GAN中可以使用Kantorovich-Rubinstein對(duì)偶簡化Wasserstein距離的計(jì)算，其公式為：

(5)

式中：‖f(x)‖L≤1表示f(x)遵循1-Lipschitz函數(shù)，其導(dǎo)數(shù)絕對(duì)值上界為1；pr為真實(shí)歷史數(shù)據(jù)的樣本分布；pg為生成對(duì)抗網(wǎng)絡(luò)生成樣本的概率分布；sup(·)函數(shù)是可以求解某條件下最小上邊界的函數(shù)。

雖然WGAN目標(biāo)函數(shù)使生成器的優(yōu)化更加容易，但是對(duì)于某些特定的輸入，其仍然可能產(chǎn)生低質(zhì)量的樣本，或者在某些設(shè)置下無法收斂。通過引入梯度罰分項(xiàng)Gp來限制生成器和判別器的梯度下降，改善WGAN算法在收斂速度和收斂穩(wěn)定性方面存在的問題。

Gp=λ·Ex′～p(x′){[‖D(x′)‖-1]2}

(6)

因此，目標(biāo)函數(shù)V(G,D)轉(zhuǎn)換為：

(7)

2.3 基于LSTM的生成器和判別器

為了確保模型有效捕捉綜合能源負(fù)荷數(shù)據(jù)的時(shí)序特征，挖掘多元負(fù)荷中隱含的相互依賴關(guān)系，本文采用LSTM模型構(gòu)建深度LSTM網(wǎng)絡(luò)設(shè)計(jì)生成器和判別器。由于LSTM內(nèi)部的記憶機(jī)制，深度LSTM模型能夠捕捉時(shí)間相關(guān)性[20]，在時(shí)序上反向傳播不容易出現(xiàn)梯度消失，且更適用于綜合能源多元負(fù)荷時(shí)間序列數(shù)據(jù)的非線性和時(shí)序性。

生成器和判別器結(jié)構(gòu)如圖1所示。生成器和判別器由輸入層、深度LSTM層、全連接層和池化層構(gòu)成，深度LSTM層由多層LSTM模型構(gòu)成。通過狀態(tài)信息在同層之間、層與層之間的傳遞，該神經(jīng)網(wǎng)絡(luò)理論上能夠應(yīng)對(duì)更復(fù)雜的時(shí)間序列，比淺層架構(gòu)的神經(jīng)網(wǎng)絡(luò)具有更好的泛化效果。

圖1 生成器和判別器結(jié)構(gòu)Fig.1 Structure of generator and discriminator

2.4 模型訓(xùn)練

基于圖1生成對(duì)抗網(wǎng)絡(luò)架構(gòu)，構(gòu)建綜合能源負(fù)荷生成模型，具體實(shí)現(xiàn)方法為：1)構(gòu)建淺層架構(gòu)和較少神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)的初始模型，選擇通用超參數(shù)配置以保證收斂的穩(wěn)定性；2)根據(jù)初始模型確定超參數(shù)調(diào)節(jié)閾值，尋找模型最優(yōu)超參數(shù)。為提高生成數(shù)據(jù)質(zhì)量，并在避免過擬合的前提下保證Wasserstein距離最近，參考文獻(xiàn)[21-23]，設(shè)置超參數(shù)閾值如表1所示。

依據(jù)模型調(diào)參結(jié)果，確定生成器由一個(gè)深度LSTM層和一個(gè)全連接層組成。深度LSTM層具有4個(gè)隱藏層，每層有300個(gè)LSTM單位，全連接層使用了線性整流函數(shù)(rectified linear unit, ReLU)。判別器由一個(gè)深度LSTM層、一個(gè)全連接層和一個(gè)平均池化層組成。LSTM層由4個(gè)隱藏層組成，每層有300個(gè)LSTM單位，全連接層采用ReLU函數(shù)。

表1 負(fù)荷生成模型的超參數(shù)閾值Table 1 Hyper-parameter threshold of load generation model

依據(jù)文獻(xiàn)[24-25]，生成對(duì)抗網(wǎng)絡(luò)生成器的輸入噪聲分布會(huì)一定程度影響訓(xùn)練收斂速度，考慮到電負(fù)荷波動(dòng)較大，冷熱負(fù)荷波動(dòng)較小，采用N(0,5)分布作為電負(fù)荷模型的噪聲輸入，采用N(0,1)分布作為冷負(fù)荷和熱負(fù)荷的噪聲輸入。

3 綜合能源多元負(fù)荷場景生成

3.1 數(shù)據(jù)預(yù)處理

由于神經(jīng)網(wǎng)絡(luò)的激活函數(shù)在[0, 1]區(qū)間輸入時(shí)具有良好的非線性，因此需要對(duì)數(shù)據(jù)進(jìn)行歸一化。為了保證數(shù)據(jù)量級(jí)的統(tǒng)一，使用最大最小歸一化對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，實(shí)現(xiàn)對(duì)原始數(shù)據(jù)的等比例縮放。每個(gè)數(shù)據(jù)的值被縮放為介于0和1之間的值，如下所示：

(8)

3.2 生成步驟

綜合能源負(fù)荷場景生成模型如圖2所示，生成器基于噪聲Z產(chǎn)生的生成負(fù)荷場景和經(jīng)過預(yù)處理后的真實(shí)負(fù)荷場景混合在一起傳遞給判別器識(shí)別。判別器根據(jù)原始網(wǎng)絡(luò)參數(shù)和樣本標(biāo)簽計(jì)算損失函數(shù)，通過反向傳播更新網(wǎng)絡(luò)參數(shù)。

GAN通過2個(gè)對(duì)抗性網(wǎng)絡(luò)交替訓(xùn)練實(shí)現(xiàn)損失函數(shù)和網(wǎng)絡(luò)權(quán)重的更新。經(jīng)過算法驗(yàn)證，綜合能源負(fù)荷場景生成中生成器和判別器的訓(xùn)練進(jìn)度以1∶1交替訓(xùn)練時(shí)，生成器與判別器的權(quán)重更新速率不匹配。為了確保每次更新生成器時(shí)，判別器都有足夠的步數(shù)移動(dòng)到最佳點(diǎn)，本文模型中生成器的學(xué)習(xí)率設(shè)置為判別器的5倍[26]。即判別器訓(xùn)練5次，生成器訓(xùn)練一次。不斷重復(fù)上述訓(xùn)練過程，直至2個(gè)網(wǎng)絡(luò)損失函數(shù)收斂，此時(shí)生成器具備生成逼真樣本的能力。

圖2 GAN訓(xùn)練流程Fig.2 Training process of generative adversarial networks

4 算例分析

4.1 數(shù)據(jù)描述

本文使用來自美國亞利桑那州立大學(xué)Campus Metabolism綜合能源平臺(tái)的每日24 h的電、冷、熱負(fù)荷數(shù)據(jù)構(gòu)建場景集。數(shù)據(jù)的時(shí)間間隔為1 h。

4.2 模型訓(xùn)練與場景生成

Wasserstein作為真實(shí)負(fù)荷場景與基于訓(xùn)練集的生成負(fù)荷場景的距離指標(biāo)，指導(dǎo)并反映模型的訓(xùn)練程度和訓(xùn)練效果。在訓(xùn)練的早期階段，Wasserstein距離相對(duì)較大，真實(shí)樣本和生成樣本表現(xiàn)出很大的差異，這是因?yàn)樯善鞔藭r(shí)還未學(xué)習(xí)到真實(shí)數(shù)據(jù)的分布。Wasserstein距離隨訓(xùn)練變化情況如圖3所示。隨著訓(xùn)練的進(jìn)行，判別器通過和生成器的持續(xù)對(duì)抗提升判別能力，Wasserstein距離越來越小，最終保持在0.01附近波動(dòng)。這表明判別器已經(jīng)無法準(zhǔn)確判別出樣本的來源是真實(shí)樣本還是生成樣本，生成器已經(jīng)具備生成擬真樣本的能力。

圖3 Wasserstein距離隨訓(xùn)練變化情況Fig.3 Wasserstein distance changes with training

從未被模型學(xué)習(xí)過的測試集中隨機(jī)抽取真實(shí)場景，對(duì)多條生成場景進(jìn)行驗(yàn)證。生成場景與真實(shí)場景樣本數(shù)據(jù)比較如圖4所示。本文方法所生成的負(fù)荷場景與真實(shí)樣本基本一致，準(zhǔn)確地捕捉了冷熱電負(fù)荷場景的標(biāo)志性特征，如峰值、谷值和波動(dòng)性。譬如，冷負(fù)荷和熱負(fù)荷波動(dòng)較為平穩(wěn)，其分別在15:00、07:00左右到達(dá)用電高峰，04:00、16:00左右到達(dá)用電低谷；電負(fù)荷隨機(jī)性、波動(dòng)性強(qiáng)，白天相比夜晚負(fù)荷更高。

圖4 生成場景與真實(shí)場景樣本數(shù)據(jù)比較Fig.4 Comparison of sample data between generated and real scenarios

4.3 場景生成質(zhì)量評(píng)估

綜合能源負(fù)荷生成場景可以從場景集的時(shí)序特性、概率分布特性、冷熱電負(fù)荷之間相關(guān)性3個(gè)方面進(jìn)行評(píng)估。

1)時(shí)序特性。

為研究生成場景與真實(shí)場景在時(shí)序特性方面的相關(guān)性，引入自相關(guān)系數(shù)對(duì)比場景的時(shí)序相關(guān)性[27]。自相關(guān)系數(shù)反映了原負(fù)荷序列與滯后τh負(fù)荷序列之間的相關(guān)性，具有驗(yàn)證生成樣本學(xué)習(xí)時(shí)間序列相關(guān)性的能力，可應(yīng)用于場景生成領(lǐng)域。

本文方法生成場景與真實(shí)場景自相關(guān)系數(shù)比較如圖5所示，在滯后0～10 h的范圍內(nèi)，本文方法所生成的冷、熱、電場景和真實(shí)場景的自相關(guān)系數(shù)一致性較高，生成場景的時(shí)序特性滿足真實(shí)場景時(shí)序特性的要求。

圖5 本文方法生成場景與真實(shí)場景自相關(guān)系數(shù)比較Fig.5 Comparison of autocorrelation between generated and real scenarios

2)概率分布特性。

累積分布函數(shù)(cumulative distribution function, CDF)可以直觀表征負(fù)荷場景的概率分布，方便對(duì)比真實(shí)負(fù)荷場景與生成負(fù)荷場景之間的關(guān)系。本文采用累積分布函數(shù)分析生成場景的概率分布特性。

圖6給出了本文方法、蒙特卡洛法和原始GAN方法生成的多元負(fù)荷場景集與真實(shí)場景集的CDF曲線對(duì)比，本文方法在冷、熱、電負(fù)荷生成中擬合效果最優(yōu)。3種方法對(duì)熱負(fù)荷和冷負(fù)荷的生成結(jié)果在概率分布方面差異較小，這與冷、熱負(fù)荷波動(dòng)小、較穩(wěn)定的特點(diǎn)相一致，蒙特卡洛法用于電負(fù)荷場景生成效果較差，2種GAN方法相對(duì)較優(yōu)，這種差異可能是源于電負(fù)荷的高隨機(jī)性和波動(dòng)性，GAN的對(duì)抗式算法擬合概率分布的能力更強(qiáng)。相較于原始GAN算法，本文方法生成的多元負(fù)荷場景集的CDF曲線與真實(shí)場景的擬合度更高，學(xué)習(xí)給定數(shù)據(jù)潛在概率分布的能力更強(qiáng)。

圖6 生成場景與真實(shí)場景數(shù)據(jù)概率分布特性比較Fig.6 Comparison of probability distribution characteristics between generated and real scenarios

3)負(fù)荷相關(guān)性。

綜合能源系統(tǒng)中的冷熱電負(fù)荷間協(xié)調(diào)互補(bǔ)的耦合機(jī)制也是衡量綜合能源負(fù)荷場景的重要指標(biāo)，通過皮爾森(Pearson)相關(guān)系數(shù)ρx,y衡量能源x與能源y之間的相關(guān)性：

(9)

式中：cov(x,y)表示x和y之間的協(xié)方差；σx和σy分別表示x和y之間的標(biāo)準(zhǔn)差；μx和μy分別表示x和y的均值。

真實(shí)場景、本文方法生成場景、原始GAN和蒙特卡洛方法生成場景下的負(fù)荷相關(guān)性如表2—5所示。

表2 真實(shí)場景下的負(fù)荷相關(guān)性Table 2 Correlation of load in real scenarios

表3 本文方法生成場景下的負(fù)荷相關(guān)性Table 3 Correlation of load scenarios generated by proposed method

表4 原始GAN生成場景下的負(fù)荷相關(guān)性Table 4 Correlation of load scenarios generated by original GAN

表5 蒙特卡洛生成場景下的負(fù)荷相關(guān)性Table 5 Correlation of load scenarios generated by Monte Carlo

為了更清晰地量化真實(shí)場景與生成場景在多元化方面的真實(shí)程度，定義多元負(fù)荷相關(guān)系數(shù)特征向量v的歐幾里得范數(shù)δ衡量冷熱電相關(guān)系數(shù)特征向量之間的距離：

(10)

δ=‖vreal-vgen‖2

(11)

式中：ρ1,2、ρ2,3、ρ3,1分別表示某種場景下的電冷、電熱、冷熱相關(guān)系數(shù)；vreal、vgen分別表示真實(shí)數(shù)據(jù)和生成數(shù)據(jù)的相關(guān)系數(shù)特征向量。

本文方法所生成場景與真實(shí)場景的距離為0.053 85，原始GAN生成場景與真實(shí)場景的距離為0.123 69，蒙特卡洛法生成場景與真實(shí)場景的距離為0.393 19，本文方法生成的負(fù)荷場景與真實(shí)場景更接近，生成的場景整體更符合真實(shí)數(shù)據(jù)的相關(guān)性規(guī)律。這說明本文的多元負(fù)荷場景生成方法能很好地學(xué)習(xí)到冷熱電負(fù)荷之間的復(fù)雜耦合性，并有很好的泛化效果。

5 結(jié) 論

本文提出了一種基于生成對(duì)抗網(wǎng)絡(luò)的綜合能源負(fù)荷場景生成方法。該模型使用帶梯度懲罰的Wasserstein距離作為判別器的損失函數(shù)，以適應(yīng)綜合能源負(fù)荷場景中容易出現(xiàn)的梯度消失問題。針對(duì)綜合能源負(fù)荷的時(shí)序性和關(guān)聯(lián)性，采用深度LSTM構(gòu)建GAN的生成器和判別器，使生成對(duì)抗網(wǎng)絡(luò)更適用于高隨機(jī)性的時(shí)間序列數(shù)據(jù)生成。通過真實(shí)負(fù)荷的訓(xùn)練和測試，結(jié)合原始GAN和蒙特卡洛方法的對(duì)比算例，表明該模型具有以下優(yōu)點(diǎn)：

1)以Wasserstein距離作為網(wǎng)絡(luò)訓(xùn)練程度的指標(biāo)，避免了GAN訓(xùn)練的盲目性，提高了場景生成算法的概率分布擬合能力，優(yōu)于蒙特卡洛模型和原始GAN模型，能更穩(wěn)定、更高效率地產(chǎn)生高質(zhì)量場景集；

2)加入的梯度懲罰項(xiàng)GP提高了算法的穩(wěn)定性，優(yōu)化了GAN訓(xùn)練可能會(huì)出現(xiàn)的梯度消失、梯度爆炸問題；

3)深度LSTM網(wǎng)絡(luò)架構(gòu)強(qiáng)化了生成場景的時(shí)序特性和非線性擬合能力，提高了綜合能源負(fù)荷生成場景與原始場景時(shí)序特征和多能耦合關(guān)系的一致性。