Extraction of Typical Operating Scenarios of New Power System Based on Deep Time Series Aggregation

📄 arXiv: 2408.14493v1 📥 PDF

作者: Zhaoyang Qu, Zhenming Zhang, Nan Qu, Yuguang Zhou, Yang Li, Tao Jiang, Min Li, Chao Long

分类: cs.LG, eess.SY

发布日期: 2024-08-23

备注: Accepted by CAAI Transactions on Intelligence Technology

期刊: CAAI Transactions on Intelligence Technology 10 (2025) 283-299

DOI: 10.1049/cit2.12369

💡 一句话要点

提出基于深度时间序列聚合的新型电力系统典型运行场景提取方法

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 新型电力系统 运行场景提取 深度学习 时间序列分析 格拉姆角和场 智能调度 新能源接入

📋 核心要点

  1. 传统方法难以有效处理新型电力系统海量历史运行数据，无法准确提取典型运行场景。
  2. DTSAs通过GASF编码器将运行场景序列转换为图像，利用深度学习模型捕获时空特征并聚合典型场景。
  3. 实验表明，DTSAs能提取细粒度调度方案，优于现有高维特征筛选方法，且对不同新能源接入比例具有鲁棒性。

📝 摘要（中文）

本研究针对新型电力系统调度中灵活决策的需求，提出了一种新的深度时间序列聚合方案（DTSAs）来生成典型运行场景，该方案充分利用大量的历史运行快照数据。DTSAs分析不同调度运行场景切换的内在机制，并以数学方式表示典型运行场景。设计了一种基于格拉姆角和场（GASF）的运行场景图像编码器，将运行场景序列转换为高维空间，使DTSAs能够使用深度特征迭代聚合模型充分捕获新型电力系统的时空特征。该编码器还有助于生成符合历史数据分布的典型运行场景，同时确保电网运行快照的完整性。案例研究表明，该方法提取了新的细粒度电力系统调度方案，并且优于最新的高维特征筛选方法。此外，还进行了不同新能源接入比例的实验，以验证该方法的鲁棒性。DTSAs使调度员能够提前掌握电力系统的运行经验，并积极响应新能源高接入率下运行场景的动态变化。

🔬 方法详解

问题定义：新型电力系统面临新能源高比例接入带来的运行场景复杂性和不确定性，需要从海量历史运行数据中提取典型运行场景，以支持调度决策。现有方法难以有效处理高维时间序列数据，无法充分挖掘运行场景的时空特征，导致提取的典型场景不够准确和精细。

核心思路：论文的核心思路是将时间序列的运行场景数据转换为图像，利用深度学习模型提取图像中的时空特征，然后通过迭代聚合的方式生成典型运行场景。这种方法能够充分利用深度学习在图像处理方面的优势，有效地捕捉运行场景的复杂特征，并生成符合历史数据分布的典型场景。

技术框架：DTSAs方法主要包含以下几个阶段：1) 数据预处理：对历史运行数据进行清洗和标准化。2) GASF编码：利用格拉姆角和场（GASF）将运行场景序列转换为图像。3) 深度特征提取：使用深度学习模型（具体模型未知）提取图像中的时空特征。4) 迭代聚合：通过迭代聚合算法，将提取的特征聚类成典型运行场景。5) 结果评估：评估生成的典型运行场景的质量和有效性。

关键创新：该方法的主要创新点在于：1) 提出了一种基于GASF的运行场景图像编码器，将时间序列数据转换为图像，便于利用深度学习模型进行特征提取。2) 采用深度特征迭代聚合模型，能够充分捕捉新型电力系统的时空特征，并生成符合历史数据分布的典型运行场景。

关键设计：论文中提到使用格拉姆角和场（GASF）进行编码，但未提供GASF的具体参数设置。深度学习模型的具体结构和参数也未知。迭代聚合算法的具体实现方式也未详细描述。损失函数未知。

📊 实验亮点

该研究通过案例分析验证了DTSAs方法的有效性，表明其能够提取新的细粒度电力系统调度方案，并且优于最新的高维特征筛选方法。此外，通过不同新能源接入比例的实验，验证了该方法的鲁棒性。具体的性能数据和提升幅度未知。

🎯 应用场景

该研究成果可应用于新型电力系统的智能调度和运行控制。通过提取典型运行场景，调度员可以提前掌握电力系统的运行规律，预测未来运行状态，并制定相应的调度策略，从而提高电力系统的安全性和经济性。此外，该方法还可以用于评估新能源接入对电力系统运行的影响，为新能源规划和接入提供决策支持。

📄 摘要（原文）

Extracting typical operational scenarios is essential for making flexible decisions in the dispatch of a new power system. This study proposed a novel deep time series aggregation scheme (DTSAs) to generate typical operational scenarios, considering the large amount of historical operational snapshot data. Specifically, DTSAs analyze the intrinsic mechanisms of different scheduling operational scenario switching to mathematically represent typical operational scenarios. A gramian angular summation field (GASF) based operational scenario image encoder was designed to convert operational scenario sequences into high-dimensional spaces. This enables DTSAs to fully capture the spatiotemporal characteristics of new power systems using deep feature iterative aggregation models. The encoder also facilitates the generation of typical operational scenarios that conform to historical data distributions while ensuring the integrity of grid operational snapshots. Case studies demonstrate that the proposed method extracted new fine-grained power system dispatch schemes and outperformed the latest high-dimensional featurescreening methods. In addition, experiments with different new energy access ratios were conducted to verify the robustness of the proposed method. DTSAs enables dispatchers to master the operation experience of the power system in advance, and actively respond to the dynamic changes of the operation scenarios under the high access rate of new energy.