本发明涉及气象数据分析与风电系统优化，特别涉及一种中时间尺度天气过程引发的风电极端场景生成方法和系统。
背景技术：
1、随着全球气候变暖加速，迅速增强的热带气旋和过剩的温室气体带来了频发的天气事件，对可再生能源出力造成重大影响。受天气条件直接影响的可再生能源，其表现出的强间歇性、强随机性与强波动性等出力特点加剧了新型电力系统电力电量平衡任务的难度，给电力系统安全稳定运行带来了巨大挑战。研究中时间尺度风电时序场景的可控生成，能够帮助理解天气过程对风电运行的累积影响和持续性变化，为电力系统制定相关灵活性资源调度决策方案、进行电力系统安全评估提供支持。
2、目前国内外学者在可再生能源出力场景生成方面展开了众多研究，从随机场景生成逐步向可控场景生成开展，模型多采用条件值引导的深度学习生成式模型，这种条件可以是显式条件，如条件生成对抗网络及其变体，也可以是由隐空间得到的隐式条件如扩散模型。也有研究同时应用了显式条件和隐式条件，以更好的得到指定生成的效果。
3、然而，现有研究在可再生能源出力场景可控生成方面存在以下不足：
4、1.直接将气象特征作为风电时序场景的控制指标难以证明生成场景的有效性；
5、2.多采用gan的基础模型及其变体，而gan模型训练的不稳定性对可控生成的精度有所影响；
6、3.多考虑日内出力的极端情况，缺乏对中时间尺度的风电极端场景的定义和分析。
技术实现思路
1、本发明针对现有技术的缺陷，提供了一种中时间尺度天气过程引发的风电极端场景生成方法和系统。
2、为了实现以上发明目的，本发明采取的技术方案如下：
3、一种中时间尺度天气过程引发的风电极端场景生成方法，包括以下步骤：
4、步骤1，数据收集：
5、收集气象数据，包括湿度、温度、纬向风速和径向风速。
6、收集风电出力数据，包括日出力数据和日爬坡数据。
7、步骤2，数据预处理：
8、对气象数据和风电出力数据进行清洗和标准化处理。
9、使用迁移学习技术生成扩充的样本集，用于训练模型。
10、步骤3,构建条件概率分布模型m_x2z，并进行训练：
11、使用全连层fcn和2维卷积层conv2d构建输入特征编码器，将气象特征x映射到隐空间中。在模型训练过程中，引入加噪和去噪过程，利用叠加2维卷积层和空洞卷积层dilated conv2d处理编码后的输入矩阵和隐空间中间变量。通过残差堆栈层skip stack和两层conv2d构建解码器，将隐变量解码为日出力序列特征z。
12、步骤4,生成日出力序列特征场景并定义极端度量：
13、利用训练好的m_x2z生成给定气象条件下的日出力序列特征场景，生成的日出力序列特征包括日出力、日最大上波动和日最大下波动。对生成的日出力序列特征场景进行概率分析，定义小概率风电极端出力事件的日出力序列特征阈值。
14、步骤5,构建条件概率分布模型m_z2y，并进行训练：
15、使用与模型m_x2z相同的网络结构构建模型m_z2y。
16、利用模型m_z2y拟合日出力序列特征z和风电出力场景y之间的条件概率分布将日出力序列特征z作为指导风电多日极端低出力场景生成的条件，生成风电多日极端低出力场景y。
17、步骤6,生成风电极端低出力场景：
18、利用训练完成的条件概率分布模型m_z2y，根据的设定，生成风电极端低出力场景。
19、使用模型m_z2y生成风电极端爬坡场景。
20、步骤7,定义风电极端事件，包括：定义日均出力低于给定阈值的连续多日极端低出力事件和定义日最大上波动和日最大下波动高于给定阈值的风电极端爬坡场景。
21、步骤8，通过生成的日出力序列特征辨识风电极端事件，生成可控日出力序列特征的风电极端事件场景。
22、进一步地，所述定义日均出力低于给定阈值的连续多日极端低出力事件，如下式：
23、
24、式中为日出力序列特征i从d日起长度为m的日出力序列特征，i＝1，ε为风电低出力电量阈值，d为起始日，m为天数，me为极端低出力天数阈值。进一步地，所述定义日最大上波动和日最大下波动高于给定阈值的风电极端爬坡场景，如下式：。
25、
26、
27、式中为日出力序列特征i在d日的日出力序列特征值，yt为t时刻风电出力值，t为日内任意时刻，δt为日内时间间隔，为风电出力波动阈值。
28、进一步地，模型m_x2z和模型m_z2y中使用的网络损失函数如下：
29、
30、式中n为扩散步数，式中sn为n次去噪过程后逐渐清晰的目标序列，∈为每步注入的噪声，为便于采样和操作在此选择常用的正态分布作为先验分布c为输入条件，∈θ为去噪网络映射的去噪噪声。
31、本发明还公开了一种中时间尺度天气过程引发的风电极端场景生成系统，该系统能够用于实施上述的风电极端场景生成方法，具体的，包括：
32、数据收集模块：收集气象数据和风电出力数据；
33、数据预处理模块：对收集到的气象数据和风电出力数据进行清洗和标准化处理，确保数据质量和一致性；生成扩充的样本集用于训练模型；
34、m_x2z模型构建与训练模块：
35、使用全连层fcn和2维卷积层conv2d构建输入特征编码器；
36、引入加噪和去噪过程，通过叠加2维卷积层和空洞卷积层dilated conv2d处理输入矩阵和隐空间中间变量；
37、使用残差堆栈层skip stack和两层conv2d构建解码器，将隐变量解码为日出力序列特征z；
38、日出力序列特征场景生成与极端度量定义模块：
39、利用训练好的m_x2z模型生成给定气象条件下的日出力序列特征场景，生成的时序特征包括日出力、日最大上波动和日最大下波动；
40、对生成的日出力序列特征场景进行概率分析，定义小概率风电极端出力事件的日出力序列特征阈值；
41、m_z2y模型构建与训练模块：使用与m_x2z相同的网络结构构建条件概率分布模型m_z2y；使用m_z2y拟合日出力序列特征z和风电出力场景y之间的条件概率分布p(y|z)；将日出力序列特征z作为指导风电多日极端低出力场景生成的条件，生成风电多日极端低出力场景y；
42、风电极端场景生成模块：
43、利用训练完成的模型m_z2y，根据设定的p(y|z)，生成风电极端低出力场景和风电极端爬坡场景；
44、风电极端事件定义与识别模块：定义风电极端事件，包括日均出力低于给定阈值的连续多日极端低出力事件；定义日最大上波动和日最大下波动高于给定阈值的风电极端爬坡场景；
45、极端事件识别与应用模块：
46、利用生成的日出力序列特征和风电多日极端低出力场景，应用定义的风电极端事件识别极端事件；
47、包括预警系统、风险评估工具等，用于风电场景管理和优化决策。
48、本发明还公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述风电极端场景生成方法。
49、本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述风电极端场景生成方法。
50、与现有技术相比，本发明的优点在于：
51、1.精准预测能力：使用条件概率分布模型，能够精确预测在特定气象条件下可能发生的风电极端场景，如风电极端低出力和风电极端爬坡场景。
52、2.多维数据处理：能够有效处理多种气象特征和风电出力数据，综合考虑多个因素对风电系统性能的影响，提高了预测的全面性和准确性。
53、3.模型灵活性：采用全连层和卷积层构建的编码器和解码器，以及加噪和去噪过程，使模型能够灵活地适应不同的数据特征和变化的天气条件。
54、4.实用性：提供了实时或近实时的风电系统运行策略，使得风电场管理者可以根据预测的极端事件调整发电计划和应急措施，提高系统的运行效率和稳定性。
55、5.降低经济损失：通过提前预测极端事件的发生，可以有效减少由于天气突变引起的经济损失，包括减少因未能满足电力需求而导致的额外成本。
56、6.推动可再生能源发展：改善风电系统的可靠性和预测能力，有助于增强对风能资源的利用信心，推动可再生能源在能源结构中的更广泛应用。
1.一种中时间尺度天气过程引发的风电极端场景生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种风电极端场景生成方法，其特征在于：所述定义日均电量低于给定阈值的连续多日极端低出力场景，如下式：
3.根据权利要求1所述的一种风电极端场景生成方法，其特征在于：所述定义日最高上波动和日最高下波动高于给定阈值的风电极端爬坡场景，如下式：；
4.根据权利要求1所述的一种风电极端场景生成方法，其特征在于：模型m_x2z和模型m_z2y中使用的网络损失函数如下：
5.一种中时间尺度天气过程引发的风电极端场景生成系统，其特征在于：该系统能够用于实施权利要求1至4其中一项所述的风电极端场景生成方法，具体的，包括：
6.一种计算机设备，其特征在于：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至4其中一项所述的风电极端场景生成方法。
7.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，该程序被处理器执行时实现权利要求1至4其中一项所述的风电极端场景生成方法。
