中文引用格式： 龔桃榮，劉雨晴，崔燦. 基于條件擴散模型的電算協同規劃場景生成[J]. 電子技術應用，2026，52(6)：1-12.
英文引用格式： Gong Taorong，Liu Yuqing，Cui Can. Scenario generation for electricity-computing collaborative planning based on conditional diffusion model[J]. Application of Electronic Technique，2026，52(6)：1-12.
引言
在“雙碳”目標引領與數字經濟深度發展的雙重驅動下[1]，能源綠色低碳轉型與數字化升級成為產業發展的核心方向，電算融合作為融合電力產業與算力產業的創新發展模式，更是實現清潔能源高效消納、算力產業綠色低碳發展的重要引擎。
電力行業加速向清潔低碳轉型，新能源裝機規模持續擴大，但其出力的波動性、間歇性對電力系統調峰消納、穩定運行提出更高要求[2]；而算力產業作為數字經濟的核心基礎設施，數據中心等算力載體能耗需求持續攀升，綠色低碳轉型成為其高質量發展的必然要求，二者的協同融合具備天然的產業互補性。電算融合以“電力帶動算力綠色化升級，算力驅動電力數字化轉型”為核心，通過將算力資源的靈活調節特性與電力系統的運行規劃、優化調度深度結合，實現電力與算力的雙向賦能和協同發展，形成“綠電供應-算力消納-產業集聚”的良性循環，一方面能助力綠色算力與能源轉型，另一方面能利用算力資源的靈活性緩解保供壓力[3]。
電算協同是通過電網調度、電價信號或碳交易機制，引導算力負荷主動響應光伏出力的變化，以實現綠電消納和系統經濟運行。配電網與數據中心的協同運行對電網規劃的精準性提出了全新要求，負荷波動、電價變化、算力需求突變等多因素耦合特征凸顯。傳統配電網規劃模式難以適配電算協同運行的多元需求，亟需構建適配電算協同的規劃體系，實現電力與算力系統的協同規劃，而高質量的規劃場景生成則成為支撐電算協同配電網規劃仿真、運行評估、方案優化的基礎，推動電算融合從產業形態融合向技術體系融合邁進。
在電力系統規劃領域，場景（Scenario）是指對未來不確定因素的一種可能的、完整的時序實現路徑描述。具體而言，一個場景是某特定條件下（如特定季節、天氣類型）的一組時間序列數據，完整刻畫了從起始時刻到終止時刻的狀態演變軌跡。例如，一個典型日光伏出力場景包含從0時至24時的逐時光伏發電功率序列，反映了當日輻射強度、溫度等綜合影響下的具體出力曲線；與之對應的算力負荷場景則是在相同時間斷面下，由任務需求與電價信號共同驅動的數據中心功率消耗序列。場景生成的核心目標在于從海量歷史數據或物理模型中，提煉出數量有限但概率代表性充分的場景集，以近似表征不確定性因素的全概率空間，從而在保證計算可處理性的同時，為規劃決策提供可靠的數據基礎。場景生成技術是用較少的場景來準確描述變量的隨機變化特征，用于精準刻畫優化調度模型中可再生能源出力等變量的隨機特征。其核心目標是通過最小化生成場景與原始分布之間的概率距離，構造能夠準確表征隨機變量統計特性的場景集。
場景生成方法主要有抽樣類和預測類。抽樣類方法基于統計學原理，以歷史數據為樣本，通過特定的采樣策略生成符合原始數據統計特征的場景序列。典型的抽樣方法包括蒙特卡羅法及其改進形式，如馬爾可夫鏈蒙特卡羅法、拉丁超立方抽樣法以及Copula函數抽樣法等[4]。抽樣類方法原理直觀、實現簡便，但其生成精度依賴于樣本規模，樣本數量不足時難以保證場景的代表性。文獻[4]利用馬爾科夫鏈蒙特卡洛法處理日狀態轉移過程，為后續日場景生成提供狀態標簽。文獻[5]提出一種基于季劃分與日聚類的方法，構建日類型轉移模型的風電出力場景生成方法，結合聯合分布抽樣與優化生成日風電出力序列，并支持指定極端場景。文獻[6]采用改進的核K-means算法對歷史光伏數據進行聚類，生成光伏典型場景。預測類則通過構建數據驅動模型，從歷史數據中學習隨機變量的演變規律，進而生成未來場景。傳統預測方法以自回歸移動平均（Autoregressive Moving Average, ARMA）模型為代表，能夠捕捉變量的線性時序依賴關系。近年來隨著深度學習技術的發展，生成對抗網絡（Generative Adversarial Network, GAN）、變分自編碼器等模型在新能源場景生成中應用廣泛。文獻[6]構建變分自編碼器學習負荷數據的隱空間分布，通過采樣與重構生成負荷場景。文獻[7]提出基于改進GAN的光伏出力場景生成方法，將瓦瑟斯坦生成對抗網絡（Wasserstein Generative Adversarial Network, WGAN）與條件生成對抗網絡（Conditional Generative Adversarial Network, CGAN）進行融合改進。文獻[8]利用馬爾科夫鏈蒙特卡洛法與CGAN，分別處理日狀態轉移與日場景生成，生成周凈發電功率典型場景。文獻[9]采用基于RV系數的聚類技術提取代表性日發電狀態，并利用馬爾可夫鏈刻畫日狀態轉移規律；進而構建引入注意力機制與時序卷積網絡的生成對抗網絡，在日狀態標簽的監督下生成日內風光功率時序典型場景。文獻[10]利用深度信念網絡對風電、光伏歷史出力數據進行無監督學習，通過多層受限玻爾茲曼機提取出力序列高維非線性特征，結合馬爾可夫鏈刻畫出力狀態時序轉移規律，生成風光出力場景。文獻[11]采用了基于CGAN的風電日前出力場景生成方法。
現有場景生成研究缺少針對電算融合領域下的配電網規劃典型場景，面對“東數西算”工程的深入實施與新型電力系統的加速構建，迫切需要考慮電算協同的，能夠同時刻畫光伏出力與算力負荷耦合特性的典型場景生成方法。考慮到抽樣類方法在生成精度上的局限性，本文采用預測類方法，提出一種基于條件擴散模型的配電網規劃場景生成方法，根據時間特征、氣溫、算力任務量、電價等條件變量定向生成相應的光伏出力和算力負荷典型場景。一方面，定向生成場景可以提高生成場景的實用性和可控性[12]；另一方面，擴散模型通過逐步去噪的方式學習數據分布，在訓練穩定性、生成多樣性以及對高維聯合分布的擬合精度方面有明顯優勢，比GAN更適合處理光伏與算力負荷這類具有復雜耦合關系的多變量時序場景生成問題。目前已有研究將擴散模型用于新能源電網的出力和負荷場景生成[12-15],文獻[12]中對兩種方法進行了對比，驗證了擴散模型在風光出力場景生成的精度與穩定性優勢。
本文采用的基于條件擴散模型的面向電算協同的配電網規劃場景生成方法，主要有三點創新點：（1）面向電算協同這一新興場景，設計了配電網規劃的場景生成方法，將條件擴散模型引入電算協同領域，構建了能夠同時刻畫光伏出力波動性與算力負荷可調節特性的聯合場景生成框架；（2）提出基于混合整數規劃（Mixed Integer Programming, MIP）與擴散模型的兩階段因果生成框架，以MIP生成場景訓練擴散模型，使生成場景具備業務因果性；（3）擴散模型相比GAN，訓練更穩定、生成更多樣、聯合分布建模更準確。
本文詳細內容請下載：
http://www.tom3567.com/resource/share/2000007097
作者信息：
龔桃榮1，劉雨晴1，崔燦2
（1.電網安全全國重點實驗室（中國電力科學研究院有限公司），北京 100192；
2.國網山東省電力公司經濟技術研究院，山東 濟南 250021）
