中国能源建设集团广东省电力设计研究院有限公司许琴团队在《南方电网技术》发表论文《负荷水平约束条件下新能源出力场景生成新方法》，该研究提出一种基于人工智能的新能源出力场景生成新方案，通过卡尔曼增益信息融合、自组织映射网络聚类及生成对抗网络等技术，有效解决了历史数据不足、场景生成精度低等行业痛点，满足了调度中心对特定负荷水平下新能源出力场景的需求，为新型电力系统优化调度提供了重要技术支撑。
随着风电、光伏等新能源在电力系统中占比持续提升，其波动性和间歇性给电网规划与调度带来巨大挑战。精准的新能源出力场景序列是电网安全校核、优化配置的基础，但传统方法存在依赖大量历史数据、无法满足特定负荷约束需求等缺陷。
新方法构建了“数据扩充-负荷聚类-场景生成”的完整技术链条。首先，针对新能源场站历史数据有限的问题，采用卡尔曼增益信息融合技术，从横向相邻时刻、纵向相邻日期两个维度扩充样本，通过方差和均值计算实现数据融合，确保扩充样本符合真实数据统计规律，为模型训练提供充足数据支撑。其次，基于自组织映射网络(SOM)对负荷曲线进行聚类，通过日负荷率、峰谷差率等4个特征指标降维，筛选出高负荷、低负荷两类极端日和两类典型日，再将同日新能源出力数据归入对应负荷簇，形成负荷水平约束下的源荷数据簇。最后，构建马尔科夫链状态转移矩阵，滚动抽样生成未来日类型序列，结合各数据簇训练好的生成对抗网络(GAN)，生成96点(15分钟分辨率)源荷场景序列。
研究团队以广东省某地区一年的风光荷历史数据为基础开展算例验证，结果显示：该方法生成的场景在概率分布、源荷相关性及波动特性上均与历史数据高度吻合，残差平方和指标显著优于传统方法及未扩充数据的训练模型;在不同负荷水平下，新能源出力分布特性仍能精准匹配历史规律，为中长期电力电量平衡测算提供了可靠依据。
该方法的创新之处在于首次将负荷水平约束与人工智能技术深度结合，既解决了历史数据不足的行业难题，又实现了特定负荷需求下的精准场景生成，其模块化设计可灵活适配不同区域新能源场站，对提升新型电力系统运行安全性和经济性具有重要现实意义。
