增强模糊集

风电不确定性量化

通过多教师知识蒸馏生成对抗网络构建球状模糊集，利用Nataf变换聚合多风电场预测误差，实现区域风电不确定性的联合高精度刻画。

李卓 · 叶林 · Pei M. · Song, Xuri · Luo, Yadi · 汤涌 · Deconinck, Geert

IEEE Transactions on Sustainable Energy 2025

技术优势

粒度更细

每个风电场的预测误差分布通过球状模糊集单独建模，并利用Nataf变换融合为区域联合分布，比单一总体模糊集更精确。

首建球状集

首次提出多教师知识蒸馏GAN生成球状模糊集，汇集单风电场预测误差的所有可能分布。

计算更省

基于增强模糊集推导出可处理的两阶段调度求解算法，减少了计算规模。

实例验证

在IEEE 118节点系统上证明了所提MKD-time GAN和调度方案的优势。

应用场景

• 风电不确定性量化：为风电预测误差提供分布集合，替代单一分布假设以提高鲁棒性。
• 电力系统优化调度：在分布式鲁棒优化框架下直接生成调度决策，无需提前假设误差分布。
• 深度学习不确定性建模：用多教师时空GAN学习参考分布，捕获预测误差的时空特征。
• 分布式鲁棒优化：将深度模型构建的模糊集嵌入DRO，使调度决策对分布偏移更稳健。
• 生成对抗网络：以GAN生成多样样本扩充模糊集，覆盖更多可能的预测误差场景。