变分编码器-code

电网技术论文所用代码。 包含两个网络及训练好的模型： 标准变分编码器中含卷积、反卷积层，实现编码解码。 条件变分编码器中，考虑到输入数据维度多变，卷积层输入数据维度及参数比较固定，使用全连接层进行了替换。 参考了keras官方例程https://github.com/keras-team/keras/blob/master/examples/variational_autoencoder_deconv.py

方法优势

• 训练速度更快：变分编码器由于编码器与解码器是同时训练的，同时采用全局交叉熵（或者你也可以选择MSE，效果一样）作为损失值，训练速度更快。在场景生成问题的测试中，变分编码器在300epochs时已经稳定收敛。

• 拟合效果好：在图像领域，由于变分编码器采用全局交叉熵（或者MSE）作为损失值，相较于GAN生成的图像细节比较模糊。但是生成数据的整体概率分布上与实际数据拟合效果较好。在场景生成问题中也是如此，对于风电出力的部分断崖式概率变化，变分编码器会尝试以平滑曲线拟合整条概率曲线。由于功率曲线相比于图像来说，细节并不丰富，我们并没有在场景生成中发现细节模糊不清的问题，相反生成的功率曲线与实际曲线一致性很强。

• 反映空间相关性：变分编码器同样能够学习到训练数据之间的相关关系，我们采用了具有复杂空间相关性的发电单元进行测试，同样在300 epochs时，变分编码器就实现了对复杂空间相关性的学习，生成数据的相关性只是稍有降低。

• 能灵活处理标签数据：你可以使用我们提供的简化条件变分编码器生成标签数据，这样能避免繁琐的卷积层设计工作，简化后网络生成数据的概率分布同样贴近实际数据。

相关参考

chenyize实现了基于WGAN的场景生成

Chen Y, Wang Y, Kirschen D, et al. Model-free renewable scenario generation using generative adversarial networks[J]. IEEE Transactions on Power Systems, 2018, 33(3): 3265-3275.

• 论文地址： IEEE Xplore Digital Library https://ieeexplore.ieee.org/abstract/document/8260947/ Arxiv https://arxiv.org/abs/1707.09676
• 代码仓库：https://github.com/chennnnnyize/Renewables_Scenario_Gen_GAN