随着灵活需求和可再生能源的不确定性增加，分布鲁棒优化（DRO）成为了电力系统调度的重要工具。DRO依赖于预测情景来构建模糊集，但传统的情景生成管道通常以准确性为导向，可能忽视不确定性之间的空间相关性。这种不匹配可能导致统计上合理但对下游操作不理想的模糊集。
本文提出了一种决策导向的生成框架，用于在基于DRO的调度中生成相关情景。该框架并非仅仅训练生成模型以拟合历史不确定性分布，而是优化生成的情景以降低下游操作成本。该框架适用于主流生成模型，包括变分自编码器、生成对抗网络和扩散模型，同时捕获不同总线之间的不确定性联合分布。
为了提高计算可行性，本文进一步开发了一个可微分的情景选择器，从生成池中选择与决策相关的情景，并可以在同一决策导向的管道内进行训练。案例研究表明，与以准确性为导向的方法相比，该框架在不同生成模型下有效降低了0.80%-2.02%的操作成本。
博主点评： 该研究通过引入决策导向的生成框架，显著提升了电网调度的经济性与鲁棒性，尤其是在面对不确定性时，显示出强大的应用潜力。将生成模型与操作成本优化结合，为电力系统的未来调度提供了新的思路。