近日，浙江大学伊利诺伊大学厄巴纳香槟校区联合学院（ZJUI）副教授刁瑞盛团队和研究员、助理教授侯庆春团队依托中国南方电网公司科技项目“大规模风电海陆一体化智能规划关键技术研究”，在负荷与可再生能源时序数据生成方面取得重要研究进展，相关成果Label-Free Conditional Synthesis of Load and Renewable Generation Profiles via Unsupervised Latent Disentanglement发表于能源领域国际期刊Applied Energy。论文第一作者为浙江大学2024级电气工程专业博士研究生乔天同，通讯作者为ZJUI副教授刁瑞盛。其他作者包括ZJUI研究员、助理教授侯庆春，2023级电气工程专业博士研究生王安琪，南方电网广东电网公司正高级工程师卢洵，以及2024级电气工程专业博士研究生曹锦业。

参与中国南方电网科技项目期间，项目组学生成员在围绕电力系统实际应用场景开展研究的过程中，发现高质量数据获取困难是制约技术落地的重要问题。受数据隐私保护、数据管理规范以及量测条件等多重因素影响，实际电力时序数据难以充分获取，制约了模型训练效果与智能规划技术的应用。针对这一瓶颈，研究团队进一步开展电力时序数据生成与增强方法研究，探索有限数据条件下提升数据可用性的新路径。

随着可再生能源与灵活负荷大规模接入，数据驱动方法在电力系统规划、运行与风险评估中的应用日益广泛。然而，现有生成方法通常依赖气象、用户属性等外部标签，以辅助生成特定场景下的数据。这类标签不仅获取成本较高，还可能因标注误差影响生成效果。因此，如何在无外部标签条件下自主识别运行模式并生成高保真电力曲线，成为电力数据增强领域亟待解决的问题。

▲传统条件生成依赖外部标签及其面临的数据分辨率、成本与误差瓶颈

针对上述问题，研究团队提出一种端到端的选择性核高斯混合变分自编码器（SK-GMVAE）。该模型利用高斯混合先验，从原始时序数据中自动解耦离散运行模式与连续随机波动，构建出兼具可解释性与可选择性的潜在模式空间。在此基础上，模型引入选择性核网络，根据曲线特征动态调整感受野，同时兼顾日内整体趋势与局部快速波动。两类机制在统一概率框架下协同训练，使模型无需依赖气象标签或人工标注，即可实现从运行模式自动发现、目标模式指定到对应曲线生成的完整闭环。

▲SK-GMVAE总体架构与无标签运行模式解耦机制

研究选取英国居民负荷、华东地区14座风电场以及澳大利亚分布式光伏系统三类真实数据开展验证，覆盖用户级、场站级与变电站聚合级等不同空间尺度，并包含5分钟、15分钟和30分钟等多种时间分辨率。结果表明，SK-GMVAE能够稳定识别负荷、风电和光伏曲线中的多类典型结构模式。在居民负荷数据上，通过指定潜在模式生成目标运行状态的平均成功率达86.4%，各模式成功率介于79.6%至91.1%之间，表明模型具备可靠的无标签条件控制能力。

▲指定潜在模式后的目标运行状态生成结果与成功率

为进一步检验生成曲线对实际运行特征的保持能力，研究针对模型自主发现的七类运行模式，比较了峰值、峰时、日能量、负载率、谷时、峰谷差及95%分位爬坡率等关键指标。结果显示，SK-GMVAE生成结果在多数运行模式与评价指标上的雷达轮廓均与真实数据高度一致，尤其能较准确复现峰谷特征、能量水平和快速爬坡行为。这表明，该模型不仅能实现运行模式的自主识别与按需生成，还能较好保持不同模式下的关键物理与统计特征。

该论文发表于Applied Energy, vol. 426, Art. no. 128617, December 2026, DOI: 10.1016/j.apenergy.2026.128617。

论文链接：

https://doi.org/10.1016/j.apenergy.2026.128617

Applied Energy期刊由Elsevier出版，聚焦能源转换、能源系统优化、可再生能源利用、智能电网与低碳技术等研究方向，致力于推动能源科学与工程的交叉创新和工程应用。据Clarivate Journal Citation Reports（JCR）和Scopus最新公布数据，Applied Energy影响因子为12.2，CiteScore为22.1。