风电出力具有明显的随机性、波动性以及间歇性的特征,随着风电渗透率的不断增加,电力系统调度中必须考虑风电出力的不确定性问题。传统方法通过建模刻画风资源不同的多风场出力随机性与波动性特征,但不同区域风资源不同,风电场出力特性复杂,难以针对风电场地理位置和设备的特殊性分别建模。由于电力系统场景分析可以概率性的描述风电出力的不确定性而被广泛应用。针对以上问题,本文提出了一种基于有限数据驱动生成风电相似日场景集的鲁棒调度方法。首先,从风电爬坡日分布及风速分布等方面研究了基于不同区域风电场历史气象数据的风资源特性;其次,提出一种基于加权欧氏距离与加权关联度的历史相似日选择方法,根据日前数值天气预报与历史气象记录开展分析,确定待调度日的历史相似日,同时通过条件约束,保证某日的相似日天数不少于20天,以构建日前调度场景生成器训练数据集。然后,针对相似日历史出力数据,设计自对称结构生成器与判别器,并以Wasserstein距离替代传统GAN采用的JS散度距离度量,学习历史数据的内在分布规律,生成与调度日风电出力概率分布相似的风电场出力场景。同时,通过增设正则项,优化Lipschitz限制,对每个相似日场景样本独立施加梯度惩罚,避免梯度消失和模式崩溃问题。然后采用基于启发式的同步回代的相似日场景缩减方法,实现生成场景集合的有效缩减,降低最优调度方案求解运算量。最后,基于缩减后场景集合,刻画风电日前出力特性,考虑风电与常规机组出力约束,设计含火电运行成本最低与弃风惩罚函数在内的目标函数,以兼顾经济性与限制弃风量,从而指定合理的日前发电计划,安排多电源协调发电。实验证明,根据本文算法生成的含有极端场景的典型风电相似日场景集经有效缩减后代入鲁棒调度模型优化求解,通过比较含有极端场景调度日内火电机组运行成本、风电并网功率大小及系统在极端场景下运行的安全性验证本文算法的应用效果。