能源是推动世界各国经济发展的基本动力,在面对百年未有之大变局的时代背景下,全世界范围内都在积极布局和开发可再生能源。相比传统的化石能源,风能和太阳能等可再生能源具有明显的间歇性、随机性和波动性的特征。要准确、灵活和有效地对可再生能源发电的不确定性进行刻画,仍是一个极具挑战性的研究课题。场景分析能够描述随机过程的动态特性,是应对可再生能源发电不确定性的主要方法之一。以往的场景分析研究主要采用基于概率模型的方法,往往难以准确描述可再生能源的实际发电动态。因此,本课题围绕可再生能源发电不确定性这一本质问题,以数据驱动的方式,采用人工智能深度生成模型开展可再生能源场景分析研究。考虑到基于深度生成模型的场景分析与以往研究的不同,本文提出将可再生能源场景分析分为场景生成、场景预测和场景消减三个方面。场景生成研究的是可再生能源发电不确定性的建模,利用深度生成模型生成与历史数据分布规律一致的场景;场景预测研究的是可再生能源发电不确定性的预测,利用深度生成模型生成代表未来发电动态的场景;场景消减的目的是将大规模的场景削减到合理的计算水平。与传统的“点预测”预测未来最有可能的实现不同的是,“场景预测”对未来进行多次随机预测,以便能够代表未来可能的实现。本文的贡献主要是提出了两种场景生成方法和研究了两个场景预测问题,取得了以下创新性研究成果:针对模型在训练过程中存在的训练不稳定和过拟合等问题,提出了一种基于改进的生成对抗网络的风电场景生成方法。采用一种替代的训练策略加强Lipschitz约束,可以避免梯度爆炸或梯度消失的问题,提高模型训练的稳定性,使得模型能够更好地捕获风电数据的真实分布。该方法不依赖场景采样技术,能够直接生成大量的风电场景。所产生的场景不仅能捕获风力发电的不确定性,还能准确地刻画实际风电过程的时空关系。并且,当在小数据集上进行测试时,所提的方法还能有效地缓解过拟合现象,具有良好的泛化能力。针对变分自动编码器生成的样本质量不高以及生成对抗网络生成的样本缺乏多样性的问题,提出一种基于变分自动编码器和生成对抗网络相结合的可再生能源场景生成方法。通过将变分自动编码器的解码器和生成对抗网络的生成器合并为一体,可以联合训练编码、生成和比较数据集样本,同时具备变分自动编码器能将数据编码到潜在空间和生成对抗网络能生成高质量样本的优势。所生成的场景不仅具备模式的多样性和统计的相似性,还能够保持时间序列的时间相关性以及不同地理位置的空间相关性。并且,提出采用最大均值差异来评价生成样本的质量,可以直观地评估模型的训练过程。针对单个地点发电不确定性的预测问题,提出了一种基于WGANGP模型的单地点风电场景预测方法。生成对抗网络判别器的损失函数采用梯度惩罚策略进行训练,可以更好地利用深度神经网络的容量,提高风电数据的训练速度,实现模型更快的收敛,从而提高生成对抗网络用于单地点场景预测的训练效率。结合点预测信息,根据置信参数和时间尺度的设置求解随机约束优化,可以生成一组代表未来发电动态的场景。所产生的场景既靠近点预测信息,又能围绕中心点预测在一定的范围内波动,从而能够刻画未来风力发电不同置信范围和不同时间尺度的动态行为。针对多个地点发电不确定性的预测问题,提出利用深度生成模型预测风电和太阳能时空相关的场景。首先,利用深度生成模型对可再生能源历史时间序列数据进行建模,无需对数据分布进行统计假设,无监督地学习可再生能源发电动态的真实数据分布。然后,结合点预测信息建立对未来发电动态的随机优化步骤,无需场景采样技术直接生成大量场景。所产生的场景不仅能够表征多个可再生能源地点发电的间歇性、随机性和波动性的特征,还能够真实反映可再生能源未来实际的电力发电过程。并且,通过调整网络结构和几个参数,就可以使随机发电动态的输入数据适应不同的区域。