2024年数据驱动的电力系统鲁棒前瞻调度方法研究报告-香港中文大学（李志刚）_场景_运行_椭球

《数据驱动的电力系统鲁棒前瞻调度方法研究》由香港中文大学（深圳）李志刚撰写。报告针对风电不确定性给电力系统调度带来的挑战，提出鲁棒前瞻调度方法，提升系统运行安全性与经济性。

1. 研究背景与问题分析

研究背景和意义：可再生能源发展迅速，风电在电力系统中的占比不断提高，但风电出力具有强不确定性，其超短期误差偏大，给电力系统实时平衡、安全稳定运行带来挑战，增加运行风险和调度成本。

国内外研究现状以及存在问题分析：在鲁棒优化调度中，构建合理的不确定集合对决策保守性至关重要，但如何依据历史数据和当前预测值构建集合有待深入研究。同时，两阶段鲁棒优化求解存在迭代次数多、主问题求解时间长、子问题求解困难等问题，阻碍其在线应用。

2. 鲁棒前瞻调度框架及其求解算法

前瞻调度模式：采用多时间尺度调度框架，包括日前调度、日内调度、实时调度和自动发电控制。通过前瞻视窗滚动计算，跟踪外部不确定参数，实现电力系统的前瞻调度。

电力系统前瞻调度数学模型：目标函数综合考虑机组运行成本和弃风惩罚。约束条件涵盖逻辑约束、功率平衡约束、旋转备用约束、爬坡约束和传输约束等，以保障电力系统安全稳定运行。

展开剩余86%

鲁棒前瞻调度(RLAPD)模型：基于两阶段鲁棒优化，旨在优化机组调度策略，使最恶劣场景下的运行总成本最小化。采用列和约束生成(C&CG)算法求解，在求解过程中面临目标函数双线性项处理和滚动计算中两阶段问题快速求解的挑战。

3. 考虑风电场景相关性的电力系统鲁棒前瞻调度方法

风电场景分析和椭球不确定集合构建：基于历史数据的最小椭球闭包体积法计算椭球参数，构建考虑风电场景相关性的椭球不确定集合，相比多面体不确定集合，能更好地描述风电出力的不确定性。

基于Copula函数的风电场景相关性分析：考虑到风电出力的时空相关性和条件相关性，运用Copula函数进行条件概率建模，通过一系列采样步骤生成符合实际出力分布的样本，为构建适应性更强的不确定集合提供依据。

考虑椭球不确定集合的RLAPD模型及其求解方法：针对椭球不确定集合下的RLAPD模型，提出基于超球面采样的交替方向算法。通过交替迭代，在保证精度的同时提高求解效率。算例分析表明，该方法生成的风电场景更具时空相关性，能优化机组启停策略，降低运行成本。

4. 基于最恶劣场景预识别的数据驱动鲁棒前瞻调度方法

鲁棒前瞻调度求解挑战分析：基于C&CG的RLAPD求解需多次迭代，计算负担重，不利于在线应用。

数据驱动的鲁棒前瞻调度框架：引入数据驱动模块，通过离线训练和在线预识别，利用历史数据训练模型预识别最恶劣场景，减少C&CG迭代次数，加快RLAPD求解速度。

基于组合多层感知机的最恶劣场景预识别方法：提出组合多层感知机(C-MLP)，按时间维度分割数据集进行训练，提升模型性能。算例显示，C-MLP方法性能优异，所提数据驱动方法能有效减少迭代次数，降低求解时间。

5. 结论和展望：提出的基于超球面采样的交替方向算法和基于最恶劣场景预识别的数据驱动求解方法有效可行。未来研究可从改进不确定性建模和拓展应用场景两方面展开，以进一步完善电力系统鲁棒前瞻调度方法。

免责声明：我们尊重知识产权、数据隐私，只做内容的收集、整理及分享，报告内容来源于网络,报告版权归原撰写发布机构所有，通过公开合法渠道获得，如涉及侵权，请及时联系我们删除，如对报告内容存疑，请与撰写、发布机构联系

发布于：广东省