【香港中文大学】2024年数据驱动的电力系统鲁棒前瞻调度方法研究报告_35页_11mb

报告摘要

数据驱动的电力系统鲁棒前瞻调度方法研究总结

核心内容

本研究聚焦于电力系统中的鲁棒前瞻调度方法，旨在解决大规模风电并网带来的不确定性问题。通过引入数据驱动的思路，结合人工智能技术，提出了一种基于最恶劣场景预识别的鲁棒前瞻调度方法，以提升调度决策的鲁棒性和计算效率。

主要观点

研究背景与意义
- 随着风电大规模并网，系统面临强不确定性带来的运行风险增加和调度成本上升。
- 传统调度方法在面对不确定性时存在保守性过强、计算效率低等问题，亟需更有效的鲁棒调度框架。
鲁棒前瞻调度框架及其求解算法
- 提出鲁棒前瞻调度（RLAPD）模型，基于两阶段鲁棒优化理论，旨在最小化最恶劣场景下的运行总成本。
- 采用列和约束生成（C&CG）算法求解，但其存在计算效率低、主问题无法在多项式时间内求解等挑战。
- 引入基于KKT条件的转换，提出交替方向（AD）算法，用于处理连续变量下的双线性项问题。
考虑风电场景相关性的调度方法
- 构建考虑风电场景相关性的条件概率模型，使用Gaussian Copula函数分析风电出力的时空相关性和条件相关性。
- 通过历史数据生成的椭球不确定集合，能够更准确地反映风电出力的不确定性，从而提升调度决策的适应性。
- 提出基于超球面采样的AD算法，实现对椭球不确定集合的有效处理，提高计算效率。
基于最恶劣场景预识别的数据驱动方法
- 引入多层感知机（MLP）和组合多层感知机（C-MLP）用于预识别最恶劣场景，以减少C&CG算法的迭代次数。
- C-MLP方法在多个算例中表现出更优的性能，有效降低了求解时间，提升了鲁棒调度的实时性。
结论与展望
- 提出的方法在多个算例中验证了其可行性与有效性，具有良好的精度和计算效率。
- 未来研究可进一步提升不确定性建模的动态性，并拓展应用场景，如主网与配网的协同调度。

关键信息

研究目标：提升电力系统在不确定环境下的调度鲁棒性与计算效率。
研究方法：
- 基于Gaussian Copula的风电场景相关性建模。
- 基于超球面采样的交替方向算法用于求解鲁棒调度问题。
- 使用MLP与C-MLP方法进行最恶劣场景预识别，减少C&CG迭代次数。
研究成果：
- 提出的基于椭球不确定集合的RLAPD模型在6节点系统中表现出更优的运行成本和计算效率。
- C-MLP方法在IEEE 24和IEEE 118系统中均取得较高的训练和测试准确率。
应用范围：当前研究主要应用于电力系统前瞻调度，未来可拓展至多时间尺度调度和综合能源系统调度。