一种基于数据驱动的微电网随机鲁棒优化调度方法技术

本发明专利技术提出一种基于数据驱动的微电网随机鲁棒优化调度方法。先利用相似日原理，从历史日中选出与预测日光伏出力相似的数据为初始样本集。此外，考虑光伏发电时序性，选取不同的历史日光伏出力利用基于季节的综合自回归移动平均模型分别预测出预测日的光伏出力，并加入样本集。利用支持向量聚类将样本集分为超球体内、外两部分，依次求解超球体内的光伏出力对应场景的微电网优化调度模型，从多个调度方案中选出所定义最恶劣场景对应的调度方案。本发明专利技术结合了鲁棒优化和随机优化的优点，从而能保证微电网的安全、经济运行。

【技术实现步骤摘要】
一种基于数据驱动的微电网随机鲁棒优化调度方法
本专利技术涉及一种基于数据驱动的微电网随机鲁棒优化调度，属于微电网优化运行控制领域。
技术介绍
微电网作为消纳分布式可再生能源发电的重要手段，已经成为我国电力系统的重要组成形式。然而，光伏和风电等可再生能源具有很强的随机性、间歇性和波动性，这种不确定性严重影响了微电网的经济调度与安全运行。为解决上述问题，现有研究方法主要采用随机优化、机会约束规划和鲁棒优化这三类优化方法来处理风光等可再生能源的不确定性。其中，随机优化法需要假设随机变量服从一定概率分布，但实际上随机变量并不完全服从某一分布，且其概率分布通常不易获得；机会约束规划法其约束以概率形式满足，可能导致最终求解的调度结果不满足相关约束；鲁棒优化法不需要知道不确定量的概率分布，而是关注不确定参量的边界情况，通过建立不确定集合对不确定参数进行描述。因此在解决微电网优化调度问题中得到了广泛的应用。鲁棒优化法主要致力于寻找最劣情况下的最优解，这就使得其解存在一定的保守性，因此如何控制其解的保守性成为鲁棒优化必须考虑的问题。在现有的文献中，鲁棒优化不确定集的选择多选用盒式、椭球体、多面体等不确定集合来限制可再生能源出力在每一时刻的出力范围，很难准确体现可再生能源波动的真实规律。此外，在模型求解方面，鲁棒优化多构建min-max、min-max-min等鲁棒模型，求解时采用Benders分解或列约束生成算法(C&CG)求解，这些方法求解过程较为复杂，且不一定能得到可行解。
技术实现思路
>本专利技术针对微电网中光伏出力不确定性问题，综合考虑现有研究技术的优缺点，提出基于数据驱动的微电网随机鲁棒优化调度方法。与现有方法不同，本专利技术中的鲁棒优化初始样本集是基于历史数据，采用支持向量聚类的方法得到的。首先利用相似日原理，从历史日数据中选取与待预测日相似的历史日光伏发电出力数据，将其作为初始样本集。此外，考虑光伏发电数据之间的时间关联性，利用基于季节性的综合自回归移动平均(SARIMA)模型，通过选取不同的历史日光伏出力对应的时间序列作为训练样本，分别预测出待预测日的光伏出力，将其也放入初始样本集，构成完整的初始样本集。在此基础上，利用支持向量聚类思想，将初始样本集分为超球体内、外两部分，并选取超球体内的光伏出力样本作为后续鲁棒优化的样本集，这种聚类的本质是选取了光伏出力出现概率较高的场景。依次求解位于超球体内的光伏出力数据所对应场景的微电网优化调度模型，得到多个优化调度方案，从中选出所定义最恶劣场景对应的调度方案。本专利技术最大的特点就是不确定集是由真实光伏历史数据决定的，在兼顾微电网优化调度模型鲁棒性的基础上，简化了模型的复杂度，从而缩短了求解时间。本专利技术提出的，一种基于数据驱动的微电网随机鲁棒优化调度，包括以下步骤：(1)收集近五年历史日天气情况数据，包括每日24个时刻的光照强度、环境温度和光伏发电功率。将历史数据按季节分成春、夏、秋和冬四个季节。考虑光伏发电功率的时间相关性，选取与待预测日同季度的历史日光照强度和环境温度数据组成特征矩阵L和Τ：上式L和Τ中每一列分别为一天各时刻的光照强度和环境温度；h为一天的h个时刻；n为总的历史日天数。(2)对步骤(1)得出的特征矩阵L和Τ进行归一化处理：式中：L′ij和T′ij分别为Lij和Tij归一化后的数值。其中，Lmax、Lmin和Tmax、Tmin分别为特征矩阵中L和Τ中的最大值和最小值。(3)选择归一化后的特征矩阵中第j日光照强度的最大值Lj,max、最小值Lj,min、平均值Lj,mean，环境温度的最大值Tj,max、最小值Tj,min、平均值Tj,mean组成特征向量为xj＝{Lj,max,Lj,min,Lj,mean,Tj,max,Tj,min,Tj,mean}。利用公式(1)计算历史日与待预测日各特征量之间的关联系数：式中：εj(k)为第j个历史日的第k个特征量与待预测日之间的关联系数；x0(k)为待预测日的第k个特征量；xj(k)为第j个历史日的第k个特征量；ρ为分辨系数，取0.5。计算各历史日与待预测日之间的相似度，计算公式如下：式中：rj为第j个历史日与待预测日之间的相似度；m为每个历史日的特征量总数。将相似度大于等于0.55的历史日作为待预测日的相似日，将这些历史日的光伏发电功率作为初始样本集。(4)分别将与待预测日同一个季节当年的历史数据、同一季节当年和前1年的历史数据、同一季节当年和前2年的历史数据……，以此类推一直到同一季节当前和前5年的历史数据分别作为训练样本。需要说明的是，如果待预测日同一季度当前的历史数据少于1个月，则去掉该数据样本。(5)对于步骤(4)中的训练样本，为统一数据格式，仅取每日早7点至晚18点的光伏功率，利用minitab软件检验时间序列的平稳性，如果不满足平稳性校验，则对训练样本数据进行差分处理。对于得到的平稳性数据的序列，利用式(2)中基于季节性的综合自回归移动平均(SARIMA(p,d,q)×(P,D,Q)T)模型预测。φ(B)Φ(BT)(1-BT)D(1-B)dzt＝θ(B)Θ(BT)εt(2)式中：φ(B)＝1-φ1B-…-φpBp；θ(B)＝1-θ1B-…-θqBq；Φ(BT)＝1-Φ1BT-…-ΦPBPT；Θ(BT)＝1-Θ1BT-…-ΘQBQT；zt为序列在t时刻的预测值；B为延迟算子；εt为白噪声序列；p、d、q分别为非季节自回归阶数、非季节差分阶数、非季节移动平均阶数；P、D、Q分别为季节自回归、季节差分、季节移动平均阶数；模型中T表示本SARIMA模型中的季节长度。利用minitab软件通过观察自相关图和偏自相关图的拖尾与截尾情况选择模型中p、q、P、Q值，分别完成对待预测日的光伏发电功率预测。并将预测得到的光伏发电功率数据加到步骤(3)中得到的初始样本集中。(6)将初始样本集形成如下所示的初始样本空间：其中，Ppv中每一列对应初始样本集中某一天的光伏发电功率。h为24个时刻，N为样本总数。并对Ppv中的数据进行归一化处理。(7)利用支持向量聚类的思想，寻找初始样本集中出现概率最大的光伏发电功率场景集。求解如式(3)所示的优化问题：式中：为高斯核函数，q为核参数，取[0,1]之间的某个数；βi,i＝1,2…N为待求变量；C为惩罚因子，取值在[0,1]之间；xi和xj为初始样本集里的样本；N为样本总数；(8)利用yalmip求解步骤(7)中的优化问题的结果，通过判断βi取值情况找出初始样本空间Ppv中位于超球体内的样本。判断规则如下：1)βi＝0，则对应的样本位于超球体内部；2)0＜βi＜C，样本位于超球体球面上(也是形成超球体的支持向量)；3)βi＝C，样本位于超球体外部。将选取对应位于超球体内的光伏实际出力样本，作为模型优化所用样本集。(9)求解基于超球体内本文档来自技高网...

【技术保护点】
1.一种基于数据驱动的微电网随机鲁棒优化调度方法，其特征在于包括以下步骤：/n(1)收集近五年历史日天气情况数据，包括每日24个时刻的光照强度、环境温度和光伏发电功率；将历史数据按季节分成春、夏、秋和冬四个季节；考虑光伏发电功率的时间相关性，选取与待预测日同季度的历史日光照强度和环境温度数据组成特征矩阵L和Τ：/n

【技术特征摘要】
1.一种基于数据驱动的微电网随机鲁棒优化调度方法，其特征在于包括以下步骤：
(1)收集近五年历史日天气情况数据，包括每日24个时刻的光照强度、环境温度和光伏发电功率；将历史数据按季节分成春、夏、秋和冬四个季节；考虑光伏发电功率的时间相关性，选取与待预测日同季度的历史日光照强度和环境温度数据组成特征矩阵L和Τ：



上式L和Τ中每一列分别为一天各时刻的光照强度和环境温度；h为一天的h个时刻；n为总的历史日天数；
(2)对步骤(1)得出的特征矩阵L和Τ进行归一化处理：



式中：L′ij和T′ij分别为Lij和Tij归一化后的数值；其中，Lmax、Lmin和Tmax、Tmin分别为特征矩阵中L和Τ中的最大值和最小值；
(3)选择归一化后的特征矩阵中第j日光照强度的最大值Lj,max、最小值Lj,min、平均值Lj,mean，环境温度的最大值Tj,max、最小值Tj,min、平均值Tj,mean组成特征向量为xj＝{Lj,max,Lj,min,Lj,mean,Tj,max,Tj,min,Tj,mean}；利用公式(1)计算历史日与待预测日各特征量之间的关联系数：



式中：εj(k)为第j个历史日的第k个特征量与待预测日之间的关联系数；x0(k)为待预测日的第k个特征量；xj(k)为第j个历史日的第k个特征量；ρ为分辨系数，取0.5；
计算各历史日与待预测日之间的相似度，计算公式如下：



式中：rj为第j个历史日与待预测日之间的相似度；m为每个历史日的特征量总数；将相似度大于等于0.55的历史日作为待预测日的相似日，将这些历史日的光伏发电功率作为初始样本集；
(4)分别将与待预测日同一个季节当年的历史数据、同一季节当年和前1年的历史数据、同一季节当年和前2年的历史数据……，以此类推一直到同一季节当前和前5年的历史数据分别作为训练样本；需要说明的是，如果待预测日同一季度当前的历史数据少于1个月，则去掉该数据样本；
(5)对于步骤(4)中的训练样本，为统一数据格式，仅取每日早7点至晚18点的光伏功率，利用minitab软件检验时间序列的平稳性，如果不满足平稳性校验，则对训练样本数据进行差分处理；对于得到的平稳性数据的序列，利用式(2)中基于季节性的综合自回归移动平均SARIMA(p,d,q)×(P,D,Q)T模型预测；
φ(B)Φ(BT)(1-BT)D(1-B)dzt＝θ(B)Θ(BT)εt(2)
式中：φ(B)＝1-φ1B-…-φpBp；θ(B)＝1-θ1B-…-θqBq；Φ(BT)＝1-Φ1BT-…-ΦPBPT；Θ(BT)＝1-Θ1BT-…-ΘQBQT；zt为序列在t时刻的预测值；B为延迟算子；εt为白噪声序列；p、d、q分别为非季节自回归阶数、非季节差分阶数、非季节移动平均阶数；P、D、Q分别为季节自回归、季节差分、季节移动平均阶数；模型中T表示本SARIMA模型中的季节长度；利用minitab软件通过观察自相关图和偏自相关图的拖尾与截尾情况选择模型中p、q、P、Q值，分别完成对待预测日的光伏发电功率预测；并将预测得到的光伏发电功率数据加到步骤(3)中得到的初始样本集中；
(6)将初始样本集形成如下所示的初...

【专利技术属性】
技术研发人员：罗平，闫文乐，王严，高慧敏，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33