[发明专利]一种电力系统负荷不确定性分析方法

说明书

本发明公开了一种电力系统负荷不确定性分析方法，将负荷样本分解为典型场景(中心样本)、极端场景(极端样本)和普通场景(普通样本)。为了确保鲁棒性，使用极端场景(极端样本)来确定机组组合方案；利用具有较高发生概率的典型场景(中心样本)计算相应的调度问题。考虑到每个负荷样本都是高维数据的这一特性，我们采用PCA技术将原始负荷样本降低到一个低维空间，以更好地揭示数据之间的关系。这样可以得到一个鲁棒性与经济性都较强的调度方案。

技术领域

本发明涉及机器学习领域，具体是一种电力系统负荷不确定性分析方法。

背景技术

当今，随着经济社会的发展，对电力的需求急剧增加。一些新型负荷源的出现，诸如高速铁路和电动汽车等，给负荷预测带来了很大的困难。这些困难主要体现在这些负载极易变动这一特性上。然而，传统的机组组合是通过一个确定的负荷预测值来决定发电机的开/关状态。不考虑负荷预测误差引起的不确定性。但是，负荷的不确定性给电网的经济性和可靠性带来了巨大的挑战，例如频率下降、输电线路过载、甚至在系统处于重载条件时的级联故障等。为了有效地解决这一问题，研究人员提出了大量的解决方法，其中随机优化[1]-[11]和鲁棒优化[12]-[17] 常用于处理该类问题。

随机优化是一种基于随机场景的优化方法，它产生大量的场景来模拟负荷的不确定性。蒙特卡罗(MC)是一种典型的模仿方法。在文献[7]中，Wu等人提出了一种基于场景的模型，用于计算长期安全约束机组组合。其中MC用于生成大量的场景，模拟负荷的不确定性变化。在文献[8]中，Wang等人提出了基于场景的安全约束机组组合模型去处理风电的间歇性与波动性问题。其中利用MC对风电的出力进行模拟。在文献[9]中，Wu等人提出了一种在多时间尺度条件下的场景模拟方法。并利用此种方法计算调度计划用以解决负荷预测不确定性这一问题。另一种随机优化方法是机会约束优化，它通过对可能的负荷场景设置概率约束来处理负荷的不确定性。Wu等人在[10]中提出了一种机会约束的机组组合模型，以解决负荷预测不确定性对输电线路过载和电力功率不平衡的影响。在文献[11]中， Wang等人结合机会约束和目标规划，提出了一种通过调整系统风险阈值来优化机组组合(UC)方案的新模型。随机优化有一个致命的缺点，那就是由于一些可能发生的负荷场景没有被考虑，特别是一些极端的负荷场景，从而导致其机组组合方案的鲁棒性较差。此外，为了保证机组组合方案的准确性，需要生成大量的场景，这将给计算带来巨大的负担。

鲁棒优化是另一种处理负荷随机性的方法。鲁棒优化的目的是计算出在最坏场景下的机组组合方案。如果调度计划在最坏的情况下都可以被满足，那么这一方案可以应对任何场景。这类问题可以表述为一个min-max-min线性优化问题，其中最坏情况是在中间层确定的。整个优化问题可通过分解算法进行求解。但是求解复杂度高。在文献[14]中，Hu等人提出了一种基于多频带鲁棒优化机组组合模型用以解决负荷不确定性的时间相关性这一问题。在文献[15]中，Hu等人提出了一种鲁棒优化模型去最小化调度成本，用于确保当负荷在预测区间内波动时，调度计划可以被安全的实时调整。在[16]中，Bertsimas等人提出了一种阶段自适应鲁棒优化模型，该模型在不确定性子集被确定以后，同时在供电与需求两方面考虑负荷的不确定性问题。由于考虑了最坏的情况，相应的机组组合方案将非常保守，即运行成本过高。为了减少成本。Blanco等人在[17]中提出了一种划分最坏场景的方法用于求解基于场景的两阶段安全约束机组组合模型。这种方法只考虑了最坏场景的划分，用于减少调度方案的保守性。并且此种方法计算出调度方案的保守性取决于场景划分的数量，但是场景划分的数量由人为进行设定。这就导致此种方法对于场景的划分不够科学严谨。并且它只考虑了最坏情况，其他的场景信息并没有充分利用。