《Electronics》:Data-Driven Robust Scheduling of a Wind–PV–CSP Hybrid System Using Adaptive Uncertainty Sets
编辑推荐:
构建风光能源基地是促进绿色转型的有效途径,而可再生能源基地的优化调度对其高质量发展至关重要。然而,风电和光伏发电具有间歇性、波动性和不可预测性,这对电力系统的经济运行提出了新的挑战。本文提出了一种增强的数据驱动鲁棒优化方法,用于建立考虑风电机组和光伏发电出力不
构建风光能源基地是促进绿色转型的有效途径,而可再生能源基地的优化调度对其高质量发展至关重要。然而,风电和光伏发电具有间歇性、波动性和不可预测性,这对电力系统的经济运行提出了新的挑战。本文提出了一种增强的数据驱动鲁棒优化方法,用于建立考虑风电机组和光伏发电出力不确定性的新能源基地经济调度模型。同时,利用随机森林回归方法开发了风电机组和光伏出力的不确定性区间。与传统鲁棒优化方法相比,所提方法充分利用历史数据建立了更精确、更灵活的不确定变量区间模型,避免了传统鲁棒优化方法固有的过度保守问题。最后,通过案例研究验证了所提方法的有效性,表明数据驱动的不确定集更符合实际情况。
**论文解读:基于自适应不确定集的风–光伏–CSP混合系统数据驱动鲁棒调度**
构建大型风光发电基地是减少能源利用碳排放的有效途径,优化可再生能源发电设备的经济运行对其高效发展至关重要。然而,风电和光伏出力具有间歇性、波动性和不可预测性,其大规模并网给电力系统的安全和经济运行带来了新挑战。聚光太阳能热发电(CSP,利用聚光装置将太阳辐射转化为热能并发电的技术)具有储热系统,可调度性强,可用于平抑风光出力波动,因此需充分利用其储热时移特性来协调风、光与CSP。当前处理不确定性的主要方法中,随机优化需预先假定随机变量的精确概率分布,现实中难以实现;传统鲁棒优化采用不确定区间描述变量,但基于最坏场景决策,区间选择不合理时结果过度保守。分布鲁棒优化(DRO,利用模糊集描述不确定分布的一类鲁棒优化方法)虽推动了数据驱动鲁棒优化的发展,但基于矩信息或Wasserstein距离的方法通常假设数据独立同分布(i.i.d.),与可再生能源出力的真实时序分布不匹配,且模糊集参数高度敏感。机器学习区间估计方法可借助预测特征克服这一局限,因此研究人员提出了一种基于改进鲁棒优化的风–光伏–CSP混合系统经济调度模型。
研究人员提出了增强的数据驱动鲁棒优化方法,建立考虑风电机组(WT,将风能转化为电能的设备)和光伏电站(PV,将太阳能直接转化为电能的设施)出力不确定性的新能源基地经济调度模型。采用分位数回归随机森林(QRRF,结合随机森林和分位数回归的集成学习方法)从历史气象和功率数据中构建条件自适应的预测区间,取代传统静态不确定集。基于该数据驱动区间,构建以最大化可再生能源系统运营商总运营收入为目标的鲁棒优化模型,并满足CSP运行约束和系统功率平衡。通过强对偶理论将含不确定参数的min–max模型转化为可解的混合整数线性规划问题。案例研究使用新疆某基地2024年每小时的风电和光伏历史数据,验证了所提方法的有效性。结果表明,与传统静态不确定集的鲁棒优化相比,该方法在保持鲁棒性的同时提高了净利润。该研究发表在《Electronics》期刊上。
研究人员采用的主要关键技术方法包括:分位数回归随机森林(QRRF),该方法结合随机森林(RF)与分位数回归(QR),在每棵决策树上预测目标变量的条件分位数,从而获得风光出力预测区间;数据驱动鲁棒优化框架,利用QRRF生成的区间定义自适应不确定集,建立鲁棒调度模型,并通过对偶理论转化为混合整数线性规划求解。研究使用新疆某基地2024年每小时的风电和光伏历史数据,按时间顺序分为训练集(80%)、验证集(10%)和测试集(10%)。
**5.1 区间预测结果**:研究人员采用预测区间覆盖概率(PICP,实际值落入预测区间的比例)和平均预测区间宽度(MPIW,区间平均宽度,按装机容量归一化)评估QRRF构建的区间质量。测试集上风电PICP为92.8%,光伏为93.7%,接近名义95%置信水平,验证了区间可靠性;归一化MPIW分别为17.8%和11.9%,表明区间较为紧凑。与基于专家经验的传统区间估计不同,各小时的预测区间上下界不恒定,宽度随历史数据和气象因素变化,且点预测不在区间中点,说明所得区间更符合风光出力的实际波动特性。
**5.2 优化结果**:在相同测试条件下,研究人员将所提数据驱动自适应鲁棒优化方法(DDAR)与确定性优化(DO,忽略不确定性)、随机规划(SP,基于蒙特卡洛抽样场景的期望利润最大化)和传统鲁棒优化(CRO,采用固定箱式不确定集)进行对比。结果显示,DDAR比CRO净利润提高9.9%,优化结果更接近DO,表明通过QRRF构造条件自适应区间,可避免过度预留容量,同时保持鲁棒性。SP虽利润水平与DDAR相近,但在极端低概率事件下性能会急剧下降。进一步分析最优调度方案,WT出力峰值为16–23时,PV出力峰值为10–14时,两者具有互补性。可再生能源基地总出力略大于承诺的日前计划,尤其在11–20时;最大弃电发生在13:00–14:00和23:00,弃电量为211.4 MWh,原因是当时风光资源丰富。由于WT和PV装机容量远大于CSP,风光发电占承诺计划的89.1%,CSP主要作为灵活性资源,快速调节出力以平衡风光波动。CSP的最优调度显示,其储热系统在09:00–14:00充电,非阳光时段放电以维持供电,从而补偿夜间PV无法满足的承诺计划。
讨论部分指出,所提框架的有效性依赖一些前提条件:混合基地需并网运行,外部电网作为最终灵活性资源以补偿超出预测区间的极端偏差;该方法不直接适用于孤岛微电网或无外部电网支撑的系统,除非显式加入备用容量或需求侧灵活性;此外,至少需要一年的小时级历史数据(包括数值天气预报特征和对应功率测量值)来训练QRRF,以保证条件分位数估计的可靠性。当前模型存在一定局限性:热能存储采用恒定充放电效率且不考虑退化,可能高估长期灵活性;模型为单母线表示和简化市场参与,忽略了网络阻塞、电压约束和详细报价。这些假设是为了聚焦所提自适应不确定集并保持模型可解性。未来工作方向包括:引入交流/直流潮流约束以考虑输电阻塞和电压限值;将模型扩展至日前、日内、实时平衡及备用等多市场多时间尺度联合优化;将数据驱动鲁棒方法应用于风、光、CSP及储能的容量联合规划,使自适应不确定集成为规划模型的组成部分。
研究结论翻译如下:针对风电和光伏出力的不确定性,本研究探讨了风电机组、光伏电站和CSP电站的协同运行策略。构建了一种增强的数据驱动鲁棒优化框架,用于可再生能源系统的经济调度,其中QRRF根据历史气象和功率数据构建条件自适应的不确定区间。这些区间被嵌入一个两阶段鲁棒调度模型,该模型在满足CSP电站运行约束的同时最大化净利润。案例研究表明,与使用静态集的传统鲁棒优化相比,所提方法在不牺牲求解鲁棒性的情况下提高了净利润。