《ENERGY CONVERSION AND MANAGEMENT》:Stochastic optimization of power resources in energy communities using multivariate time series clustering
编辑推荐:
能源社区(energy communities, ECs)是以向成员及当地提供社会、环境和经济收益为核心的组织,分为可再生能源社区和公民能源社区两类。由于ECs的主要能源应来自可再生能源,需开发优化算法以实现对这些资源的有效管理,并考虑其波动性。混合整数线性规
能源社区(energy communities, ECs)是以向成员及当地提供社会、环境和经济收益为核心的组织,分为可再生能源社区和公民能源社区两类。由于ECs的主要能源应来自可再生能源,需开发优化算法以实现对这些资源的有效管理,并考虑其波动性。混合整数线性规划(mixed-integer linear programming, MILP)被广泛用于优化共享资产的规模与运行,但其依赖于高分辨率长时间序列数据,导致计算成本高昂甚至难以处理。因此,亟需既能简化模型输入、降低计算负担,又能保留能源曲线关键时序与统计特征的数据降维方法。现有文献多采用单变量时间序列(univariate time series, UVTS)聚类对负荷与发电曲线进行简化,但该方法将各变量孤立处理,丢失了变量间的相关性信息。而多变量时间序列(multivariate time series, MVTS)聚类能够同时捕捉并发变量间的关系,已在电力系统负荷预测、空气质量数据分析及异常检测等领域展现出价值。然而,将MVTS聚类充分整合到ECs资源规划与运行中的方法论框架仍鲜有探索。本研究旨在填补这一空白,探究MVTS聚类在ECs运行规划随机模型数据处理中的应用,分析其相较于传统UVTS方法如何更丰富地刻画变量间的相互依赖关系,从而增强对系统动态的理解,为ECs优化中的数据驱动决策提供方法论支撑。研究采用MVTS聚类技术同时分析光伏(photovoltaic, PV)发电与电力消费时间序列的行为,以此更深入地刻画不确定性。这些曲线作为两阶段随机优化模型的输入数据,用于社区运行调度。案例研究使用了西班牙塞维利亚的真实太阳辐射与电力消费数据。研究工作聚焦于三个核心问题:(1)采用UVTS与MVTS方法对输入数据进行聚类,如何影响ECs的运行成本?(2)两种聚类结果对计划能量不平衡及相关惩罚成本有何影响?(3)两种聚类技术如何影响模型数据的随机性指标?通过回答这些问题,本研究旨在深入理解MVTS聚类在优化ECs资源管理方面的潜在优势。
一、研究背景与现存问题
能源社区(energy communities, ECs)作为推动分布式能源管理与能源转型的关键组织形式,其核心能源应来源于可再生资源。然而,可再生能源(如光伏发电)的固有波动性给ECs的高效运行带来了巨大挑战。为了应对这种不确定性,学术界普遍采用数学优化模型,其中混合整数线性规划(mixed-integer linear programming, MILP)因其在处理储能系统规模与运行优化、本地点对点(peer-to-peer, P2P)能源市场管理以及需求灵活性协调等方面的有效性而被广泛应用。但这些优化模型高度依赖于高分辨率的时间序列数据(例如小时级或半小时级数据),且通常需要覆盖长达一年的时间跨度以充分捕捉季节性和日变化特征。这种精细化的数据需求导致了优化问题面临极高的计算成本,有时甚至使问题在计算上变得不可解。因此,迫切需要一种数据降维方法,能够在简化模型输入、降低计算负担的同时,保留能源曲线的关键时间与统计特性。
现有文献中,常见的做法是应用单变量时间序列(univariate time series, UVTS)聚类技术来简化负荷与发电曲线。K-means及其变体因其简洁、快速、易于实现且可扩展性强而被广泛使用,例如识别农村社区电器消费模式、典型建筑与电动汽车负荷场景、生成24小时风力发电曲线等。然而,UVTS方法的一个根本缺陷在于它将每个变量孤立处理。当分别对消费曲线和发电曲线进行分组时,两者之间的相关性或统计关系信息就会丢失。而这种相关性对于社区电池等灵活资产的规模确定与运行优化至关重要。
相比之下,多变量时间序列(multivariate time series, MVTS)聚类能够捕获并发变量之间的关系,已在短期与中期负荷预测、空气质量数据分析、多元实时PMU数据异常检测等领域证明了其价值。尽管已有研究利用多元copula方法减少局部能源社区的预测误差,但其主要侧重于生成概率预测误差场景,而非对行为曲线进行分组。因此,将MVTS聚类的潜力全面融入ECs资源规划与运行的方法论框架仍然是一个有待深入探索的方向。本研究正是针对这一文献空白,旨在探究MVTS聚类在ECs运行规划随机模型数据处理中的应用,分析其相较于传统UVTS方法如何更全面地刻画系统动态,为ECs优化中的数据驱动决策提供方法论支持。
二、研究方法概述
研究人员提出了一套完整的评估框架,用以比较UVTS与MVTS聚类对ECs随机优化的影响。研究采用了以下几个关键技术方法:
- 1.
数据预处理:使用来自西班牙塞维利亚(Seville, Spain)2022年全年的聚合小时级负荷数据与实测太阳辐射数据,并通过系统咨询模型(System Advisory Model, SAM)程序计算500kWp光伏电站的发电量。数据首先按四季划分为四组,剔除所有非工作日。采用四分位距法(interquartile range, IQR)逐季逐小时进行异常值检测,对异常小时数较少的日期进行线性插值修正,异常小时数过多的日期则整体删除,最终保留负荷与光伏数据均完整的日期。随后,使用最大绝对值缩放(Maximum Absolute Scaling, MaxAbsScaler)方法将光伏发电与负荷数据独立归一化至[0,1]区间,以消除数值幅度差异对相似度计算的影响,同时保留时间曲线的形态。
- 2.
数据聚类:分别采用UVTS和MVTS两种聚类方法。两种方法均使用K-means聚类算法,并以动态时间规整(dynamic time warping, DTW)距离作为衡量曲线间相似度的度量标准。DTW的优势在于能够考虑时间序列的形状,并对时间偏移的点进行对齐调整。在UVTS聚类中,电力需求与光伏发电的每日特征模式被分别独立识别。在MVTS聚类中,光伏发电与电力消费时间序列被视为一个整体(维度为24小时×2参数),在同一聚类过程中同时进行分析,从而保留两者间的相关性。聚类数量的选择综合运用了肘部曲线法(Elbow Curve)、轮廓系数(Silhouette coefficient)和戴维斯-布尔丁指数(Davies-Bouldin Index)。
- 3.
随机优化模型:生成的聚类中心曲线作为输入数据,驱动一个两阶段随机优化模型,用于ECs的日常运行调度。该模型以最小化运行成本为目标,考虑了从电网购电、光伏发电、储能系统运行及需求灵活性等因素,并引入了计划能量不平衡相关的惩罚成本。
三、研究结果
研究通过对真实数据的案例分析,系统比较了UVTS与MVTS两种聚类方法对ECs随机优化结果的影响。具体发现如下:
- •
聚类结果对比:研究发现,在日内形状变异性较高(由DTW距离衡量)的情况下,MVTS聚类相比UVTS聚类展现出显著优势。MVTS能够生成同时反映负荷与光伏发电联合行为模式的代表性曲线簇,而UVTS则分别生成独立的负荷与发电曲线簇,无法体现两者间的协同变化关系。
- •
对运行成本的影响:基于MVTS聚类输入数据的随机优化模型,在多数季节场景下获得了更低的预期运行成本。这表明,通过保留负荷与光伏发电之间的相关性信息,MVTS聚类能够为优化模型提供更准确的系统状态表征,从而做出更经济的调度决策。
- •
对能量不平衡与惩罚成本的影响:MVTS聚类显著降低了计划能量不平衡量及其相关的惩罚成本。由于MVTS聚类能够更好地捕捉负荷与发电不匹配的时刻(例如阴天高负荷),优化模型可以提前预留更合理的储能容量或安排更精准的购电计划,从而减少了实际运行与计划的偏差。
- •
对随机性指标的影响:研究进一步分析了两种聚类方法对随机优化模型中随机性指标的影响。结果表明,MVTS聚类生成的场景集具有更好的代表性,能够更充分地覆盖负荷与发电联合分布的不确定性空间,从而提升了随机优化解的鲁棒性。
四、讨论与结论
讨论总结:研究结果表明,在能源社区的资源随机优化中,采用MVTS聚类对输入数据进行处理,相较于传统的UVTS聚类方法具有显著优势。这种优势主要体现在三个方面:一是更准确地反映了负荷与光伏发电之间的动态耦合关系,二是降低了系统的运行成本和因能量不平衡导致的惩罚费用,三是提高了随机优化模型对不确定性的刻画能力和解的稳健性。研究特别指出,当负荷与光伏发电曲线在日内表现出较高的形状变异性(即两者间的相关结构复杂且随时间变化)时,MVTS方法的优越性更为突出。这为未来ECs的智能运营提供了新的方法论视角,即不应将不同能源变量割裂看待,而应在数据驱动的优化框架内充分考虑它们的协同效应。
研究结论:本研究通过将MVTS聚类应用于ECs随机优化的输入数据处理,填补了现有文献中的一个重要空白。研究证实,MVTS聚类能够同时分析光伏发电与电力消费时间序列的行为,为不确定性提供了更深入的分析。与UVTS聚类相比,MVTS聚类丰富了变量间相互依赖关系的表征,从而在ECs的运行调度中实现了更低的操作成本和更小的能量不平衡。这项工作为ECs优化中的数据驱动决策提供了一个强有力的方法论工具,尤其适用于那些负荷与可再生能源发电之间存在强相关性和复杂动态交互的场景。未来的研究可以进一步探索不同的变量权重策略、结合更先进的聚类算法,以及在更大规模的ECs系统中验证该方法的适用性。