基于数据驱动Wasserstein模糊集主动配电网分布鲁棒日前调度方法

本发明涉及主动配电网日前调度领域，具体是一种考虑新能源出力不确定性和“源网荷储”协同调控下基于数据驱动wasserstein模糊集的主动配电网分布鲁棒日前调度方法。

背景技术：

1、随着柔性负荷和分布式电源的大量接入，电力系统“双高”特征愈发显著，运行调控方式也愈发复杂。而以风、光为代表的分布式电源出力所固有的间歇性和随机性，使其难以被精准预测。在风、光实际出力波动剧烈的情况下，可能导致制定的日前调度计划无法保证系统运行的经济性和稳定性，严重时甚至会引发潮流越限、失负荷等运行事故。

2、因此，考虑新能源出力不确定性下，通过“源网荷储”协同调控，制定合理、可靠的主动配电网日前调度计划具有重要现实意义。常用的不确定处理方法以随机优化和鲁棒优化为主。随机优化需要事先假设不确定变量的概率分布，通过模拟大量场景以表征其不确定性。一方面，实际中不确定变量的真实分布通常无法有效获取；另一方面，大量计算场景会严重降低问题求解效率。鲁棒优化不需要假设不确定变量的概率分布，而是通过设定封闭集合的边界参数以控制不确定变量的波动范围。

3、但由于鲁棒优化仅考虑最恶劣情况，其求解结果过于保守。而分布鲁棒优化则将随机优化与鲁棒优化的特点相结合，寻找在不确定变量最恶劣概率分布下，使目标函数期望值最优的可行解，从而有效实现了决策结果经济性和鲁棒性的平衡。分布鲁棒模糊集的构造方式一般包括：矩信息法、kl散度法、离散场景法和wasserstein距离法4类。考虑到矩信息法无法有效保证模糊集到真实分布的收敛性，而kl散度法和离散场景法仅适用于不确定变量离散分布情况，wasserstein距离法不仅可以充分利用样本数据信息，且无论针对离散或连续分布的不确定变量，其所构建的模糊集均具有较好的样本外表现性能。

4、因此，本发明提出了一种基于数据驱动wasserstein模糊集的主动配电网分布鲁棒日前调度方法，利用数据生成和异常辨识技术，构建可信度较高的风、光日前出力样本集，并在此基础上，结合nkde和wasserstein度量构建dro模糊集，进而提出基于数据驱动wasserstein模糊集的主动配电网分布鲁棒日前调度方法。

技术实现思路

1、本发明提供了一种基于数据驱动wasserstein模糊集的主动配电网分布鲁棒日前调度方法，实现构建紧凑的dro模糊集，并有效降低了日前调度结果的保守性。该方法构建了基于梯度惩罚范数的wasserstein条件生成对抗网络模型(cwgan-gp)，用于风、光出力日前场景生成，并提出了结合cnn-bigru自动编码器和改进dbscan聚类的异常样本辨识方法，以提升生成场景集的可信度。基于此，采用基于非参数核密度估计(nkde)的置信区间确定数据支撑集的紧凑边界，并结合wasserstein度量构建dro模糊集。进而，提出了基于数据驱动wasserstein模糊集的主动配电网分布鲁棒日前调度方法。

2、本发明是采用如下技术方案实现的：

3、步骤1：初始化算例系统参数，包括基准功率、基准电压、支路及节点参数，燃气轮机、储能装置、分布式光伏和风机、需求响应参数及节点集合。

4、步骤2：根据分布式光伏和风机出力的历史预测数据和历史实测数据，对cwgan-gp模型进行训练。

5、步骤3：基于分布式光伏和风机出力的日前预测值，利用步骤2训练完成的cwgan-gp模型生成n组风、光出力日前场景。

6、步骤4：采用基于cnn-bigru结构设计的自动编码器对步骤3生成的n组风、光出力日前场景进行特征降维。基于降维结果，采用改进dbscan算法实现异常样本辨识。其中，改进dbscan算法中利用改进麻雀搜索算法(issa)实现对dbscan参数的自适应寻优。

7、步骤5：根据步骤4处理后的风、光出力日前生成场景集和已知日前预测值，计算得风、光出力预测误差场景集。

8、步骤6：采用nkde对步骤5所得预测误差场景集的概率分布进行拟合，以此作为wasserstein模糊集的中心经验分布，并采用置信区间优化选取支撑集(即步骤5所得预测误差场景集)边界，构建dro模糊集。基于此，提出了两阶段主动配电网分布鲁棒日前调度模型，实现数据驱动方法和dro的有机结合。

9、步骤7：基于强对偶理论，将步骤6所构建的两阶段dro模型转换为混合整数线性规划问题(milp)，实现有效求解。

10、有益效果

11、本发明，与目前已有的dro日前调度方法相比，实现了数据驱动方法与dro模型深层次的结合，有效降低了模糊集保守性，并在保证决策鲁棒性前提下，提高了日前调度方案的经济性和应对新能源出力不确定的适应性。

技术特征：

1.一种基于数据驱动wasserstein模糊集主动配电网分布鲁棒日前调度方法，其特征在于：采用cwgan-gp模型数据驱动生成风、光出力日前场景，并利于基于cnn-bigru自动编码器和改进dbscan聚类的异常样本辨识方法，提高生成场景集可信度；在此基础上，构建基于nkde和wasserstein度量的dro模糊集；具体步骤如下：

2.根据权利要求1所述的基于数据驱动wasserstein模糊集主动配电网分布鲁棒日前调度方法，其特征在于：步骤2中cwgan-gp模型的构建及训练，具体内容如下：

3.根据权利要求1所述的基于数据驱动wasserstein模糊集主动配电网分布鲁棒日前调度方法，其特征在于：步骤4中基于cnn-bigru自动编码器特征降维和issa-dbscan聚类的异常样本辨识模型的构建，具体内容如下：

4.根据权利要求1所述的基于数据驱动wasserstein模糊集主动配电网分布鲁棒日前调度方法，其特征在于：步骤6中基于nkde和wasserstein度量的模糊集构建和两阶段主动配电网分布鲁棒日前调度模型的构建；具体内容如下：

技术总结本发明公开了一种基于数据驱动Wasserstein模糊集主动配电网分布鲁棒日前调度方法，实现构建紧凑的DRO模糊集，并有效降低了日前调度结果的保守性；该方法构建了基于梯度惩罚范数的Wasserstein条件生成对抗网络模型(CWGAN‑GP)，用于风、光出力日前场景生成，并提出了结合CNN‑BiGRU自动编码器和改进DBSCAN聚类的异常样本辨识方法，以提升生成场景集的可信度；采用基于非参数核密度估计(NKDE)的置信区间确定数据支撑集的紧凑边界，并结合Wasserstein度量构建DRO模糊集。本发明与目前已有的DRO日前调度方法相比，实现了数据驱动方法与DRO模型深层次的结合，有效降低了模糊集保守性，并在保证决策鲁棒性前提下，提高了日前调度方案的经济性和应对新能源出力不确定的适应性。技术研发人员：魏炜,王禹东,靳小龙受保护的技术使用者：天津大学技术研发日：技术公布日：2024/7/25