肖金星，徐冰雁，葉影，曹春，張宇威，楊軍，李勇匯*

(1.國(guó)網(wǎng)上海市電力公司，上海 200122； 2.武漢大學(xué)電氣與自動(dòng)化學(xué)院，武漢 430072)

近年來(lái)，在“碳達(dá)峰，碳中和”的目標(biāo)要求下，大規(guī)?？稍偕茉唇尤腚娋W(wǎng)，電網(wǎng)的可再生能源滲透率不斷增加。隨著以風(fēng)電和光伏為代表的可再生能源發(fā)電技術(shù)的發(fā)展，如何實(shí)現(xiàn)可再生能源安全、經(jīng)濟(jì)并網(wǎng)已成為目前研究的熱點(diǎn)[1]。實(shí)踐與研究發(fā)現(xiàn)大規(guī)?？稍偕茉吹慕尤虢o配電網(wǎng)與多微網(wǎng)系統(tǒng)在調(diào)度運(yùn)行方面帶來(lái)巨大的挑戰(zhàn)[2-3]。光伏、風(fēng)電的出力與光照強(qiáng)度、風(fēng)速等自然因素相關(guān)，具有一定波動(dòng)性與隨機(jī)性。含高比例新能源的多微網(wǎng)接入配電網(wǎng)，微網(wǎng)中新能源出力的不確定性會(huì)給配電網(wǎng)與多微網(wǎng)系統(tǒng)調(diào)度運(yùn)行的可靠性和經(jīng)濟(jì)性帶來(lái)挑戰(zhàn)[4]。如何對(duì)配電網(wǎng)與多微網(wǎng)中可再生能源的特性進(jìn)行分析，準(zhǔn)確把握可再生能源的出力特性，建立考慮可再生能源出力特性的配電網(wǎng)與多微網(wǎng)調(diào)度模型，綜合提升配電網(wǎng)與多微網(wǎng)調(diào)度運(yùn)行的經(jīng)濟(jì)性和魯棒性，成為亟待研究和解決的問(wèn)題。

考慮不確定性的配電網(wǎng)與多微網(wǎng)調(diào)度模型包括隨機(jī)調(diào)度[5-9]、機(jī)會(huì)約束調(diào)度[10-12]、魯棒調(diào)度等[13-16]。機(jī)會(huì)約束優(yōu)化模型考慮可再生能源的不確定性，允許調(diào)度決策在一定程度上不滿足調(diào)度約束。文獻(xiàn)[11]首先建立可再生能源隨機(jī)出力模型，在旋轉(zhuǎn)備用約束中通過(guò)機(jī)會(huì)約束方法來(lái)描述系統(tǒng)備用不足的情況。魯棒優(yōu)化基于可再生能源出力的歷史數(shù)據(jù)，建立魯棒不確定性集合來(lái)涵蓋可再生能源出力的不確定性，并要求調(diào)度決策能夠應(yīng)對(duì)不確定集合中最惡劣的場(chǎng)景，從而提高調(diào)度魯棒性。文獻(xiàn)[13]建立配電網(wǎng)與多微網(wǎng)雙層調(diào)度模型，其中各微網(wǎng)在下層模型中通過(guò)兩階段魯棒模型處理可再生能源集成和負(fù)荷帶來(lái)的不確定性，配電網(wǎng)上層調(diào)度模型通過(guò)考慮潮流約束來(lái)保證運(yùn)行質(zhì)量，實(shí)現(xiàn)配電網(wǎng)與多微網(wǎng)協(xié)調(diào)調(diào)度。文獻(xiàn)[15]針對(duì)可再生能源出力的不確定性，通過(guò)二階段可調(diào)魯棒調(diào)度方法進(jìn)行配電網(wǎng)與多微網(wǎng)調(diào)度建模，并通過(guò)列約束生成算法以及拉格朗日對(duì)偶進(jìn)行求解。

機(jī)會(huì)約束方法需要難以準(zhǔn)確獲取的概率密度函數(shù)，且由于非凸約束導(dǎo)致其求解較為困難，難以得到全局最優(yōu)解。魯棒優(yōu)化問(wèn)題過(guò)多考慮了實(shí)際調(diào)度中難以出現(xiàn)的極限場(chǎng)景，經(jīng)濟(jì)性相對(duì)較差，且在求解中需要對(duì)子問(wèn)題進(jìn)行對(duì)偶，較為復(fù)雜。

隨機(jī)優(yōu)化模型通過(guò)場(chǎng)景生成方法進(jìn)行風(fēng)光出力場(chǎng)景抽樣，從而生成大量可再生能源出力場(chǎng)景，然后基于場(chǎng)景削減法提取出典型場(chǎng)景。隨機(jī)優(yōu)化求解較為簡(jiǎn)單，且相對(duì)于魯棒優(yōu)化方法經(jīng)濟(jì)性更好。文獻(xiàn)[5]采用隨機(jī)優(yōu)化處理微網(wǎng)中可再生能源出力的不確定性，采用拉丁超立方采樣來(lái)模擬可再生能源出力典型場(chǎng)景，并基于同步回代削減法來(lái)提取場(chǎng)景典型特征。文獻(xiàn)[7]考慮可再生能源發(fā)電的不確定性，提出了一種主動(dòng)配電網(wǎng)與多微網(wǎng)的兩階段隨機(jī)調(diào)度模型，建立配網(wǎng)運(yùn)營(yíng)商與多微電網(wǎng)之間相互作用的雙層模型，將所提出的雙層模型通過(guò)庫(kù)恩-塔克條件和線性化方法轉(zhuǎn)化為混合整數(shù)線性模型并進(jìn)行求解。文獻(xiàn)[8]考慮多重功率預(yù)測(cè)誤差的不確定性影響，提出一種以綜合能源消費(fèi)成本最小化為目標(biāo)的隨機(jī)調(diào)度期望值模型和算法，并基于典型系統(tǒng)進(jìn)行案例分析。文獻(xiàn)[9]利用隨機(jī)機(jī)會(huì)約束優(yōu)化理論，計(jì)及違反安全約束風(fēng)險(xiǎn)，提出了一種考慮風(fēng)電出力不確定性與自動(dòng)發(fā)電控制機(jī)組出力特性的日前隨機(jī)備用調(diào)度模型，并將所構(gòu)造的隨機(jī)備用調(diào)度模型等效為半定規(guī)劃問(wèn)題進(jìn)行直接求解。

目前配電網(wǎng)與多微網(wǎng)隨機(jī)調(diào)度模型主要采用蒙特卡洛抽樣或者拉丁超立方抽樣來(lái)生成可再生能源出力典型場(chǎng)景，然而上述方法均需要假定可再生能源出力的相關(guān)參數(shù)服從某一確定的概率分布，并通過(guò)概率分布擬合可再生能源出力，這與可再生能源實(shí)際出力情況存在一定差異，可能會(huì)影響調(diào)度的精確性。

對(duì)此，現(xiàn)提出一種基于Wasserstein生成對(duì)抗網(wǎng)絡(luò)的配電網(wǎng)與多微網(wǎng)日前隨機(jī)調(diào)度方法。首先采用Wasserstein生成對(duì)抗網(wǎng)絡(luò)算法對(duì)可再生能源出力預(yù)測(cè)誤差進(jìn)行數(shù)據(jù)驅(qū)動(dòng)式場(chǎng)景生成，并基于場(chǎng)景削減法得到風(fēng)光出力典型場(chǎng)景；在配電網(wǎng)與多微網(wǎng)調(diào)度目標(biāo)函數(shù)中綜合考慮調(diào)度的經(jīng)濟(jì)性指標(biāo)以及韌性指標(biāo)，其中韌性指標(biāo)指的是配電網(wǎng)在極端場(chǎng)景下的調(diào)度可靠性?；趫?chǎng)景法處理可再生能源出力的不確定性，建立配電網(wǎng)與多微網(wǎng)隨機(jī)調(diào)度模型。所提的配電網(wǎng)與多微網(wǎng)隨機(jī)調(diào)度模型在可再生能源出力場(chǎng)景生成方面，相比于傳統(tǒng)假定概率分布的生成方法，以期使其生成的場(chǎng)景更接近實(shí)際場(chǎng)景。

1 基于數(shù)據(jù)驅(qū)動(dòng)的可再生能源出力場(chǎng)景分析

1.1 基于WGAN的可再生能源出力場(chǎng)景生成

生成對(duì)抗網(wǎng)絡(luò)算法(generative adversarial networks, GAN)是近年來(lái)應(yīng)用較為廣泛的深度學(xué)習(xí)模型之一[17]，其主要由生成模型(generative model, G)以及判別模型(discriminative model, D)所構(gòu)成。生成對(duì)抗網(wǎng)絡(luò)通過(guò)生成模型以及判別模型的相互博弈，能夠?qū)υ紨?shù)據(jù)的相關(guān)特征進(jìn)行學(xué)習(xí)，從而生成反映原始數(shù)據(jù)特征的新數(shù)據(jù)。

生成對(duì)抗網(wǎng)絡(luò)模型(圖1)中，生成模型接收輸入的隨機(jī)噪聲數(shù)據(jù)，通過(guò)多層神經(jīng)網(wǎng)絡(luò)，將輸入數(shù)據(jù)轉(zhuǎn)化為生成的假樣本數(shù)據(jù)，用來(lái)迷惑判別模型；判別模型分別接收原始樣本數(shù)據(jù)以及生成模型生成的假樣本數(shù)據(jù)，其主要任務(wù)辨別生成模型生成數(shù)據(jù)的真實(shí)性，它的輸出在0～1，也就是判斷該輸入數(shù)據(jù)為真實(shí)數(shù)據(jù)的概率。當(dāng)生成模型生成的數(shù)據(jù)足夠逼真，判別模型認(rèn)為輸入樣本的真實(shí)性較高時(shí)，其輸出的概率值接近1。生成對(duì)抗網(wǎng)絡(luò)通過(guò)生成模型與判別模型進(jìn)行對(duì)抗博弈，其中判別模型通過(guò)訓(xùn)練，提高自身的判別能力，生成模型通過(guò)訓(xùn)練提高生成數(shù)據(jù)與原始數(shù)據(jù)之間的相似度，使得生成數(shù)據(jù)能夠通過(guò)判別模型的檢驗(yàn)。

圖1 生成對(duì)抗網(wǎng)絡(luò)Fig.1 Generative adversarial networks

可以看出，相對(duì)于蒙特卡洛抽樣法、拉丁超立方抽樣法等通過(guò)概率建模的常規(guī)場(chǎng)景生成算法，GAN不需要事先假定數(shù)據(jù)的概率分布，可以直接通過(guò)生成模型和判別模型的博弈對(duì)原始數(shù)據(jù)的分布特征進(jìn)行隱性學(xué)習(xí)，從而生成在特征上盡可能接近原始數(shù)據(jù)的生成數(shù)據(jù)。

針對(duì)配電網(wǎng)與多微網(wǎng)中的風(fēng)電、光伏出力特性進(jìn)行特征學(xué)習(xí)，用x表示風(fēng)電、光伏出力日前預(yù)測(cè)誤差歷史數(shù)據(jù)，pr(x)表示風(fēng)光出力預(yù)測(cè)誤差數(shù)據(jù)的真實(shí)分布。對(duì)于生成模型G，其損失函數(shù)LG具體為

LG=-Ez～pz(z){D[G(z)]}

(1)

式(1)中：z為判別模型輸入的噪聲數(shù)據(jù)；pz(z)為噪聲數(shù)據(jù)分布，一般設(shè)定為正態(tài)分布；E(·)為求期望的函數(shù)；G(z)為生成數(shù)據(jù)；D(·)為判別模型函數(shù)。

對(duì)于判別模型D，其輸入是風(fēng)光出力日前預(yù)測(cè)誤差的真實(shí)數(shù)據(jù)以及生成模型生成的風(fēng)光出力日前預(yù)測(cè)誤差場(chǎng)景數(shù)據(jù)，輸出是判斷該輸入數(shù)據(jù)為真實(shí)數(shù)據(jù)的概率，為0～1。其損失函數(shù)LD具體為

LD=-Ex～pr(x)[D(x)]+Ez～pz(z){D[G(z)]}

(2)

建立使生成模型和判別模型進(jìn)行對(duì)抗博弈的價(jià)值函數(shù)V(G,D)，具體為

Ez～pz(z){D[G(z)]}

(3)

Wasserstein生成對(duì)抗網(wǎng)絡(luò)算法(Wasserstein GAN, WGAN)采用Wasserstein距離來(lái)衡量原始數(shù)據(jù)和生成數(shù)據(jù)之間的距離，與傳統(tǒng)GAN的Jensen-Shannon距離相比，能夠更好地反映數(shù)據(jù)之間的分布遠(yuǎn)近，且能夠提供較為準(zhǔn)確的梯度。Wasserstein距離定義為

Ez～pg(z)[f(z)]

(4)

式(4)中：sup為上確界；Q為L(zhǎng)ipschitz常數(shù)；pg(z)為生成數(shù)據(jù)的概率分布；‖f‖L≤Q表示函數(shù)f滿足Q-Lipschitz連續(xù)。

考慮到WGAN算法在數(shù)據(jù)驅(qū)動(dòng)場(chǎng)景生成方面的優(yōu)勢(shì)，采用WGAN對(duì)風(fēng)光出力預(yù)測(cè)誤差進(jìn)行數(shù)據(jù)驅(qū)動(dòng)式場(chǎng)景分析，輸入風(fēng)光出力日前預(yù)測(cè)誤差歷史數(shù)據(jù)pr(x)以及隨機(jī)噪聲pz(z)，建立生成模型G和判別模型D的博弈模型，同時(shí)訓(xùn)練兩個(gè)模型，從而對(duì)風(fēng)光出力場(chǎng)景特性進(jìn)行特征學(xué)習(xí)。

1.2 基于場(chǎng)景削減的可再生能源出力典型場(chǎng)景提取

當(dāng)采用WGAN算法生成大量風(fēng)電、光伏出力預(yù)測(cè)誤差場(chǎng)景時(shí)，會(huì)產(chǎn)生大量相似度較高的場(chǎng)景。此外，在調(diào)度模型中考慮較多的風(fēng)電、光伏出力誤差場(chǎng)景會(huì)大大提高調(diào)度的求解難度。因此一方面為了降低調(diào)度模型的求解難度，另一方面為了通過(guò)更精簡(jiǎn)的場(chǎng)景來(lái)準(zhǔn)確地反映風(fēng)電、光伏出力典型特征，有必要采用場(chǎng)景削減方法來(lái)對(duì)WGAN算法生成的風(fēng)電、光伏出力誤差場(chǎng)景進(jìn)行削減，提取風(fēng)光出力典型場(chǎng)景。

采用K-mediods法進(jìn)行場(chǎng)景削減，從而進(jìn)行典型特征提取。假設(shè)WGAN生成的風(fēng)光出力預(yù)測(cè)誤差場(chǎng)景集合為S，場(chǎng)景削減的目標(biāo)是通過(guò)產(chǎn)生的典型場(chǎng)景集合F來(lái)替代S，從而在削減場(chǎng)景規(guī)模的同時(shí)使得F集合能夠盡量反映原始數(shù)據(jù)的特征。K-mediods場(chǎng)景削減法具體公式為

(5)

d(ui,uj)=‖ui-uj‖

(6)

式中：pi為場(chǎng)景ui出現(xiàn)的概率；d(ui,uj)為場(chǎng)景ui、uj之間的距離。

通過(guò)K-mediods算法對(duì)可再生能源出力預(yù)測(cè)誤差場(chǎng)景進(jìn)行削減的步驟如下。

步驟1從WGAN生成的風(fēng)光出力預(yù)測(cè)誤差場(chǎng)景中隨機(jī)選取ns個(gè)場(chǎng)景作為初始聚類中心。

步驟2計(jì)算每個(gè)生成的風(fēng)光出力預(yù)測(cè)誤差場(chǎng)景離聚類中心的距離，將每個(gè)風(fēng)光出力預(yù)測(cè)誤差場(chǎng)景分配到離其最近的聚類中心。

步驟3求解使得優(yōu)化目標(biāo)函數(shù)最小的聚類中心。

步驟4如果新的聚類中心與前一次的聚類中心不同，則轉(zhuǎn)至步驟2；否則，當(dāng)前聚類所得到的聚類中心就是場(chǎng)景削減之后的風(fēng)電、光伏出力日前預(yù)測(cè)誤差典型場(chǎng)景。

2 配電網(wǎng)與多微網(wǎng)日前隨機(jī)調(diào)度

配電網(wǎng)與多微網(wǎng)具體架構(gòu)如圖2所示。配電網(wǎng)可以與主網(wǎng)進(jìn)行功率交互，并通過(guò)聯(lián)絡(luò)線與多微網(wǎng)進(jìn)行功率雙向交互。微網(wǎng)則通過(guò)可再生能源機(jī)組以及燃?xì)廨啓C(jī)機(jī)組發(fā)電滿足負(fù)荷需求，并與配電網(wǎng)進(jìn)行功率交互。

圖2 配電網(wǎng)與多微網(wǎng)Fig.2 Distribution network and multi-microgrids

針對(duì)配電網(wǎng)與多微網(wǎng)中可再生能源出力的不確定性，基于前文數(shù)據(jù)驅(qū)動(dòng)算法生成的風(fēng)光出力典型場(chǎng)景建立了配電網(wǎng)與多微網(wǎng)日前隨機(jī)調(diào)度模型，通過(guò)優(yōu)化決策變量使得在所有場(chǎng)景下都能滿足系統(tǒng)的調(diào)度約束，并選擇期望成本最小方案作為配電網(wǎng)與多微網(wǎng)最優(yōu)日前調(diào)度計(jì)劃。

針對(duì)微網(wǎng)中風(fēng)光出力特性，通過(guò)數(shù)據(jù)驅(qū)動(dòng)算法生成風(fēng)光出力典型場(chǎng)景，具體如下。

(7)

(8)

2.1 目標(biāo)函數(shù)

配電網(wǎng)與多微網(wǎng)日前隨機(jī)優(yōu)化調(diào)度模型以多個(gè)可再生能源出力典型場(chǎng)景下系統(tǒng)調(diào)度成本加權(quán)和最低為目標(biāo)函數(shù)。配電網(wǎng)與多微網(wǎng)調(diào)度成本f包括配電網(wǎng)調(diào)度成本fDN以及多微網(wǎng)調(diào)度成本fMMG。

minf=fDN+fMMG

(9)

(10)

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

(19)

(20)

(21)

2.2 約束條件

配電網(wǎng)與多微網(wǎng)日前隨機(jī)優(yōu)化調(diào)度模型的調(diào)度約束包括配電網(wǎng)調(diào)度約束以及多微網(wǎng)調(diào)度約束。

2.2.1 配電網(wǎng)調(diào)度約束

(1)配電網(wǎng)功率平衡約束。

(22)

(23)

(2)配電網(wǎng)潮流約束。

(24)

(25)

(3)安全約束。

(26)

(27)

(4)聯(lián)絡(luò)線傳輸約束。

(28)

2.2.2 微網(wǎng)調(diào)度約束

(1)燃?xì)廨啓C(jī)開(kāi)關(guān)機(jī)時(shí)間約束。

(29)

(30)

(31)

(32)

(2)燃?xì)廨啓C(jī)爬坡約束。

(33)

式(33)中：RUk、RDk分別為燃?xì)廨啓C(jī)的上、下爬坡功率最大值。

(3)微網(wǎng)功率平衡約束。

(34)

(4)儲(chǔ)能約束。

(35)

(5)棄風(fēng)、棄光約束。

(36)

(37)

(6)燃?xì)廨啓C(jī)出力上下限約束。

(38)

(7)A類和B類IL的調(diào)度約束。

(39)

(40)

3 仿真結(jié)果分析

3.1 仿真算例

采用IEEE33節(jié)點(diǎn)配電網(wǎng)以及3個(gè)具有不同負(fù)荷曲線的微網(wǎng)1、微網(wǎng)2、微網(wǎng)3分別進(jìn)行仿真驗(yàn)證，具體如圖3所示。微網(wǎng)1、微網(wǎng)2、微網(wǎng)3的區(qū)別主要在于日負(fù)荷曲線的差異，峰值負(fù)荷均為1 100 kW。各微網(wǎng)的負(fù)荷曲線以及機(jī)組相關(guān)參數(shù)參考文獻(xiàn)[20]。微網(wǎng)棄風(fēng)和棄光懲罰成本為0.6 元/(kW·h)。配電網(wǎng)的單位網(wǎng)損成本為0.6 元/(kW·h)。各微網(wǎng)中A、B類IL負(fù)荷的占比均為微網(wǎng)總負(fù)荷的5%，A類IL調(diào)度成本為0.3 元/(kW·h)，B類IL調(diào)度成本為0.6 元/(kW·h)。

WT、PV、MT、LOAD、ES分別為風(fēng)機(jī)、光伏、燃?xì)廨啓C(jī)、負(fù)荷、儲(chǔ)能；微網(wǎng)1為居民型微網(wǎng)，微網(wǎng)2為商業(yè)型微網(wǎng)，微網(wǎng)3為工業(yè)型微網(wǎng)圖3 測(cè)試系統(tǒng)示意圖Fig.3 Topology of the test system

在可再生能源出力數(shù)據(jù)方面，選用比利時(shí)地區(qū)可再生能源出力作為數(shù)據(jù)集[21]。風(fēng)電和光伏的日前預(yù)測(cè)出力數(shù)據(jù)如圖4所示。

圖4 日前風(fēng)光預(yù)測(cè)出力Fig.4 Day-ahead forecast output of wind and solar

在可再生能源出力場(chǎng)景生成方面，通過(guò)python軟件進(jìn)場(chǎng)景生成。在利用調(diào)度模型求解時(shí)，本文通過(guò)MATLAB軟件進(jìn)行編程，調(diào)用Gurobi算法包進(jìn)行計(jì)算。

3.2 可再生能源出力場(chǎng)景生成

WGAN算法的訓(xùn)練圖如圖5所示。損失函數(shù)的絕對(duì)值能夠反映生成樣本與真實(shí)樣本之間的接近度，可以看出，剛開(kāi)始訓(xùn)練時(shí)，生成器和判別器損失均較大。隨著訓(xùn)練次數(shù)的增加，生成器和判別器能夠不斷調(diào)整其內(nèi)部神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)，使得生成器生成的數(shù)據(jù)越發(fā)接近真實(shí)數(shù)據(jù)。當(dāng)訓(xùn)練1 000次后，生成器損失以及判別器損失都趨于穩(wěn)定，此時(shí)，判別器難以準(zhǔn)確區(qū)分生成器所產(chǎn)生樣本的真實(shí)性，WGAN訓(xùn)練完成。訓(xùn)練完成后，WGAN生成的風(fēng)光出力預(yù)測(cè)誤差數(shù)據(jù)能夠較好地反映真實(shí)風(fēng)光出力場(chǎng)景的特性。

圖5 生成器損失和判別器損失的變化 Fig.5 Changes in generator loss and discriminator loss

為了驗(yàn)證WGAN生成的風(fēng)光出力預(yù)測(cè)誤差場(chǎng)景能夠反映風(fēng)光實(shí)際出力場(chǎng)景的特征。作為對(duì)比，假設(shè)風(fēng)電、光伏出力預(yù)測(cè)誤差均服從正態(tài)分布，采用拉丁超立方抽樣方法(Latin hypercube sampling, LHS)，用正態(tài)分布擬合風(fēng)電、光伏出力預(yù)測(cè)誤差，結(jié)合Cholesky分解法生成風(fēng)、光出力預(yù)測(cè)誤差場(chǎng)景。

對(duì)比這兩種方法生成的風(fēng)光出力預(yù)測(cè)誤差場(chǎng)景累計(jì)概率分布與原始風(fēng)、光出力預(yù)測(cè)誤差數(shù)據(jù)概率分布之間的差異，選取單一時(shí)刻的風(fēng)光預(yù)測(cè)誤差累計(jì)概率分布進(jìn)行對(duì)比，具體如圖6和圖7所示?？梢钥闯觯琖GAN算法生成的風(fēng)、光出力預(yù)測(cè)誤差場(chǎng)景的累計(jì)概率分布更接近實(shí)際情況，能夠更好地學(xué)習(xí)風(fēng)光的出力特性。這是因?yàn)長(zhǎng)HS算法需要假定風(fēng)光出力預(yù)測(cè)誤差服從特定的概率分布，而WGAN無(wú)需假定其分布，而是通過(guò)生成器以及判別器進(jìn)行博弈，從而生成能夠符合風(fēng)光真實(shí)出力特征的風(fēng)光出力場(chǎng)景。

圖6 風(fēng)電出力預(yù)測(cè)誤差累積概率分布Fig.6 Cumulative probability distribution of wind output prediction error

圖7 光伏出力預(yù)測(cè)誤差累積概率分布Fig.7 Cumulative probability distribution of solar output prediction error

聚類算法得到風(fēng)光的預(yù)測(cè)誤差典型場(chǎng)景，疊加風(fēng)光日前預(yù)測(cè)出力后可以得到風(fēng)光出力典型場(chǎng)景，具體如圖8和圖9所示，其中S1、S2、S3、S4、S5分別為聚類生成的5個(gè)典型場(chǎng)景。

圖8 風(fēng)電出力典型場(chǎng)景Fig.8 Typical scenarios of wind output

圖9 光伏出力典型場(chǎng)景Fig.9 Typical scenarios of solar output

3.3 配電網(wǎng)與多微網(wǎng)系統(tǒng)調(diào)度分析

圖10為配電網(wǎng)日前調(diào)度決策情況，可以看出，配電網(wǎng)向主網(wǎng)的購(gòu)電功率曲線較為平穩(wěn)，多微網(wǎng)接入配電網(wǎng)在一定程度上改善了配電網(wǎng)的負(fù)荷曲線。此外，多微網(wǎng)以向配電網(wǎng)售電為主。其中，對(duì)于居民型微網(wǎng)1，其負(fù)荷主要集中于中午，所以其在中午時(shí)段向配電網(wǎng)售電功率較少，在晚間負(fù)荷較低時(shí)增加向配電網(wǎng)售電的功率。對(duì)于商業(yè)型微網(wǎng)2，其負(fù)荷在中午和下午達(dá)到峰值，所以向配電網(wǎng)售電功率較少。對(duì)于工業(yè)型微網(wǎng)3，其白天用電負(fù)荷較少，通過(guò)售賣多余的電能以換取較高的經(jīng)濟(jì)收益，在晚間負(fù)荷峰值時(shí)減少售電功率。

圖10 配電網(wǎng)日前調(diào)度方案Fig.10 Day-ahead dispatching scheme of DN

各微網(wǎng)的調(diào)度策略分別如圖11～圖13所示，可以看出，微網(wǎng)與配電網(wǎng)的功率交互狀態(tài)隨著自身的負(fù)荷需求以及電價(jià)不斷調(diào)整。

圖11 微網(wǎng)1功率平衡曲線Fig.11 Power balance curve of microgrid 1

圖12 微網(wǎng)2功率平衡曲線Fig.12 Power balance curve of microgrid 2

圖13 微網(wǎng)3功率平衡曲線Fig.13 Power balance curve of microgrid 3

在1：00—6：00時(shí)段，電價(jià)較低，各微網(wǎng)負(fù)荷較少，燃?xì)廨啓C(jī)出力較低，微網(wǎng)向配電網(wǎng)購(gòu)買一部分電能，儲(chǔ)能在低電價(jià)時(shí)段充電。在中電價(jià)的7：00—8：00時(shí)段，各微網(wǎng)中燃?xì)廨啓C(jī)在時(shí)段8都有較大的爬坡，從而準(zhǔn)備將多余電能出售給配電網(wǎng)。在電價(jià)較高的8：00—11：00時(shí)段，各微網(wǎng)中儲(chǔ)能放電，燃?xì)廨啓C(jī)保持較高的出力，各微網(wǎng)削減負(fù)荷量增加，各個(gè)微網(wǎng)都將自身多余的電能輸送給配網(wǎng)以換取更高的經(jīng)濟(jì)效益，微網(wǎng)1由于自身負(fù)荷較高，只向配電網(wǎng)出售少量電能。在平電價(jià)的11：00—18：00時(shí)段，此時(shí)各微網(wǎng)中風(fēng)電與光伏的聯(lián)合出力較高，燃?xì)廨啓C(jī)出力較高，儲(chǔ)能則主要處于充電狀態(tài)，微網(wǎng)2和微網(wǎng)3均向配電網(wǎng)售電，從而滿足功率平衡需求。在高電價(jià)的18：00—23：00時(shí)段，各微網(wǎng)儲(chǔ)能以放電為主，燃?xì)廨啓C(jī)出力較高，微網(wǎng)1和微網(wǎng)2負(fù)荷相對(duì)較小，將較多電能出售給配電網(wǎng)，微網(wǎng)3在晚間由于負(fù)荷達(dá)到峰值，與配電網(wǎng)功率交互較小。

3.4 不同調(diào)度策略對(duì)比分析

場(chǎng)景1不含韌性指標(biāo)的調(diào)度模型。

場(chǎng)景2所提的含韌性指標(biāo)的調(diào)度模型。

不同調(diào)度策略下線路的負(fù)載率如圖14所示，可以看出，本文模型能夠一定程度上降低配電網(wǎng)線路的平均負(fù)載率。此外，通過(guò)線路負(fù)載率均方根誤差指標(biāo)分析線路負(fù)載的均勻性。

圖14 配電網(wǎng)線路負(fù)載率Fig.14 Line load rate of distribution network

(41)

場(chǎng)景1和場(chǎng)景2的RMSE指標(biāo)分別為0.194 6以及0.178 3，可以看出，本文模型能夠提升潮流分布的均勻性。綜上所述，本文模型可以降低配電網(wǎng)線路平均負(fù)載率，提升線路負(fù)載分布均勻性，從而提升配電網(wǎng)與多微網(wǎng)系統(tǒng)調(diào)度韌性。

4 結(jié)論

提出了一種基于WGAN的配電網(wǎng)與多微網(wǎng)日前隨機(jī)調(diào)度方法。

首先針對(duì)風(fēng)電以及光伏日前預(yù)測(cè)的不確定性，采用基于WGAN的數(shù)據(jù)驅(qū)動(dòng)算法，對(duì)風(fēng)電和光伏出力預(yù)測(cè)誤差進(jìn)行數(shù)據(jù)驅(qū)動(dòng)式的場(chǎng)景生成，基于場(chǎng)景削減法對(duì)生成的風(fēng)光出力預(yù)測(cè)誤差場(chǎng)景進(jìn)行削減，得到風(fēng)光典型場(chǎng)景；在配電網(wǎng)與多微網(wǎng)調(diào)度目標(biāo)函數(shù)中綜合考慮調(diào)度的經(jīng)濟(jì)性指標(biāo)以及韌性指標(biāo)，基于場(chǎng)景法處理可再生能源出力的不確定性，建立配電網(wǎng)與多微網(wǎng)日前隨機(jī)調(diào)度模型并求解。通過(guò)算例可以得出以下結(jié)論。

(1)在可再生能源出力場(chǎng)景生成方面，仿真結(jié)果表明，所提的配電網(wǎng)與多微網(wǎng)隨機(jī)調(diào)度模型在可再生能源出力場(chǎng)景生成方面，相比于傳統(tǒng)假定概率分布的生成方法，其生成的場(chǎng)景更接近實(shí)際場(chǎng)景。

(2)在配電網(wǎng)與多微網(wǎng)系統(tǒng)調(diào)度中考慮了韌性指標(biāo)對(duì)于調(diào)度的影響。結(jié)果表明，在調(diào)度中加入配電網(wǎng)潮流分布均勻性指標(biāo)，能夠降低配電網(wǎng)線路的平均負(fù)載率和提高潮流分布均勻性，從而提升配電網(wǎng)與多微網(wǎng)調(diào)度韌性。