基于狄利克雷模型的分布鲁棒机组组合

在应对风电不确定性电源发电的机组组合决策中,针对风电随机过程难以表达为确切概率密度与分布的问题,提出基于非精确狄利克雷模型的分布鲁棒机组组合优化模型与求解方法。其核心体现在:首先,依据历史信息,采用非精确狄利克雷模型(imprecise Dirichlet model,IDM)构造包含风电输出功率所有可能概率分布的模糊集;其次,依据该模糊集,在满足一定置信水平下,推演风电输出功率不确定性区间的表达,从而使其与传统自适应鲁棒优化模型相衔接;由此,构建了分布鲁棒优化决策模型,同时采用列约束生成(column and constraint generation,C&CG)算法对其求解;最后,通过IEEE118节点系统算例,验证模型和方法的有效性。

SF_6高压断路器机械故障概率的非精确条件估计

在小样本条件下,结合SF_6高压断路器自身特点,引入非精确概率概念,提出一种将非精确狄里赫雷模型(IDM)与贝叶斯网络相结合的断路器机械故障概率估计方法,对断路器机械故障可能性范围进行估计。首先,对表征断路器力学性能的特性参数进行状态划分;其次,根据历史数据,建立处理非精确条件概率推断问题的贝叶斯网络,并利用非精确狄里赫雷模型得到断路器机械故障样本缺乏条件下贝叶斯网络节点的非精确条件概率测度;最后运用贝叶斯网络的推理算法,根据断路器本次开断的参数估计得到在下次开断时其出现机械故障的非精确概率。该方法体现了短时间尺度下,断路器机械故障概率随其运行状态变化而时变的特点,并为小样本情况下断路器机械机构的可靠性评估以及状态检修提供了依据。通过算例验证,证明了所提方法的有效性。

分布不确定性条件下的N-k分布鲁棒优化机组组合

为降低鲁棒优化方法的保守性和随机优化方法的复杂性,增强电力系统应对偶发线路故障扰动的能力,提出了一种分布不确定性条件下的N-k安全准则的分布鲁棒机组组合模型。根据有限历史样本数据,在满足一定置信水平的条件下,基于非精确Dirichlet模型方法构造包含真实N-k故障概率分布的模糊集,用以描述输电线路故障概率分布的不确定性。首先,通过对模糊集中最劣概率分布的辨识,将原始的分布鲁棒优化调度问题转化为确定性概率分布条件下的两阶段鲁棒优化决策模型。然后,采用列与约束生成算法对模型进行处理,利用Big-M法、分段线性化技术和对偶原理对主问题和子问题进行转化,得到混合整数线性规划模型,有效降低了模型求解难度。最后,整合4种N-k不确定集合,对IEEE 14节点及IEEE 118节点系统进行算例分析,验证了所提方法的有效性。

基于非精确迪利克雷模型的有源配电网鲁棒最优潮流

为解决最优潮流运行的负荷随机需求与风电的间歇性出力等不确定性,进行了配电网的鲁棒最优潮流研究。首先,构建考虑网损成本及主网购电成本的鲁棒最优潮流模型。然后,采用非精确迪利克雷模型挖掘历史数据构造盒式不确定集,描述风电-负荷不确定性。其次,对非凸非线性模型进行二阶锥松弛,采用对偶理论、大M法进行单层线性化推导,得到可行域为二阶锥空间的单层锥优化模型,通过商用求解器求解得出最优潮流方案。最后,在IEEE 33节点系统中验证了模型与方法的有效性。

基于mRMR-XGboost-IDM模型的两阶段可调鲁棒经济调度

源荷双端不确定性导致的频繁弃风切负荷现象严重影响微网运行经济性。为有效应对源荷不确定性,文章提出一种基于最小冗余最大相关-极限梯度提升算法改进非精确狄利克雷模型(minimum redundancy and maximum correlation-extreme gradient boosting improved imprecise Dirichlet model,mRMR-XGboost-IDM)的两阶段可调鲁棒微网经济调度模型。首先,针对基于非精确狄利克雷模型(imprecise dirichlet model,IDM)模型的不确定模糊集高度依赖历史数据数量的不足,结合mRMR-XGboost预测方法对其进行改进,扩大历史数据体量以提高所得不确定区间的精确度。其次,基于得到的不确定区间,构建微网两阶段鲁棒经济调度模型,并引入可调鲁棒参数协调经济性和鲁棒性。最后,采用列约束生成算法(column-and-constraint generation,C&CG)、对偶理论以及大M法求解最优经济调度策略。算例验证了所提模型可提高不确定区间刻画准确度,有效应对源荷不确定性并提高系统运行经济性。

Bayesian Network Based Imprecise Probability Estimation Method for Wind Power Ramp Events

Although wind power ramp events(WPREs)are relatively scarce,they can inevitably deteriorate the stability of power system operation and bring risks to the trading of electricity market.In this paper,an imprecise conditional probability estimation method for WPREs is proposed based on the Bayesian network(BN)theory.The method uses the maximum weight spanning tree(MWST)and greedy search(GS)to build a BN that has the highest fitting degree with the observed data.Meanwhile,an extended imprecise Dirichlet model(IDM)is developed to estimate the parameters of the BN,which quantificationally reflect the ambiguous dependencies among the random ramp event and various meteorological variables.The BN is then applied to predict the interval probability of each possible ramp state under the given meteorological conditions,which is expected to cover the target probability at a specified confidence level.The proposed method can quantify the uncertainty of the probabilistic ramp event estimation.Meanwhile,by using the extracted dependencies and Bayesian rules,the method can simplify the conditional probability estimation and perform reliable prediction even with scarce samples.Test results on a real wind farm with three-year operation data illustrate the effectiveness of the proposed method.

Distributionally Robust Economic Dispatch Using IDM for Integrated Electricity-heat-gas Microgrid Considering Wind Power

Multi-energy microgrids,such as integrated electricity-heat-gas microgrids(IEHS-MG),have been widely recognized as one of the most convenient ways to connect wind power(WP).However,the inherent intermittency and uncertainty of WP still render serious power curtailment in the operation.To this end,this paper presents an IEHS-MG model equipped with power-to-gas technology,thermal storage,electricity storage,and an electrical boiler for improving WP utilization efficiency.Moreover,a two-stage distributionally robust economic dispatch model is constructed for the IEHSMG,with the objective of minimizing total operational costs.The first stage determines the day-ahead decisions including on/off state and set-point decisions.The second stage adjusts the day-ahead decision according to real-time WP realization.Furthermore,WP uncertainty is characterized through an Imprecise Dirichlet model(IDM)based ambiguity set.Finally,Column-and-Constraints Generation method is utilized to solve the model,which provides a day-ahead economic dispatch strategy that immunizes against the worst-case WP distributions.Case studies demonstrate the presented IEHS-MG model outperforms traditional IEHS-MG model in terms of WP utilization and dispatch economics,and that distributionally robust optimization can handle uncertainty effectively.

风电爬坡事件的非精确条件概率预测

风电爬坡事件(wind power ramp events,WPRE)易破坏电力系统的有功功率平衡,劣化频率稳定性及电能质量,威胁电网的安全稳定运行。由此,提出一种基于信度网络(credal network,CN)的WPRE非精确条件概率预测方法,对WPRE各状态发生概率的区间范围进行预测。运用贪婪搜索算法挖掘WPRE与多个气象变量之间的相依性关系,并搭建CN结构以抽象表达;在超参数设置方面对非精确狄利克雷模型(imprecise Dirichlet model,IDM)进行了拓展,使用拓展后的IDM对变量间的条件相依性关系进行不确定性量化,完成CN的参数估计;基于建立的CN模型,在获取气象预测信息的条件下,结合CN概率推断算法对多状态WPRE的分布进行非精确概率推断;采用宁夏某风电场的实测数据对本方法进行测试,验证了该方法在观测样本不充足的预测情景下优异的预测性能。

基于数据驱动可调鲁棒的冷-热-电联供综合能源系统日前调度优化

冷-热-电联供综合能源系统(integrated energy system with combined cool,heat and power system,IES-CCHP)能够就地消纳分布式风电、光伏,也能够同时满足系统内电动汽车用户的充电需求。然而,电动汽车充电需求、风电出力、光伏出力的随机性严重影响了IES-CCHP运行的经济性。因此,采用两阶段可调鲁棒优化为IES-CCHP制定日前调度策略以提升系统运行经济性。日前阶段在观测到随机变量前制定能够应对最恶劣运行场景的日前调度策略;实时阶段在确认随机变量实际值后决策实时调度计划修正日前调度策略。优化目标为运行两阶段运行总成本最小,模型采用非精确狄利克雷模型挖掘历史数据构建不确定集描述随机变量,并进一步采用对偶理论、大M法、列与约束生成(columnand-constraint generation,C&CG)等方法,迭代求解上述两阶段模型。最后,通过算例分析证明了所提模型与方法的有效性。