基于機器學習的源荷互動微電網優化調度

周步祥，徐藝賓

（四川大學電氣工程學院，成都 610065）

為解決傳統能源劇烈消耗與空氣污染日益嚴重等環境問題，清潔、高效、靈活的可再生能源分布式發電技術逐漸成為電力能源的發展趨勢[1]。微電網作為一種新型的微型電力系統，能有效地實現新能源就地消納和并網遠送，因此，如何實現微電網內部各主體間協調優化運行，得到了相關領域學者的普遍關注和研究[2-5]。但具有隨機性、波動性和間歇性等不確定因素的可再生能源嚴重影響了微電網的優化運行[6-8]，為提高微電網運行安全、消納效率和經濟效益，需要綜合考慮新能源發電與用戶負荷特性，這都依賴于發電側和負荷側準確的短期預測。相較于傳統的源荷預測方法，機器學習算法利用歷史源荷數據進行訓練能建立起更為準確的短期預測模型。目前關于源荷短期預測機器學習算法種類繁多，選取合適的算法能更好地實現源荷預測的準確性[9]，傳統的半監督機器學習分類算法，比如半監督支持向量機SVM（support vector machine），已經被廣泛應用于短期預測領域，并取得很好的效果[10]，但是大量無標簽樣本的引入提高了算法的復雜度，并且容易陷入局部最優解。半監督聚類算法K-means算法可以利用少量有標簽樣本初始化K值和質心等額外監督信息來獲得較好的聚類效果，但是簇的個數與類別數不等以及質心迭代問題對算法性能都有著較大的影響。半監督分類和聚類算法可以從不同的角度劃分有、無標簽樣本，考慮將半監督SVM與K-means兩種算法相結合來提高機器學習分類性能。

本文基于提出的機器學習融合算法構建了微電網調度優化架構，通過融合算法對歷史源荷數據進行聚類訓練，得到按歷史源荷相似度分類的聚類結果。根據訓練結果構建了源荷相協調的微電網經濟調度模型，并通過在模型預測控制MPC（model predictive control）算法對經濟調度模型進行實時滾動校正控制，縮小短期源荷預測值與實際目標值之間的誤差。最后，通過算例分析得出該方法能夠降低微電網運行成本，驗證了模型的有效性和可行性，增強了微電網的自適應性。

1 基于機器學習的微電網源荷協調調度框架

1.1 微電網調度優化框架

歷史訓練集對本文提出的基于機器學習的微電網短期負荷預測模型的預測結果影響很大，預測結果往往會隨著歷史數據的增大而預測得越準確，且誤差越小，但大量的歷史數據會延長微電網訓練模型的時間。為解決上述矛盾，本文結合離線訓練和在線訓練2種方法，搭建了一種模型預訓練和滾動訓練的微電網優化調度架構，如圖1所示。

圖1 機器學習支持下的微電網調度優化框架Fig.1 Optimization framework for micro-grid scheduling supported by machine learning

融合算法模型預訓練是一種離線訓練方式，其工作原理是基于半監督K-means聚類和支持向量機的融合算法，利用系統在線訓練前后的空閑時間，訓練微電網源荷歷史數據和模擬數據，以不確定參數相似日聚類場景為代表，由模型預測控制算法對微電網離線訓練預調度和實時調度階段的訓練數據進行在線訓練，實現實時滾動訓練，降低預測誤差以此得到符合實時工況的優化調度結果。

1.2 微電網經濟調度優化模型

本文考慮微電網市場獎懲費用和設備運維成本，以歷史交互數據和風電源荷預測值為基準場景，確定發電機組的發電量和啟停、儲能機組充放電和主電網購售電等計劃，從而實現微電網最優運行成本的源荷調度目標。并考慮將源荷協調互動變量引入經濟調度模型，為此構建源荷協調雙層模型，提高風電與用電負荷的匹配度，減少棄風量。構建的上層模型為

式中：Pload為用戶側用電負荷；Pdg為風電出力。

式中：PRT(t)和λRT分別為微型燃氣輪機出力和發電效率；Δt為單位調度時間；dCH4和lCH4分別為天然氣價格和低熱值；di和dES分別為分布式發電機組i和儲能設備的單位維護成本；PES(t)為儲能設備充放電功率；h1和h2分別為不等式和等式約束條件；ωe和ωe0分別為當前階段和標準能源利用率；Rτ為提高單位標準的能源利用率的獎勵收益；cex為增加單位標準的污染廢氣的懲罰費用；Hτ和Hτ0分別為運行階段污染廢氣排放量和允許標準污染廢氣排放量；k1、k2分別為不滿足條件時的懲罰因子，為滿足約束條件一般取其最大值；PEX(t)為微電網與主電網購售電功率，正值為購電，負值為售電；Dr(t)、Ds(t)分別為購、售電價。

為保證微電網預調度階段各能源供給設備的穩定協調運行，文中將功率平衡、風電功率、機組爬、滑坡功率、儲能設備和功率交互為模型約束條件，等式約束條件和不等式約束條件表達式分別為

2 半監督K-means與SVM相結合的短期預測方法

半監督K-means算法[11-12]與SVM算法[13-15]的工作原理已有大量文獻進行闡述，在此不再贅述。本文提出的基于2種機器學習的融合算法模型思路為：計算樣本集內不同樣本間的相似度，并將相似度高的樣本歸為一簇，實現微電網樣本的劃分。以可再生能源歷史數據代表可再生能源發電的復雜不確定性。首先通過微電網大量歷史數據對風電的出力和負荷的需求進行分析、訓練和統計，以確定風電實際數據和典型數據在日內各時間段分別服從的概率分布。其次通過輪盤賭的方式確定場景和時段都不同條件下的概率誤差。但是，半監督K-means與SVM算法得到的預測概率結果不在同一尺度上，因此本文對兩者置信度做歸一化處理，最后給出最終聚類結果。歸一化處理后的融合算法概率[16]為

首先，在大量歷史數據的基礎上，依據經典場景分析法對風力出電和負荷需求進行篩選，確定風電實際數據和典型數據在日內各時間段分別服從的概率分布。其次，通過輪盤賭方法確定場景和時段在不同條件下的概率分布，縮減已經生成的大量風電樣本場景。然后，運用基于半監督K-means聚類和SVM的融合機器算法進一步縮減場景，根據距離相似性將風電樣本場景生成K類具有不確定和隨機特性的時序離散場景k1，k2，…，ks，其中在每類典型場景中使其都包含Ns個原始場景，Pk(s)為標準化場景概率，相應的訓練步驟如圖2所示。

圖2 基于融合算法的訓練樣本聚類流程Fig.2 Flow chart of training sample clustering based on fusion algorithm

在運用融合機器學習算法縮減場景時，通過以典型場景為大量復雜場景的代表來準確獲取分部信息，為了縮小分布式電源實際出力值與實時調度目標值之間的誤差，需要實時修正分布式電源和儲能設備的充放電功率，增強微電網自適應性，保證微網安全穩定經濟運行。實時修正目標函數為

3 模型求解

微電網通過融合算法將歷史源荷數據進行聚類預測分析，使得源荷協調優化調度。為了進一步提高系統實時調度的靈活性和準確性，在機器學習預測算法的基礎上，引入了實時MPC算法，通過給定的聯絡線功率PL為參考值進行跟蹤，使得調度預測時間內訓練預測輸出值與給定實際值之間的偏差最小。最優準則式[17]為

根據微網的功率平衡方程和儲能設備的荷電狀態方程，選取交易電量PEX、儲能設備出力Pes、分布式設備出力PDG、用戶負荷PDG以及微電網收益r構成狀態變量x(h )，以 ΔPEX、ΔPes、ΔPDG構成控制變量c(h)，以分布式電源、負荷超短期預測功率增量ΔPDG、ΔPload構成擾動輸入d(h)，以PL構成輸出變量y(h)，建立多擾動、多輸出的狀態模型，即

式中，H1、H2、H3為系數矩陣。

實時MPC算法有較好的自適應性，并且對模型的精確性要求不高[18-19]，本文利用實時MPC算法對經濟調度模型進行求解。基于MPC預測模型的求解流程如圖3所示。

圖3 基于MPC預測模型的求解流程Fig.3 Flow chart of solution based on MPC prediction model

4 算例分析

4.1 仿真設計及基礎數據

對本文所提出微電網融合算法經濟優化調度的有效性進行驗證。分別選擇常規機組5臺、風機8臺和儲能設備2臺，運用Matlab 2017b軟件，通過CPLEX仿真求解。引入可調控類需求響應負荷，風機參數和儲能設備參數分別如表1和表2所示，風機、燃氣輪機以及儲能設備運行成本如表3所示，燃氣輪機相關參數如表4所示。設切負荷的費用2.5元/（kW·h），棄風費用為1.5元/（kW·h）。主網與微電網間交易的電量分時電價如圖4所示。

圖4 電量交易分時電價Fig.4 Time-of-use electricity price for power trading

表1 風電機組相關運行參數Tab.1 Related operation parameters of wind turbine

表2 2臺儲能系統設備參數Tab.2 Equipment parameters of two energy-storage systems

表3 分布式設備運行成本Tab.3 Operating costs of distributed equipment

表4 燃氣輪機相關參數Tab.4 Related parameters of gas turbine

4.2 優化結果分析

首先通過經典場景分析法初步選取了600個，然后經過融合算法進一步縮減至10個典型場景，如表5所示。其每個典型場景的概率如表6所示。

表5 數據集信息Tab.5 Information of data set

表6 典型場景概率Tab.6 Probability under typical scenarios

對半監督K-means算法、SVM算法以及本文提出的融合算法的預測準確度進行對比，結果如圖5所示。從對比結果可以看出，3種算法在迭代開始，預測準確率均呈現上升趨勢，融合迭代求解在第5次迭代時，準確率達到最大值，說明文中提出的新迭代提前終止條件有助于提高預測結果的準確度。

圖5 3種迭代算法迭代情況對比Fig.5 Comparison of iteration among three iterative algorithms

燃氣價格與燃氣價格靈敏度關系如圖6所示。從對比折線圖可以看出，在總體趨勢上，燃氣價格的靈敏度隨著燃氣價格的增加而升高，微電網總成本對燃氣價格靈敏度適應性逐漸降低，需要配備一定的儲能設備來減少燃氣消耗，增加新能源的消納比率，提供負荷支撐，起到削峰填谷的作用。通過對比可以看出，由于儲能因素使得微電網在燃料價格靈敏度增大時，減小了燃料價格的適應性，提高了微電網成本的適應性。

圖6 燃氣價格與燃氣價格靈敏度關系Fig.6 Relationship between gas price and gas price sensitivity

微電網調度優化前后各設備出力對比如圖7所示。從對比折線圖可以看出，在總體趨勢上，調度優化前后各設備之間出力存在著較大差異，例如，為了增加了風電利用率，調度優化后的風電出力曲線大部分高于調度優化前的曲線，這也達到了新能源優先消納的目的。在00：00—07：00時段內，微電網與市場的電力功率交互較小，其主要通過消納風電、充電儲能設備來滿足用電需求、穩定電力系統；在04：00左右，由于風電出力的不確定性影響，減少了對儲能系統的充電功率，以此彌補風電不確定性因素帶來的波動所引起的風電出力減少部分。但是由于儲能系統彌補風電出力缺額，未能得到及時的功率補充，導致儲能系統電能儲備量較少，使用戶在10：00—13：00時段內若有較大用電需求時容易受到放電的限制，用戶用電需求較大時放電受到限制，在該時段內儲能設備出力曲線較為平緩；風電在14：00—23：00時段內的出力量顯著增加，微電網便可向主電網出入電量，以提高微電網能源消納。

調度方法成本對比如表7所示。經過本文所提方法得到的兩階段總成本要低于原調度方法的總成本，說明所提方法有效地提高了微電網的經濟收益。由表7還可以看出，傳統日前計劃調度成本的方法在制定計劃時，未能考慮風力發電的間歇性、波動性等不確定性等影響，導致其預調度計劃自適應性差，日內運行階段進行頻繁調整，增加了實時調控的運行成本，致使最終的總運行成本較高，所以不會比本文所提的方法低。而通過本文提出方法調度，充分預測了微電網的源荷狀態，使得最優調度優化結果可以在更小、更準確的可行域中求解，使得實時調控成本較低，充分預測了風電出力情況，減少了棄風量，提高了微電網的經濟效益。

圖7 微電網調度優化前后各設備出力對比Fig.7 Comparison of output from each equipment before and after micro-grid scheduling optimization

表7 調度方法成本對比Tab.7 Comparison of cost between scheduling methods

5 結語

本文研究了基于機器學習的微電網調度運行優化方法，在微電網源荷協調交互響應的生態關系上設計了微電網調度優化框架，并構建了基于風電與用電負荷的匹配程度的優化模型，通過將半監督K-means算法與SVM算法相結合提高了微電網源荷功率的預測準確度，并基于預測結果，通過實時MPC算法進行實時調度調控，進一步縮小了預測值和實際值之間的誤差，改善由風電反調峰特性造成的棄風現象，保證了微電網調度實時性和靈活性，提高了微網能源利用率，增加了微網的經濟收益。