1 概述

2020 年 9 月 22 号中国公布了碳中和目标，可见的未来配电网中将会接入大量分布式电源和储

能系统(energy storage system，ESS)，直流配电网能为 DG 和 ESS 提供直流并网接口，考虑到当前广泛存在的交流配电网，基于电力电子技术的交直流配电网将是未来发展的一个重要方向[1-2]，其关键技术之一便是合理的优化调度策略[3]。

针对优化调度中的不确定因素，当前主要常用随机优化和鲁棒优化(robust optimization，RO)方

法。随机优化通常是假定不确定变量的概率分布，但因为影响变量不确定性的因素比较复杂，该方法一般无法准确反应实际的规律[9]。RO 采用不确定性集合刻画不确定性因素的变化范围，不需要假定随机变量的概率分布，但是由于得到的是最差场景下的优化结果，可能会使优化结果较为保守[10]。文献[11]考虑储能系统和实际光伏发电数据建立了机会约束随机优化模型。文献[12-13]采用随机优化解决了多类型能源调度问题。文献[14]构建了主动配电网分层鲁棒规划模型，将规划投资层和运行层统一建模求解，应用多面体不确定集合表征了风电、光伏以及负荷的不确定性范围。文献[15]介绍了不同不确定性集合的建模方法。近年来，分布鲁棒优化(distributed robust optimization，DRO)方法被提出以解决随机规划和鲁棒规化中的不足。文献[16]以系统网损为优化目标，考虑 DG 无功支撑和开关重构，构建了基于数据驱动的分布鲁棒两阶段无功优化模型。文献[17]计及需求响应柔性调节建立了两阶段分布鲁棒 DG 优化配置模型。以上研究多以交流配网为优化主体。

利用 1-范数与∞-范数对置信区间进行约束的分布鲁棒优化方法，避免了复杂的非确定性多项式问题，可降低求解的复杂度，目前该方法在储能管理 、综合能源系统调度与输电网规划中已得到初步应用。 利用手肘法确定 K-means 算法的聚类数，从而得到典型场景，场景分布的概率置信区间由 1-范数和∞-范数约束。 第1 阶段以机组启停成本和运行成本为目标函数对机组与储能的各时段运行域进行约束。将第 2 阶段转化为单时间尺度优化问题，通过求解得到经济性最优的结果。 第 1 阶段的机组约束条件包括机组运行域上下界约束、机组运行域内爬坡约束和机组最短连续运行时间约束。 结合风光和负荷的典型历史数据以及决策变量的调节特性，构建数据驱动的两阶段分布鲁棒优化调度模型，并综合 1-范数和∞ -范数同时约束不确定性概率 分布置信集合；

详细文章讲解见第4部分。

一、研究背景与意义

电热综合能源系统（Integrated Electricity-Heat Energy Systems, IEHES）通过电力与热力系统的深度耦合，实现了多能互补与梯级利用，是提升能源效率、保障能源安全的重要途径。然而，该系统面临着新能源出力波动、负荷需求变化、设备启停复杂等多重不确定性因素，对优化运行提出了更高要求。高热点算法、数据驱动方法以及多离散场景分布鲁棒优化技术的结合，为应对这些挑战提供了有效解决方案。

二、高热点算法在电热综合能源系统优化中的应用

1. 高热点算法定义与特点

高热点算法主要针对系统中需求波动剧烈、运行约束复杂、对优化结果敏感度高的关键节点或时间段进行优化。这些区域或时段通常包括用电高峰、新能源出力剧烈波动、设备启停或负荷转移等场景，对优化算法的实时性和精确性提出了更高要求。

2. 高热点算法在电热综合能源系统中的具体应用

• 基于预测控制的方法：通过预测未来一段时间内的负荷需求和新能源出力，提前调整设备运行策略，以应对高热点时段的能量需求。
• 强化学习算法：利用强化学习算法，使系统在高热点时段能够自动学习并调整最优运行策略，提高系统的自适应能力。
• 混合整数规划：针对高热点时段的复杂约束条件，采用混合整数规划方法，实现设备启停、负荷转移等操作的精细化调度。

3. 案例分析

以某地区电热综合能源系统为例，在高热点时段（如夏季用电高峰），通过应用高热点算法，系统能够提前预测负荷需求，并自动调整热电联产机组、电锅炉等设备的运行策略，有效缓解了电网压力，提高了能源利用效率。

三、数据驱动在电热综合能源系统优化中的作用

1. 数据驱动的定义与优势

数据驱动是指通过采集、组织、整合和分析海量数据，形成自动化的决策模型，并以数据为中心进行决策和行动。在电热综合能源系统优化中，数据驱动方法能够充分利用系统运行数据，提高预测精度，为优化决策提供更全面的信息支持。

2. 数据驱动在电热综合能源系统中的具体应用

• 负荷预测：利用深度神经网络等机器学习算法，对历史负荷数据进行分析和学习，预测未来一段时间内的负荷需求，为优化调度提供准确输入。
• 新能源出力预测：通过分析历史气象数据和新能源发电数据，建立新能源出力预测模型，提高新能源的消纳能力。
• 设备故障预测：利用数据挖掘技术，对设备运行数据进行分析，提前发现设备故障隐患，减少非计划停机时间。

3. 案例分析

某电热综合能源系统通过应用数据驱动方法，实现了对未来24小时电力和热力负荷的精确预测。基于预测结果，系统能够提前调整设备运行策略，减少能源浪费，提高系统运行的经济性和可靠性。

四、多离散场景分布鲁棒优化在电热综合能源系统中的应用

1. 多离散场景分布鲁棒优化的定义与特点

多离散场景分布鲁棒优化是一种考虑多种不确定性因素（如新能源出力波动、负荷需求变化等）的优化方法。该方法通过构建多离散场景集，并考虑每个场景发生的概率，优化算法在所有可能的场景下寻求最优解，或者在最坏场景下仍能保证系统稳定运行。

2. 多离散场景分布鲁棒优化在电热综合能源系统中的具体应用

• 场景构建：利用历史数据和概率分布函数，构建多种不确定性因素的离散场景集。
• 模型构建：基于场景集，构建电热综合能源系统的分布鲁棒优化模型，考虑系统的经济性、安全性和环保性等多重目标。
• 求解算法：采用列与约束生成（CCG）算法等迭代求解方法，对模型进行求解，得到在不同场景下的最优运行策略。

3. 案例分析

以某电热综合能源系统为例，通过构建包含新能源出力波动、负荷需求变化等多种不确定性因素的离散场景集，并应用分布鲁棒优化方法，系统能够在所有可能的场景下寻求最优解。仿真结果表明，该方法能够显著提高系统在不同工况下的适应性和抗风险能力。

五、高热点算法、数据驱动与多离散场景分布鲁棒优化的结合应用

1. 结合应用的必要性与优势

高热点算法、数据驱动方法以及多离散场景分布鲁棒优化的结合应用，能够充分发挥各自的优势，实现电热综合能源系统的高效、可靠运行。高热点算法能够针对系统中的关键节点或时间段进行精细化调度；数据驱动方法能够提高预测精度，为优化决策提供更全面的信息支持；多离散场景分布鲁棒优化能够考虑多种不确定性因素，提高系统的适应性和抗风险能力。

2. 结合应用的具体实现

• 数据采集与处理：通过传感器等设备采集系统运行数据，并利用数据挖掘和机器学习算法对数据进行处理和分析。
• 高热点算法应用：针对高热点时段或区域，应用预测控制、强化学习等高热点算法进行精细化调度。
• 多离散场景构建：基于历史数据和概率分布函数，构建多种不确定性因素的离散场景集。
• 分布鲁棒优化模型构建：结合高热点算法和数据驱动方法的结果，构建电热综合能源系统的分布鲁棒优化模型。
• 模型求解与策略制定：采用CCG算法等迭代求解方法对模型进行求解，得到在不同场景下的最优运行策略。

3. 案例分析

某电热综合能源系统通过结合高热点算法、数据驱动方法以及多离散场景分布鲁棒优化技术，实现了对系统的高效、可靠运行。在高热点时段，系统能够提前预测负荷需求并自动调整设备运行策略；同时，考虑多种不确定性因素，系统能够在不同工况下保持稳定运行，提高了能源利用效率和系统可靠性。

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]孙旭,邱晓燕,张志荣,任昊,张明珂.基于数据驱动的交直流配电网分布鲁棒优化调度[J].电网技术,2021,45(12):4768-4778.DOI:10.13335/j.1000-3673.pst.2020.2273.

[2]贺帅佳,高红均,刘俊勇,刘友波,王家怡,向月.计及需求响应柔性调节的分布鲁棒DG优化配置[J].中国电机工程学报,2019,39(08):2253-2264+8.DOI:10.13334/j.0258-8013.pcsee.181968.

[3]高海淑,张玉敏,吉兴全,张晓,于永进.基于场景聚类的主动配电网分布鲁棒综合优化[J].电力系统自动化,2020,44(21):32-41.

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删