基于机器学习的源荷互动微电网优化调度

周步祥，徐艺宾

（四川大学电气工程学院，成都 610065）

为解决传统能源剧烈消耗与空气污染日益严重等环境问题，清洁、高效、灵活的可再生能源分布式发电技术逐渐成为电力能源的发展趋势[1]。微电网作为一种新型的微型电力系统，能有效地实现新能源就地消纳和并网远送，因此，如何实现微电网内部各主体间协调优化运行，得到了相关领域学者的普遍关注和研究[2-5]。但具有随机性、波动性和间歇性等不确定因素的可再生能源严重影响了微电网的优化运行[6-8]，为提高微电网运行安全、消纳效率和经济效益，需要综合考虑新能源发电与用户负荷特性，这都依赖于发电侧和负荷侧准确的短期预测。相较于传统的源荷预测方法，机器学习算法利用历史源荷数据进行训练能建立起更为准确的短期预测模型。目前关于源荷短期预测机器学习算法种类繁多，选取合适的算法能更好地实现源荷预测的准确性[9]，传统的半监督机器学习分类算法，比如半监督支持向量机SVM（support vector machine），已经被广泛应用于短期预测领域，并取得很好的效果[10]，但是大量无标签样本的引入提高了算法的复杂度，并且容易陷入局部最优解。半监督聚类算法K-means算法可以利用少量有标签样本初始化K值和质心等额外监督信息来获得较好的聚类效果，但是簇的个数与类别数不等以及质心迭代问题对算法性能都有着较大的影响。半监督分类和聚类算法可以从不同的角度划分有、无标签样本，考虑将半监督SVM与K-means两种算法相结合来提高机器学习分类性能。

本文基于提出的机器学习融合算法构建了微电网调度优化架构，通过融合算法对历史源荷数据进行聚类训练，得到按历史源荷相似度分类的聚类结果。根据训练结果构建了源荷相协调的微电网经济调度模型，并通过在模型预测控制MPC（model predictive control）算法对经济调度模型进行实时滚动校正控制，缩小短期源荷预测值与实际目标值之间的误差。最后，通过算例分析得出该方法能够降低微电网运行成本，验证了模型的有效性和可行性，增强了微电网的自适应性。

1 基于机器学习的微电网源荷协调调度框架

1.1 微电网调度优化框架

历史训练集对本文提出的基于机器学习的微电网短期负荷预测模型的预测结果影响很大，预测结果往往会随着历史数据的增大而预测得越准确，且误差越小，但大量的历史数据会延长微电网训练模型的时间。为解决上述矛盾，本文结合离线训练和在线训练2种方法，搭建了一种模型预训练和滚动训练的微电网优化调度架构，如图1所示。

图1 机器学习支持下的微电网调度优化框架Fig.1 Optimization framework for micro-grid scheduling supported by machine learning

融合算法模型预训练是一种离线训练方式，其工作原理是基于半监督K-means聚类和支持向量机的融合算法，利用系统在线训练前后的空闲时间，训练微电网源荷历史数据和模拟数据，以不确定参数相似日聚类场景为代表，由模型预测控制算法对微电网离线训练预调度和实时调度阶段的训练数据进行在线训练，实现实时滚动训练，降低预测误差以此得到符合实时工况的优化调度结果。

1.2 微电网经济调度优化模型

本文考虑微电网市场奖惩费用和设备运维成本，以历史交互数据和风电源荷预测值为基准场景，确定发电机组的发电量和启停、储能机组充放电和主电网购售电等计划，从而实现微电网最优运行成本的源荷调度目标。并考虑将源荷协调互动变量引入经济调度模型，为此构建源荷协调双层模型，提高风电与用电负荷的匹配度，减少弃风量。构建的上层模型为

式中：Pload为用户侧用电负荷；Pdg为风电出力。

式中：PRT(t)和λRT分别为微型燃气轮机出力和发电效率；Δt为单位调度时间；dCH4和lCH4分别为天然气价格和低热值；di和dES分别为分布式发电机组i和储能设备的单位维护成本；PES(t)为储能设备充放电功率；h1和h2分别为不等式和等式约束条件；ωe和ωe0分别为当前阶段和标准能源利用率；Rτ为提高单位标准的能源利用率的奖励收益；cex为增加单位标准的污染废气的惩罚费用；Hτ和Hτ0分别为运行阶段污染废气排放量和允许标准污染废气排放量；k1、k2分别为不满足条件时的惩罚因子，为满足约束条件一般取其最大值；PEX(t)为微电网与主电网购售电功率，正值为购电，负值为售电；Dr(t)、Ds(t)分别为购、售电价。

为保证微电网预调度阶段各能源供给设备的稳定协调运行，文中将功率平衡、风电功率、机组爬、滑坡功率、储能设备和功率交互为模型约束条件，等式约束条件和不等式约束条件表达式分别为

2 半监督K-means与SVM相结合的短期预测方法

半监督K-means算法[11-12]与SVM算法[13-15]的工作原理已有大量文献进行阐述，在此不再赘述。本文提出的基于2种机器学习的融合算法模型思路为：计算样本集内不同样本间的相似度，并将相似度高的样本归为一簇，实现微电网样本的划分。以可再生能源历史数据代表可再生能源发电的复杂不确定性。首先通过微电网大量历史数据对风电的出力和负荷的需求进行分析、训练和统计，以确定风电实际数据和典型数据在日内各时间段分别服从的概率分布。其次通过轮盘赌的方式确定场景和时段都不同条件下的概率误差。但是，半监督K-means与SVM算法得到的预测概率结果不在同一尺度上，因此本文对两者置信度做归一化处理，最后给出最终聚类结果。归一化处理后的融合算法概率[16]为

首先，在大量历史数据的基础上，依据经典场景分析法对风力出电和负荷需求进行筛选，确定风电实际数据和典型数据在日内各时间段分别服从的概率分布。其次，通过轮盘赌方法确定场景和时段在不同条件下的概率分布，缩减已经生成的大量风电样本场景。然后，运用基于半监督K-means聚类和SVM的融合机器算法进一步缩减场景，根据距离相似性将风电样本场景生成K类具有不确定和随机特性的时序离散场景k1，k2，…，ks，其中在每类典型场景中使其都包含Ns个原始场景，Pk(s)为标准化场景概率，相应的训练步骤如图2所示。

图2 基于融合算法的训练样本聚类流程Fig.2 Flow chart of training sample clustering based on fusion algorithm

在运用融合机器学习算法缩减场景时，通过以典型场景为大量复杂场景的代表来准确获取分部信息，为了缩小分布式电源实际出力值与实时调度目标值之间的误差，需要实时修正分布式电源和储能设备的充放电功率，增强微电网自适应性，保证微网安全稳定经济运行。实时修正目标函数为

3 模型求解

微电网通过融合算法将历史源荷数据进行聚类预测分析，使得源荷协调优化调度。为了进一步提高系统实时调度的灵活性和准确性，在机器学习预测算法的基础上，引入了实时MPC算法，通过给定的联络线功率PL为参考值进行跟踪，使得调度预测时间内训练预测输出值与给定实际值之间的偏差最小。最优准则式[17]为

根据微网的功率平衡方程和储能设备的荷电状态方程，选取交易电量PEX、储能设备出力Pes、分布式设备出力PDG、用户负荷PDG以及微电网收益r构成状态变量x(h )，以 ΔPEX、ΔPes、ΔPDG构成控制变量c(h)，以分布式电源、负荷超短期预测功率增量ΔPDG、ΔPload构成扰动输入d(h)，以PL构成输出变量y(h)，建立多扰动、多输出的状态模型，即

式中，H1、H2、H3为系数矩阵。

实时MPC算法有较好的自适应性，并且对模型的精确性要求不高[18-19]，本文利用实时MPC算法对经济调度模型进行求解。基于MPC预测模型的求解流程如图3所示。

图3 基于MPC预测模型的求解流程Fig.3 Flow chart of solution based on MPC prediction model

4 算例分析

4.1 仿真设计及基础数据

对本文所提出微电网融合算法经济优化调度的有效性进行验证。分别选择常规机组5台、风机8台和储能设备2台，运用Matlab 2017b软件，通过CPLEX仿真求解。引入可调控类需求响应负荷，风机参数和储能设备参数分别如表1和表2所示，风机、燃气轮机以及储能设备运行成本如表3所示，燃气轮机相关参数如表4所示。设切负荷的费用2.5元/（kW·h），弃风费用为1.5元/（kW·h）。主网与微电网间交易的电量分时电价如图4所示。

图4 电量交易分时电价Fig.4 Time-of-use electricity price for power trading

表1 风电机组相关运行参数Tab.1 Related operation parameters of wind turbine

表2 2台储能系统设备参数Tab.2 Equipment parameters of two energy-storage systems

表3 分布式设备运行成本Tab.3 Operating costs of distributed equipment

表4 燃气轮机相关参数Tab.4 Related parameters of gas turbine

4.2 优化结果分析

首先通过经典场景分析法初步选取了600个，然后经过融合算法进一步缩减至10个典型场景，如表5所示。其每个典型场景的概率如表6所示。

表5 数据集信息Tab.5 Information of data set

表6 典型场景概率Tab.6 Probability under typical scenarios

对半监督K-means算法、SVM算法以及本文提出的融合算法的预测准确度进行对比，结果如图5所示。从对比结果可以看出，3种算法在迭代开始，预测准确率均呈现上升趋势，融合迭代求解在第5次迭代时，准确率达到最大值，说明文中提出的新迭代提前终止条件有助于提高预测结果的准确度。

图5 3种迭代算法迭代情况对比Fig.5 Comparison of iteration among three iterative algorithms

燃气价格与燃气价格灵敏度关系如图6所示。从对比折线图可以看出，在总体趋势上，燃气价格的灵敏度随着燃气价格的增加而升高，微电网总成本对燃气价格灵敏度适应性逐渐降低，需要配备一定的储能设备来减少燃气消耗，增加新能源的消纳比率，提供负荷支撑，起到削峰填谷的作用。通过对比可以看出，由于储能因素使得微电网在燃料价格灵敏度增大时，减小了燃料价格的适应性，提高了微电网成本的适应性。

图6 燃气价格与燃气价格灵敏度关系Fig.6 Relationship between gas price and gas price sensitivity

微电网调度优化前后各设备出力对比如图7所示。从对比折线图可以看出，在总体趋势上，调度优化前后各设备之间出力存在着较大差异，例如，为了增加了风电利用率，调度优化后的风电出力曲线大部分高于调度优化前的曲线，这也达到了新能源优先消纳的目的。在00：00—07：00时段内，微电网与市场的电力功率交互较小，其主要通过消纳风电、充电储能设备来满足用电需求、稳定电力系统；在04：00左右，由于风电出力的不确定性影响，减少了对储能系统的充电功率，以此弥补风电不确定性因素带来的波动所引起的风电出力减少部分。但是由于储能系统弥补风电出力缺额，未能得到及时的功率补充，导致储能系统电能储备量较少，使用户在10：00—13：00时段内若有较大用电需求时容易受到放电的限制，用户用电需求较大时放电受到限制，在该时段内储能设备出力曲线较为平缓；风电在14：00—23：00时段内的出力量显著增加，微电网便可向主电网出入电量，以提高微电网能源消纳。

调度方法成本对比如表7所示。经过本文所提方法得到的两阶段总成本要低于原调度方法的总成本，说明所提方法有效地提高了微电网的经济收益。由表7还可以看出，传统日前计划调度成本的方法在制定计划时，未能考虑风力发电的间歇性、波动性等不确定性等影响，导致其预调度计划自适应性差，日内运行阶段进行频繁调整，增加了实时调控的运行成本，致使最终的总运行成本较高，所以不会比本文所提的方法低。而通过本文提出方法调度，充分预测了微电网的源荷状态，使得最优调度优化结果可以在更小、更准确的可行域中求解，使得实时调控成本较低，充分预测了风电出力情况，减少了弃风量，提高了微电网的经济效益。

图7 微电网调度优化前后各设备出力对比Fig.7 Comparison of output from each equipment before and after micro-grid scheduling optimization

表7 调度方法成本对比Tab.7 Comparison of cost between scheduling methods

5 结语

本文研究了基于机器学习的微电网调度运行优化方法，在微电网源荷协调交互响应的生态关系上设计了微电网调度优化框架，并构建了基于风电与用电负荷的匹配程度的优化模型，通过将半监督K-means算法与SVM算法相结合提高了微电网源荷功率的预测准确度，并基于预测结果，通过实时MPC算法进行实时调度调控，进一步缩小了预测值和实际值之间的误差，改善由风电反调峰特性造成的弃风现象，保证了微电网调度实时性和灵活性，提高了微网能源利用率，增加了微网的经济收益。