基于数据驱动不确定集的微电网两阶段鲁棒优化调度

针对传统不确定集难以准确刻画风电不确定性且易受异常值影响导致调度方案过于保守的问题，提出一种基于数据驱动不确定集的微电网两阶段鲁棒优化调度方法。通过构建条件正态Copula模型生成风电功率预测场景，并结合支持向量聚类与维度分解技术建立考虑时间相关性的紧凑不确定集，有效排除异常值。所提方法在降低保守性的同时增强对异常值的抵抗能力。采用列约束生成算法求解，仿真结果验证了其优越性。

鲁棒优化作为应对风电等新能源出力不确定性的重要工具,广泛应用于微电网优化调度中.传统的不确定集不够紧凑,无法准确刻画风电不确定性,同时不确定集包围的数据中可能存在部分异常值,导致调度结果过于保守.针对上述问题,提出了一种基于数据驱动不确定集的微电网两阶段鲁棒优化调度方法.首先,通过风电历史数据构建条件正态Copula(conditional normal copula,CNC)模型,再将日前风电预测值输入CNC模型生成次日风电功率样本.然后,通过支持向量聚类(support vector clustering,SVC)和维度分解构建考虑风电时间相关性的数据驱动不确定集.该不确定集可更为准确地刻画风电不确定性,并将风电数据中的异常值排除在外,从而在降低鲁棒优化保守性的同时具备异常值抵抗性.其次,提出了基于上述不确定集的两阶段鲁棒优化调度模型,并采用列约束生成(column and constraint generation,C&CG)算法求解.最后通过仿真证明了相较传统不确定集,本文构建的不确定集保守性更低,同时对风电数据异常值具有良好的抵抗性.