基于深度学习的分布式鲁棒优化方法,用于提升配电网的韧性并优化共享储能系统
《Engineering Applications of Artificial Intelligence》:Deep learning-assisted distributionally robust optimization of shared energy storage for distribution network resilience enhancement
【字体:
大
中
小
】
时间:2026年01月18日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
关超|刘宇天|王春义中国山东大学教育部电力系统智能调度控制重点实验室,济南,250061摘要极端事件发生频率的增加以及间歇性光伏发电在电力系统中的占比不断提升,凸显出在考虑经济性的同时提升配电网韧性的规划策略的迫切需求。为解决这一问题,本文提出了一个统一的框架,用于规划配电网中的
关超|刘宇天|王春义中国山东大学教育部电力系统智能调度控制重点实验室,济南,250061摘要极端事件发生频率的增加以及间歇性光伏发电在电力系统中的占比不断提升,凸显出在考虑经济性的同时提升配电网韧性的规划策略的迫切需求。为解决这一问题,本文提出了一个统一的框架,用于规划配电网中的共享储能系统,该框架将场景生成、韧性评估以及在不确定性条件下的投资运营优化有机结合。首先,设计了一种注意力循环对抗自动编码器,用于丰富下游储能系统规划与韧性评估所需的基础场景。其次,提出了一种“攻防”型韧性评估方法,将网络故障视为图结构上的攻击行为,并在自愈式配电网仿真环境中训练图注意力深度强化学习代理,该代理扮演攻击者角色,其平均奖励值可直接反映储能系统所支撑的配电网的韧性水平。第三,考虑到共享储能系统在配电网辅助服务中的作用以及韧性评估指标,基于多利益相关方协同运行机制,建立了一种由AAE辅助的两阶段分布式鲁棒优化模型,用于确定储能系统的容量。该模型在韧性驱动的随机约束条件下,优化储能系统的投资成本与运营效益。最后,通过案例研究表明,该储能系统规划框架能够在多利益相关方协同运行的背景下,有效提升配电网的韧性,并改善成本效益平衡。
引言为应对全球气候与能源危机,大量分布式光伏发电系统接入配电网,这些系统主要分为光伏发电用户和分布式光伏电站两类。由于末端配电网的承载能力有限,难以完全消纳光伏发电输出,从而导致电压超标、线路损耗增加等问题。储能系统能够提高光伏发电的利用率并提升配电网的可靠性。然而,独立配置的储能系统往往存在初始投资高、利用效率低的问题。共享储能模式为解决上述问题提供了一种新途径。此外,随着自然灾害发生频率的上升,如何充分利用储能系统提升电网韧性,同时确保其部署的经济性,已成为一个亟待解决的难题。作为一种新的能源交易模式,共享储能运营商利用电力用户的互补特性及价格机制,实现按需储能租赁,从而促进储能系统的高效利用。已有研究提出了多种多利益相关方参与的储能系统规模优化模型,以及基于纳什谈判的储能容量协同规划模型,还有研究探讨了区域可再生能源消费对区域多微电网中储能系统配置的影响,以及针对农村分布式光伏集群的两阶段随机优化模型,以提高储能系统的利用效率。另有研究开发了储能系统与微电网之间的多人合作博弈模型,并通过点对点交易方式分析多用户节能效果。不过,大多数储能系统研究都聚焦于多利益相关方之间的经济利益最大化问题,往往忽视了实际因素如电网拓扑结构、功率损耗以及服务需求如峰值调节、韧性提升等对储能系统配置的影响。现有研究大多将储能系统配置视为规划与运营的两阶段优化问题,主要关注经济性,较少考虑极端事件下的配电网韧性。也有研究试图通过设定韧性指标来提升配电网韧性,但现有韧性评估方法存在一定的局限性,难以准确量化极端事件对电网的破坏程度。从电网遭受攻击的角度出发,有研究采用强化学习训练攻击代理,但忽略了配电网的自愈能力。另有研究提出了“防攻防”型的韧性增强规划模型,通过分层处理灾害场景与防御优化,提升电网韧性。受此启发,可将各种极端灾害转化为对电网的连续攻击,通过分析被动攻击与主动防御之间的博弈关系,寻找最极端的故障场景以评估电网韧性,从而获得更可靠的评估结果。为应对储能系统规划中源荷不确定性的问题,分布式鲁棒优化方法结合了随机优化与鲁棒优化的优点,能够在不确定参数的最坏概率分布下确定最优解,从而更好地平衡经济性与保守性。构建分布式鲁棒优化模型时,通常会利用 Wasserstein度量、KL散度等指标来描述光伏、风电或负荷概率分布的不确定性。不过,现有研究在构建模糊集时,往往忽视了数据量充足性以及不确定性之间的时空相关性问题。近年来,基于深度学习的场景建模方法逐渐受到重视,这类方法可以直接挖掘数据的概率分布特征,尤其有助于优化过程。虽然生成对抗网络和变分自编码器已被应用于生成电网规划所需的新型场景,但前者存在训练不稳定问题,后者生成的场景噪声较大。相比之下,对抗自动编码器通过先验概率分布对变分自编码器的潜在空间进行正则化,具有更好的泛化性能。此外,还有研究将数据驱动的分布式鲁棒优化模型与深度学习相结合,以提高电网应对不确定性的能力。尽管生成型网络已被用于体现变量的时空特性,但目前尚未出现专门用于保证时间序列时空相关性的网络结构。循环神经网络能够捕捉序列的时间特征,而注意力机制则可用于提取不同序列之间的关联特征。将这两种机制整合到对抗自动编码器中,有望提升生成场景的时空相关性。综上所述,现有关于共享储能系统的研究大多忽视了实际电网运行情况以及诸如韧性提升之类的辅助服务需求,同时也缺乏有效的韧性评估策略来量化储能系统对配电网韧性的影响。储能系统优化是一个涉及多重利益相关方、面临多种不确定性的复杂两阶段规划运营问题,其长期的规划视野要求能够灵活应对未来的源荷不确定性,并协调各方利益。由于配电网数据的匮乏,分布式鲁棒优化与深度强化学习方法的适应性不足,因此有必要扩充相关数据。鉴于配电网、光伏发电用户及光伏电站之间需要共享储能资源,本文提出了一种统一的共享储能系统配置框架。该框架首先基于攻防博弈创新性地训练韧性评估代理,以应对极端事件;随后,借助分布式鲁棒优化方法,考虑辅助服务与不确定性因素的影响,建立储能系统规划范式;最后,将深度强化学习训练与分布式鲁棒优化模型相结合,并引入专门的生成模型,以提高储能系统在源荷不确定性条件下的适应能力。本文的主要贡献如下:1)设计了一种注意力循环对抗自动编码器,用于为深度强化学习仿真与储能系统规划提供更丰富的光伏负荷不确定性场景,通过整合门控循环单元与注意力机制,可有效保证生成场景的时空相关性。2)提出了一种基于图注意力深度强化学习的新型“攻防”型韧性评估方法,能够识别配电网中最极端的故障场景,从而使韧性评估结果更具普适性与稳健性。该研究还设计了配电网自愈模型作为深度强化学习仿真环境,以代表电网的响应能力,而代理的平均奖励值则作为衡量储能系统优化效果的韧性指标。3)考虑到多利益相关方的协同运行以及韧性驱动的随机约束,建立了基于两阶段博弈论的分布式鲁棒优化模型来确定储能系统容量。该模型通过多利益相关方的领导者-追随者博弈优化,提升了储能系统的利用效率与经济效益。同时,基于注意力循环对抗自动编码器与KL散度,设计了分布式鲁棒优化模型的概率分布模糊集,进一步提高了储能系统配置的适应性。本文的其余部分结构如下:第2节介绍储能系统配置框架,第3节阐述不确定性场景建模方法,第4节介绍韧性评估方法,第5节展示储能系统容量的两阶段分布式鲁棒优化模型,第6节通过案例研究进行分析,第7节总结全文。主要符号说明见附录A。
章节要点共享储能系统配置的统一框架所提出的统一框架主要由基于注意力循环对抗自动编码器的光伏负荷场景生成模型、基于图注意力深度强化学习的韧性评估模型,以及用于储能系统规划的两阶段分布式鲁棒优化模型组成。注意力循环对抗自动编码器为韧性评估与储能系统规划提供了场景基础,随后通过训练韧性评估模型来判断所规划的储能系统是否满足配电网的韧性要求,最终通过基于分布式鲁棒优化的两阶段模型确定最优的储能系统配置。基于注意力循环对抗自动编码器的不确定性场景建模注意力循环对抗自动编码器被用来学习光伏负荷的联合概率分布,进而为分布式鲁棒优化模型构建光伏负荷的概率分布模糊集,同时为韧性评估提供的仿真环境提供足够的场景数据。基于图注意力深度强化学习的配电网韧性评估为准确量化配电网的韧性,各类极端事件被视为攻击代理对配电网发起的连续攻击,而配电网则依靠灵活的资源进行响应与恢复。该研究建立了一种新的“攻防”型序列博弈模型,其中攻击代理旨在找到最快的攻击路径以实现最大的电网故障,而配电网作为防御方则努力最小化负荷损失。两阶段共享储能系统分布式鲁棒优化模型如图1所示,该框架在第一阶段在韧性驱动的随机约束下优化储能系统容量,第二阶段则通过博弈型分布式鲁棒优化方法优化多利益相关方的运营效益。测试系统设置第一个测试系统为经过改造的IEEE33节点系统,如图6所示。四个容量均超过1兆瓦的分布式光伏电站分别连接到9号、17号、21号和32号节点上,三个光伏发电用户则连接到12号、23号和27号节点上。在4路、13路和30路上将分别规划三个SES系统,其最大存储容量为5MW/10MWh。第二个测试系统位于中国山东省的某个地区,由两个220千伏变电站供电,如图7所示。
结论
为提升高光伏渗透率配电网络的韧性及经济运行效率,本文提出了一种基于深度学习的共享储能配电自动化配置框架。该SES配置方法已在中压和高压配电网络中得到验证,具备对不同拓扑结构的适应能力以及跨电压等级的通用性。优化后的分析表明,与独立储能及非共享储能相比,SES具有明显优势。
作者贡献说明
曹坤:撰写——审稿与编辑、撰写——初稿、可视化、验证、软件、资源、方法论、研究、正式分析、数据整理、概念构建。刘宇天:撰写——审稿与编辑、监督、资源、项目管理、研究、资金获取、正式分析、概念构建。王春义:验证、监督、资源、数据整理。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
本研究得到了中国自然科学基金与国家电网公司智能电网联合基金的资助,项目编号为U22B2099。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号