异构电力系统调度优化：一种数据驱动的风险感知框架

《Sustainable Computing: Informatics and Systems》：Heterogeneous power system scheduling optimization: a data-driven risk-aware framework

　　

•为低碳 HPS 开发了一种数据驱动的离线 - 在线调度范式。
•利用共识聚类将可再生能源场景分组为运行风险域。
•利用簇内不确定性离散度校准特定领域的 IGDT 策略。
•通过 Stacking 识别实时风险状态以直接部署策略。
•所提出的框架实现了 95.0% 的准确率和约 10 毫秒的响应时间。
引言
全球能源转型的深化导致可再生能源渗透率达到历史新高，彻底颠覆了电力系统的传统运行范式 [1]。在此背景下，异构电力系统（HPS）通过可再生能源与各类设施的紧密交织，开辟了电、热、气、氢之间的高效流动通道，成为深度脱碳的关键枢纽 [2]。尽管多种负荷的深度耦合极大地拓展了系统的灵活性边界，但也显著放大了其运行复杂性和脆弱性。风电和光伏（PV）输出的随机波动不再局限于内部电力负荷，而是同步传导至热、气和氢等各种负荷，在不同气象条件和负荷特征下，形成了幅值和结构持续演变的系统风险状态谱。针对这种高度异质的风险状态，系统需要采取差异化的调度响应，而单一场景下的最优策略在另一种状态下容易失效或陷入次优情况。因此，驱动 HPS 实现实时高效调度的核心在于准确识别动态风险状态的能力，以及毫秒级自适应检索匹配预验证策略的机制。
风险感知调度的有效性基于对可再生能源预测不确定性的精确量化，预测误差的时空统计特性直接表征了系统的潜在风险状态边界。研究表明，风电和光伏预测误差在分布上表现出典型的非高斯厚尾特征 [3]；在时间序列方面，风电误差具有显著的日内长程相关性 [4]；在多源空间维度上，受同性质气象条件驱动，风电和太阳能输出表现出不可否认的正相关性 [5]。尽管拉丁超立方采样 [6]、Copula 函数 [7]、生成对抗网络 [8] 和聚类算法 [9] 等参数化和数据驱动方法已成功将上述统计特征转化为离散场景集，但现有生成机制通常受限于基于自然频率的采样权重分配。更重要的是，在 HPS 的研究背景下，目前缺乏针对调度需求的定制化不确定性空间分层采样设计。
针对可再生能源不确定性造成的调度风险，现有文献主要开发了三种响应框架：随机优化（SO）、鲁棒优化（RO）和信息间隙决策理论（IGDT）。然而，面对高频实时调度需求，其固有的技术瓶颈已显现。尽管 SO 可以实现统计经济最优 [10], [11]，但对于包含多能耦合和储能变量的复杂 MILP 模型，其巨大的计算负担难以满足分钟级响应时间，且决策质量严重受限于场景集中的尾风险覆盖度。鲁棒和分布鲁棒 RO 通过确保在最坏情况或模糊分布下的可行性来避免不稳定风险 [12], [13], [14]，但陷入了过度保守的泥潭。相比之下，IGDT 方法 [13], [14], [15] 巧妙地参数化了风险厌恶或投机态度，但其标准范式受限于单一偏好的确定性输出。总之，上述理论框架在实时风险状态感知和即时响应机制方面均存在弱点，这限制了不确定性调度技术在深度工程中的应用。
数据驱动范式为突破优化方法的在线计算瓶颈提供了关键的互补选项 [16]。在状态空间划分方面，K-means[17] 和谱聚类等聚类算法 [18] 受限于参数敏感性且缺乏稳定性。然而，共识聚类 [19], [20] 通过聚合多种算法生成的鲁棒共现矩阵，提供了克服这一缺陷的理想工具。在在线风险验证方面，XGBoost 和 LightGBM 等集成学习以及其先进的 Stacking 架构 [21]，在电力系统故障诊断 [22], [23]、电价区间识别 [24] 和需求响应分类 [25] 等表格任务中确立了压倒性的性能优势。结合 SHAP 归因分析 [26]，它为 HPS 中安全关键调度提供了急需的决策透明度。
可见，尽管上述研究取得了巨大进展，但仍有几个重要挑战未得到解决。首先，现有的可再生能源不确定性建模方法主要强调统计表征，而非构建面向调度的风险状态。同时，传统的基于 SO、RO 和 IGDT 的方法依赖于重复优化或预定义的风险偏好，限制了其在计算高效的实时调度中的适用性。其次，现有的机器学习研究很少在在线风险感知和基于离线优化的调度策略之间建立有效联系。针对上述研究空白，本研究提出了一种数据驱动的风险感知调度框架，该框架为 HPS 集成了不确定性建模、RO 和在线决策。主要贡献总结如下。
(1) 针对可再生能源不确定性下的 HPS 开发了一种统一的离线 - 在线调度框架。与需要重复在线优化的传统方法不同，所提出的框架通过离线 - 在线解耦实现了可部署的毫秒级调度，同时保持了鲁棒性。
(2) 提出了一种数据驱动的风险状态构建和校准机制。将可再生能源不确定性场景组织成具有代表性的风险域，并利用簇内离散度以数据驱动的方式校准 IGDT 不确定性容差。
(3) 建立了一个可解释的实时风险感知框架。通过集成 Stacking 分类器和预优化策略库，所提出的框架实现了快速风险状态识别、高效策略部署和可解释的实时调度。
本文其余部分组织如下。第 2 节介绍了 HPS 架构及相应的调度模型。第 3 节提出了所建议的四阶段数据驱动风险感知调度框架。第 4 节报告了案例研究，包括基准比较、消融研究和敏感性分析。最后，第 5 节总结了本文并讨论了未来的研究方向。
章节片段
系统架构与子系统分解
本研究考虑的 HPS 是一个用于深度脱碳的多能互补系统。在统一调度框架下，它通过五个功能子系统协调电力、热、天然气和氢能：
(1) 能源供应子系统，其中风电和光伏发电作为主要能源输入，辅以从电网购买的电力和通过外部管道购买的天然气（受容量限制）；
(2) 能源转换
框架概述
所提出的框架由四个顺序阶段组成，如图 2 所示。
在第 1 阶段，构建场景库以全面表征可再生能源输出的不确定性，并通过离线优化获得相应的最优解和多维性能向量。在第 2 阶段，利用共识聚类将场景库划分为具有不同运行特征的具有代表性的运行风险域，在...
系统描述与数据来源
本研究采用位于中国河北省张家口可再生能源示范区的零碳智慧能源园区来验证所提调度框架的有效性。作为国家级可再生能源基地和重要的绿色能源示范区，张家口具有高可再生能源渗透率和完整的电 - 热 - 气 - 氢耦合基础设施，使其成为验证 HPS 协同...的代表性案例
结论
本研究针对可再生能源不确定性下整合 CCUS 的异构电力系统提出了一种数据驱动的离线 - 在线风险感知调度框架。通过在统一框架内结合场景生成、风险域划分、鲁棒策略构建和在线风险状态识别，所提方法将计算密集型优化从在线阶段转移到离线阶段，从而在保持...的鲁棒性的同时提高了实时响应性
资金声明
本工作得到国家自然科学基金（基金号：71771085）的支持。作者感谢编辑和匿名审稿人提出的宝贵意见，这些意见有助于改进本工作。
利益声明
作者声明无利益冲突。提交本手稿不存在利益冲突，且手稿已获所有作者批准发表。我想代表我的合作者声明，本手稿此前未曾发表，也未提交至其他期刊考虑发表。
原创性与投稿声明
作者确认本手稿为原创，此前未曾发表，目前也未在其他地方接受发表考虑。投稿已获所有作者批准，并在适用的情况下，已获进行研究机构的负责当局批准。
CRediT 作者贡献声明
卢云源：撰写 - 审阅与编辑，撰写 - 原稿，验证，方法论，概念构思。林明辉：撰写 - 原稿，验证，资源，概念构思。刘吉承：撰写 - 审阅与编辑，验证，监督，资金获取，概念构思。冯永卓：撰写 - 审阅与编辑，可视化，验证。
利益冲突声明
作者声明，他们没有任何已知的竞争性经济利益或个人关系，这些可能影响本手稿中报告的工作。
利益冲突声明
我们在此声明，没有任何已知的竞争性经济利益或个人关系可能影响本文报告的工作。
作者确认，他们与本手稿讨论的主题或材料有任何财务或非财务利益的任何组织或实体没有隶属关系或参与。
卢云源|刘吉承|林明辉|冯永卓