基于场景分离的可再生能源电力系统最优规划方法，考虑极端天气事件风险

《Applied Energy》：Scenario separation-based optimal planning method for renewable electric energy system considering extreme weather event risks

针对极端天气事件（EWEs）加剧高渗透可再生能源系统电力失衡的问题，提出基于场景分离的两阶段典型场景构建方法，结合条件风险价值量化尾部风险，构建分离的能源平衡约束模型，并通过案例验证有效降低投资成本并缓解电力失衡。

　　

安浩鹏|张光斗|徐一豪|邢彦凯|巴米西莱·奥卢索拉|梅亚龙|李健|黄琦

中国电子科技大学四川省低碳智能电力与能源系统重点实验室，成都，四川省，中华人民共和国

摘要

极端天气事件（EWEs）对可再生能源的显著影响加剧了高可再生能源渗透率电力系统中电力不平衡的风险。然而，EWEs具有高影响、低概率（HILP）的特点，传统规划方法难以将其特性纳入优化模型。为此，本文提出了一种基于场景分离的可再生能源电力系统规划方法。该方法开发了一种两阶段的极端天气感知典型场景（EWATSs）构建方法，其中第一阶段采用基于形状特征的聚类算法来选择包含常规和EWE场景的典型周，第二阶段采用保持形状的时间序列聚合技术来降低计算复杂性，同时保持时间顺序和形状特征。然后提出了一种最优规划模型，以在减轻EWEs引发的电力不平衡的同时最小化年化投资成本。能量平衡约束被创新性地分解为常规和EWE场景的独立公式，以便可以单独计算EWE下的电力不平衡。使用CVaR方法来量化EWEs引起的尾部风险。在Garver 6节点系统和HRP 38节点系统上的案例研究表明，所提出的方法有效缓解了EWEs加剧的电力不平衡，同时保持了经济效益。

引言

化石燃料的滥用加上环境污染，迫切需要一个可持续和清洁的能源结构[1]，[2]。为了缓解这种情况，近年来电力系统中可再生能源的渗透率一直在上升。由于可再生能源对气象条件的强烈依赖，大规模可再生能源的整合给电力系统带来了显著的不确定性和可变性，导致严重的电力不平衡，并挑战了高可再生能源渗透率电力系统的规划可靠性[3]。更糟糕的是，频繁的极端天气事件（EWEs）进一步放大了可再生能源对可再生能源电力系统的影响，加剧了能量不平衡和可靠性风险[4]。因此，需要将EWEs的影响纳入规划方法中，以提高高可再生能源渗透率电力系统的韧性[5]。

可再生能源的输出具有季节性波动，而负荷曲线显示出明显的日周期性模式[6]。电力供应与负荷需求的不匹配导致长期和短期时间尺度上的电力不平衡[7]。许多研究专注于分析和规划可再生能源电力系统，以减轻由可再生能源增长渗透率引起的电力不平衡。氢能系统和电池系统作为长期和短期储能的协调，被广泛认为是缓解多尺度电力不平衡的有效手段。例如，潘等人[8]开发了一种混合储能系统规划模型，结合了季节性氢储能（SHS）以实现长期能源管理。张等人[9]分析了长期氢储能和短期电池混合储能在提高高渗透率可再生能源电力系统的能量平衡、灵活调节和实时安全支持方面的潜力。李等人[10]提出了一种考虑氢-电池混合储能设备退化和多时间尺度运行的电力-氢能集成系统规划方法。方等人[11]将时间顺序和可再生能源输出不确定性纳入电力系统规划，提出了一种结合运行灵活性约束的扩展规划模型。江等人[12]研究了氢-电池混合储能在缓解由可再生能源增长渗透率引起的长期和短期不确定性中的作用。顾等人[13]构建了一种混合不确定性建模方法来表征可再生能源的输出，并提出了一种多阶段可再生能源规划方法。

上述大多数研究关注的是正常条件下的多尺度电力不平衡，忽略了EWE对可再生能源电力系统不平衡的加剧效应。考虑EWE影响的高可再生能源渗透率电力系统规划的研究仍处于起步阶段。Yeganefar等人[14]研究了净负荷对电力系统运行的影响，并提出了一种构建保留极端净负荷场景的典型天的方法。此外，Scott等人[15]尝试将高峰负荷期作为极端天气事件纳入规划模型，以提高电力系统的韧性。研究[16]、[17]使用统计阈值方法识别极端运行条件，并将这些条件纳入规划模型。研究[18]探讨了经济效率与系统韧性之间的权衡。

尽管之前的研究在减轻季节性波动影响下的多时间尺度电力不平衡方面取得了显著进展，一些近期工作开始考虑EWE对系统可靠性的影响，但仍存在以下几个关键研究空白：

1)

在代表性场景构建阶段对EWEs的特征保存不足：一方面，现有的规划框架通常采用基于样本平均近似（SAA）的方法和大量的运行场景来解决机会约束问题（例如[8]、[9]、[10]、[11]、[12]、[13]、[16]）。然而，基于SAA的聚类关注的是平均系统行为，因此倾向于平滑罕见的极端天气事件，从而低估了它们对规划决策的影响。另一方面，尽管已经做出了一些努力将极端条件纳入代表性场景集（例如[14]、[15]、[16]、[17]），但这些方法大多依赖于基于阈值的极端天气事件识别与典型天的聚类。这种类型的方法引入了两个关键限制。首先，使用预定义的阈值本质上是规则依赖的，并且对阈值选择敏感，这不可避免地导致EWEs从代表性场景集中排除。其次，使用典型天来表示极端条件无法捕捉多日极端天气事件的时间持续性和累积效应。极端时期与正常时期之间的不连续性可能会扭曲跨时间能量平衡和长期储能运行，最终导致规划结果不准确。

2)

在风险感知优化中，极端天气场景和常规场景的区分不足：大多数现有的规划方法（例如[8]、[9]、[10]、[11]、[12]、[13]、[14]、[15]、[17]）通过最小化预期负荷削减来解决电力不平衡问题。尽管在相同时间窗口内，EWEs下的负荷削减比正常条件下的负荷削减更为严重，但由于EWEs的HILP特性，EWEs引起的负荷削减在总期望中的份额仍然很小。最小化预期负荷削减的优化模型倾向于完全放弃极端天气场景下的负荷供应，以降低总体投资成本，这使得在这些事件期间难以确保可靠的电力供应。这是因为期望是一个中心趋势的度量，基于预期负荷削减的优化模型显著低估了极端天气事件带来的风险。另一方面，尽管一些风险感知方法（例如鲁棒优化[19]、[20]、分布式鲁棒优化[21]）试图提高韧性，但它们仍然使用相同的成本表达式和可行性标准来评估极端天气场景和常规场景。这可能会使规划决策倾向于保守的解决方案，以满足极端场景下的可靠性要求。在这方面，极端天气场景和常规场景具有不同的风险特性，但它们通常使用相同的建模和优化处理方法，导致规划结果有偏差。

为了弥合上述研究空白，本文提出了一种基于场景分离的可再生能源电力系统最优规划框架，该框架能够对常规场景和极端天气场景进行差异化的建模和风险感知优化。长期和短期储能系统被纳入规划模型。该方法在将EWE事件引入的尾部风险控制在可接受范围内，同时实现了最优的年化经济成本。本文的主要贡献总结如下：1.

提出了一种两阶段的极端天气感知典型场景（EWATS）构建方法，以明确区分代表性的极端天气场景和常规场景。使用基于形状特征的聚类方法识别典型周，以捕捉极端天气事件的多日特征，并进一步应用保持形状的时间序列聚合方法来降低计算复杂性，同时保持时间顺序的一致性。

2.

在构建的EWATSs的基础上，提出了一种基于EWATSs的可再生能源电力系统规划优化模型，以最小化年化投资成本并减轻EWEs引起的电力不平衡。模型中的电力平衡约束被创新性地分解为EWE和常规场景的独立约束，以便可以单独计算EWE下的电力不平衡。

3.

设计了一个风险感知的目标函数，以根据常规和EWE场景的特点进行相关的电力不平衡优化。特别是，构建了预期年负荷削减惩罚来表示常规场景的频繁但有限的影响，并引入条件价值-at-risk（CVaR）作为尾部风险测量方法，以量化EWEs下的电力不平衡风险。这种形式的目标函数可以捕捉常规场景和EWE场景的不同运行特性和可靠性要求。

本文的其余部分组织如下。第2节提供了两阶段时间顺序EWATS方法的构建。第3节介绍了所提出的基于场景分离的发电-输电-长期和短期储能协同规划模型的数学公式。第4节进行了案例研究。第5节总结了本文。

章节片段

两阶段EWATS集构建方法

可再生能源电力系统规划通常基于可再生发电机和负荷曲线。值得注意的是，EWE场景的运行数据与常规场景数据在形状上有显著差异——EWE场景下的运行数据经常经历剧烈波动、停机或跳跃[22]。在这项研究中，极端场景是从运行数据的视角基于时间形状特征提取的，而不是基于预定义的气象标签或数值

目标函数

所提出的规划模型旨在最小化年成本，同时考虑EWEs的影响。固定维护成本没有明确建模，因为它们假设与安装容量成线性比例，并且不影响规划方案之间的相对比较。在这项研究中，规划模型被有意构建为区分常规运行条件和极端天气条件，以便可以

系统设置描述

在Garver的6节点系统[31]和HRP 38节点系统[32]上进行了案例研究，以评估所提出方法的有效性。使用具有8760小时分辨率的年可再生发电曲线和负荷数据作为测试数据。选择了[33]中的年可再生发电单元曲线作为测试数据。由于四川省在那个时期经历了极端高温和干旱，因此使用2022年四川电网的负荷数据作为负荷数据

结论

本文提出了一种考虑极端天气事件风险的可再生能源电力系统场景分离最优规划方法。首先提出了一种两阶段的极端天气感知典型场景（EWATSs）构建方法来选择典型场景。在所提出的EWATSs构建方法的第一阶段，构建了一种基于形状特征提取的聚类算法，以识别包含常规和EWE场景的典型周。

CRediT作者贡献声明

安浩鹏：写作 – 审稿与编辑，写作 – 原始草稿，方法论。张光斗：调查。徐一豪：数据管理。邢彦凯：监督，资金获取。巴米西莱·奥卢索拉：验证。梅亚龙：可视化。李健：监督，资金获取。黄琦：项目管理。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。

致谢

本工作得到了国家自然科学基金（NSFC，编号52407001）的支持。