为了考虑风光不确定性给微网运行带来的风险,针对独立型微网的容量优化配置,提出一种基于生成对抗网络(generative adversarial network,GAN)场景模拟和条件风险价值(conditional value at risk,CVaR)的容量随机优化配置模型。首先利用...为了考虑风光不确定性给微网运行带来的风险,针对独立型微网的容量优化配置,提出一种基于生成对抗网络(generative adversarial network,GAN)场景模拟和条件风险价值(conditional value at risk,CVaR)的容量随机优化配置模型。首先利用GAN模拟大量风光出力场景,再用K-medoids聚类进行消减得到若干典型场景;其次,以微网供电可靠性为约束,以经济性和可再生能源利用率为目标函数,通过CVaR度量因风光资源不确定性给微网系统带来的运行风险,并将其以平均风险损失的形式与目标函数相结合,构建微网电源容量随机优化配置模型;最后,采用电源损失风险和负荷风险损失指标对配置结果进行评价。仿真算例表明,相比于仅采用典型年风光资源数据进行配置的传统方法,文中提出的模型对于规划周期内可能出现的运行场景适应性更好。展开更多
文摘为了考虑风光不确定性给微网运行带来的风险,针对独立型微网的容量优化配置,提出一种基于生成对抗网络(generative adversarial network,GAN)场景模拟和条件风险价值(conditional value at risk,CVaR)的容量随机优化配置模型。首先利用GAN模拟大量风光出力场景,再用K-medoids聚类进行消减得到若干典型场景;其次,以微网供电可靠性为约束,以经济性和可再生能源利用率为目标函数,通过CVaR度量因风光资源不确定性给微网系统带来的运行风险,并将其以平均风险损失的形式与目标函数相结合,构建微网电源容量随机优化配置模型;最后,采用电源损失风险和负荷风险损失指标对配置结果进行评价。仿真算例表明,相比于仅采用典型年风光资源数据进行配置的传统方法,文中提出的模型对于规划周期内可能出现的运行场景适应性更好。
