[论文解读] A review on recent advances in scenario aggregation methods for power system analysis

Aiusha Sangadiev, Alvaro González-Castellanos+1 more|arXiv (Cornell University)|Jul 19, 2022

Electric Power System Optimization被引用 5

一句话总结

本文全面综述了电力系统优化中情景聚合方法，聚焦于时间与空间降维技术，以在计算可处理性与建模精度之间取得平衡。通过聚类、优化和距离度量方法，评估了16种方法在输电扩展规划中的应用，生成代表性情景集并最小化解质量损失，为随机能源系统建模中的方法选择提供基准。

ABSTRACT

Worldwide commitments to net zero greenhouse emissions have accelerated investments in renewable energy resources. The requirements for operating and planning power systems are becoming stringent because of the need to take into account the uncertainty associated with renewable generation. Several modeling frameworks that consider the inherent uncertainty in the operation and planning of the power system have been extensively studied. Stochastic optimization has been the most popular approach among these frameworks due to its intuitive representation, especially when formulated using discrete probabilistic scenarios to represent the random variables. Although many scenarios representing all possible uncertain operating conditions would be needed to accurate evaluate stochastic operation and planning models, the size of the scenario set impacts computational complexity, posing a significant tradeoff between uncertainty detail representation and computational tractability. During the last decade, a large body of research has focused on developing new scenario aggregation methods to derive reduced scenario sets that show properties similar to the original scenario set while decreasing computational burden. This review provides an up-to-date, comprehensive classification and analysis of the literature related to scenario aggregation methods for addressing power system optimization problems. First, we present a general framework and the aggregation methodologies. Then, the main studies related to temporal and spatial scenario aggregation are described, followed by a bibliometric analysis of the main publication sources, authors, and application problems. Finally, we provide a numerical analysis and discuss 16 aggregation methods for the transmission expansion planning problem. Finally, recommendations, opportunities, and conclusions are discussed.

研究动机与目标

• 为应对可再生能源发电带来的高维不确定性所导致的随机电力系统优化中日益增长的计算复杂性。
• 为电力系统规划与运行中使用的时间与空间情景聚合方法提供统一分类与对比分析。
• 使用成本偏差、负荷持续曲线误差和解的代表性等定量指标，评估16种情景聚合方法在输电扩展规划中的性能。
• 识别现有文献中空间聚合方面的研究空白，并基于实证比较提供方法选择的基准。
• 根据应用场景、精度要求和计算约束，指导研究人员和实践者选择合适的聚合技术。

提出的方法

• 提出一种通用的情景聚合框架，区分时间（时间序列）和空间（网络节点或发电单元）的降维。
• 综述并分类了16种情景聚合方法，包括k-means、层次聚类（HAC）、谱聚类、自组织映射（SOM）以及基于优化的选择方法（如MILP模型）。
• 采用欧氏距离、动态时间规整（DTW）和MJC等距离度量进行聚类，结合Ward、平均和完全链接等链接准则。
• 通过特征工程（如基于OPF的特征）和表示策略（如代表点、质心、最近质心）提升情景集的保真度。
• 应用聚类算法将相似的可再生能源发电、负荷和运行情景聚类为具有代表性的簇。
• 在输电扩展规划（TEP）问题上开展数值实验，使用总成本、均方根偏差（RMSD）和最优性间隙等指标比较各方法。

实验结果

研究问题

• RQ1 不同情景聚合方法在输电扩展规划中的计算效率与解精度方面如何比较？
• RQ2 聚类链接准则（如Ward、平均、完全链接）和距离度量（如DTW、欧氏距离）对简化后情景集质量有何影响？
• RQ3 基于优化的方法（如用于情景选择的MILP模型，例如ORDF、RR、ORDO）在保持解保真度方面是否显著优于启发式或聚类方法？
• RQ4 时间聚合方法（如对日/季节性曲线进行k-means）与空间聚合（如节点聚类）相比，在降低模型维度且不造成显著精度损失方面表现如何？
• RQ5 在随机电力系统优化中，哪种聚合方法在计算负担与近似误差之间提供了最佳权衡？

主要发现

• 使用Ward链接和代表点表示的HAC在TEP应用中始终表现出高解保真度，显著降低了总成本和投资决策的误差。
• k-means结合最近质心表示方法在减少情景集数量的同时，保持了较低的负荷持续曲线均方根偏差（RMSD）和发电组合精度。
• 基于优化的方法（如用于情景选择的MILP模型，例如ORDF、RR、ORDO）在GEP和TEP问题中实现了比启发式聚类更低的最优性间隙和更优的成本近似。
• 基于SOM的极端运行点选择有效捕捉了系统压力状态，提升了所需可调度容量和运行成本等可靠性指标。
• 谱聚类与HAC结合（共识聚类）提高了电网降维的鲁棒性，高轮廓系数表明聚类结果分离良好。
• 使用动态时间规整（DTW）距离的方法在时间序列聚类中优于欧氏距离，尤其在非线性或相位偏移的可再生能源曲线中，显著降低了发电与负荷曲线的近似误差。