[论文解读] Data-Driven Distributionally Robust Scheduling of Community Integrated Energy Systems with Uncertain Renewable Generations Considering Integrated Demand Response

Yang Li, Meng Han+3 more|arXiv (Cornell University)|Jan 21, 2023

Smart Grid Energy Management被引用 15

一句话总结

本文提出一个数据驱动的两阶段分布式鲁棒优化框架，用于在可再生能源波动不确定性下对社区集成能源系统进行调度，整合需求响应和建筑热舒适性考量。它使用基于GAN的情景生成器和混合不确定性集合以提升经济性与鲁棒性。

ABSTRACT

A community integrated energy system (CIES) is an important carrier of the energy internet and smart city in geographical and functional terms. Its emergence provides a new solution to the problems of energy utilization and environmental pollution. To coordinate the integrated demand response and uncertainty of renewable energy generation (RGs), a data-driven two-stage distributionally robust optimization (DRO) model is constructed. A comprehensive norm consisting of the 1-norm and infinity-norm is used as the uncertainty probability distribution information set, thereby avoiding complex probability density information. To address multiple uncertainties of RGs, a generative adversarial network based on the Wasserstein distance with gradient penalty is proposed to generate RG scenarios, which has wide applicability. To further tap the potential of the demand response, we take into account the ambiguity of human thermal comfort and the thermal inertia of buildings. Thus, an integrated demand response mechanism is developed that effectively promotes the consumption of renewable energy. The proposed method is simulated in an actual CIES in North China. In comparison with traditional stochastic programming and robust optimization, it is verified that the proposed DRO model properly balances the relationship between economical operation and robustness while exhibiting stronger adaptability. Furthermore, our approach outperforms other commonly used DRO methods with better operational economy, lower renewable power curtailment rate, and higher computational efficiency.

研究动机与目标

• 在不确定的可再生能源发电下，推动社区集成能源系统（CIES）的鲁棒调度。
• 开发一个数据驱动的两阶段分布式鲁棒优化（DRO）模型。
• 纳入综合需求响应，考虑热舒适和建筑热惯性。
• 采用基于GAN的情景生成器来捕捉可再生能源发电的不确定性。
• 在中国北方的真实CIES上验证该方法，并与传统方法进行比较。

提出的方法

• 构建一个两阶段分布式鲁棒优化模型，其不确定性信息集由1范数和无穷范数混合组成。
• 开发一个基于Wasserstein距离并带梯度惩罚的生成对抗网络（GAN），用于生成可再生发电情景。
• 引入一个综合需求响应机制，考虑人类热舒适度模糊性与建筑热惯性。
• 求解DRO模型以在经济运行和鲁棒性之间取得平衡。
• 与随机编程和鲁棒优化进行比较，以评估性能和效率。

实验结果

研究问题

• RQ1 在不确定的可再生能源条件下，如何利用需求响应通过DRO实现对CIES的鲁棒调度？
• RQ2 使用混合范数不确定性集合对解的鲁棒性与经济性有何影响？
• RQ3 GAN生成的情景是否能改进DRO对可再生能源不确定性的刻画？
• RQ4 在热舒适和热惯性被纳入考虑的综合需求响应，如何影响可再生能源利用率与成本？
• RQ5 与传统的随机规划和鲁棒优化相比，所提方法的表现如何？

主要发现

• 该DRO模型在可再生能源不确定性下实现经济运行与鲁棒性之间的平衡。
• 基于Wasserstein距离的GAN生成情景提升了DRO的情景生成。
• 考虑热舒适和热惯性的综合需求响应提高了可再生能源的利用率并降低了弃光。
• 所提方法在运行经济性、较低的弃用率，以及比其他DRO方法更高的计算效率方面表现更优。
• 在中国北方真实CIES上的仿真验证显示了相较传统方法的实际适用性和鲁棒性提升。