隨著信息化的快速發(fā)展，企業(yè)沉淀了大量多源異構(gòu)數(shù)據(jù)，大數(shù)據(jù)被譽(yù)為“蘊(yùn)藏能量的煤礦”?；诖髷?shù)據(jù)的新一代人工智能技術(shù)能夠發(fā)現(xiàn)新知識(shí)、創(chuàng)造新價(jià)值，這不僅對(duì)社會(huì)帶來(lái)技術(shù)變革，而且也會(huì)對(duì)能源產(chǎn)業(yè)產(chǎn)生深遠(yuǎn)影響。

如何將大數(shù)據(jù)人工智能技術(shù)應(yīng)用于城市多能源系統(tǒng)（Urban Multi-Energy System,UMES）的優(yōu)化規(guī)劃，對(duì)其擴(kuò)展和改造有著積極的意義。另一方面，風(fēng)電和光伏等可再生能源的滲透率迅速增加，多種負(fù)荷的波動(dòng)性與可再生能源出力的不確定性給城市多能源系統(tǒng)規(guī)劃帶來(lái)了巨大挑戰(zhàn)。

在規(guī)劃問(wèn)題中，針對(duì)可再生能源出力不確定性問(wèn)題，多數(shù)文獻(xiàn)采用多場(chǎng)景的方法將其轉(zhuǎn)換為多個(gè)確定性問(wèn)題。

一類為使用蒙特卡洛模擬生成場(chǎng)景，有學(xué)者提出了一種概率輸電系統(tǒng)擴(kuò)展規(guī)劃模型，通過(guò)蒙特卡洛模擬描述負(fù)荷增長(zhǎng)、風(fēng)電出力和線路故障等不確定性因素，但為逼近真實(shí)情況通常需要生成大量場(chǎng)景，極大地增加了運(yùn)算負(fù)擔(dān)。

另一類為使用場(chǎng)景削減技術(shù)生成典型場(chǎng)景，比如啟發(fā)式場(chǎng)景匹配算法（Heuristic Moment Matching, HMM）、連續(xù)重要度抽樣算法（Sequential Importance Sampling, SIS）、k-means聚類算法等。

有學(xué)者將高滲透率風(fēng)電、光伏和負(fù)荷的不確定性設(shè)置為9種等概率場(chǎng)景，并提出了一種電網(wǎng)和氣網(wǎng)的隨機(jī)聯(lián)合規(guī)劃模型。有學(xué)者首先采集歷史氫數(shù)據(jù)，使用場(chǎng)景匹配技術(shù)（Moment Matching Method）以削減氫能出力場(chǎng)景，并應(yīng)用至發(fā)電擴(kuò)展規(guī)劃模型。

但是，在實(shí)際工程中，城市多能源系統(tǒng)往往處于能量供給的末梢，前期的數(shù)據(jù)采集環(huán)境惡劣，后期的數(shù)據(jù)清洗、導(dǎo)入以及管理等方面都會(huì)對(duì)數(shù)據(jù)質(zhì)量造成影響，可能會(huì)產(chǎn)生大量的噪聲，然而上述場(chǎng)景削減技術(shù)并不適用于歷史數(shù)據(jù)可靠性不高、噪聲較大的情況。

另一方面，供能可靠性評(píng)估是系統(tǒng)規(guī)劃的重要環(huán)節(jié)。其中，N-1標(biāo)準(zhǔn)在系統(tǒng)規(guī)劃中廣泛應(yīng)用于可靠性檢驗(yàn)，要求系統(tǒng)不僅在正常運(yùn)行時(shí)有效供應(yīng)負(fù)荷，且在任何單一元件發(fā)生故障時(shí)，系統(tǒng)仍能保證負(fù)荷的正常供應(yīng)。

在規(guī)劃中供能可靠性指標(biāo)包括負(fù)荷缺電時(shí)間期望（Loss of Load Expectation, LOLE）、供能不足概率（Loss of Energy Probability, LOEP）、電量不足期望值（Expected Energy not Supplied, EENS）等。

有學(xué)者使用EENS衡量配電網(wǎng)中斷成本，同時(shí)在約束中限制配電系統(tǒng)平均中斷時(shí)間（System Average Interruption DurationIndex, SAIDI）和用戶平均缺供電量（Average Energy not Supplied, AENS），并使用遺傳算法不斷生成新的可行網(wǎng)絡(luò)，再校驗(yàn)可靠性要求。

但是，多數(shù)文獻(xiàn)的N-1可靠性評(píng)估計(jì)算都采用復(fù)雜的循環(huán)校驗(yàn)，每次循環(huán)校驗(yàn)均需確定網(wǎng)架結(jié)構(gòu)、計(jì)算潮流。有學(xué)者指出在規(guī)劃中N-1標(biāo)準(zhǔn)的引入會(huì)導(dǎo)致系統(tǒng)成本過(guò)高的一次投入；同時(shí)高概率-低損失事件可能會(huì)產(chǎn)生過(guò)低投資的“偽最優(yōu)解”，且此解可能并不能適應(yīng)低概率-高損失事件。因此，對(duì)場(chǎng)景概率以及負(fù)荷丟失的合理估計(jì)至關(guān)重要。

面對(duì)實(shí)際城市多能源系統(tǒng)規(guī)劃過(guò)程中可能存在的大量歷史數(shù)據(jù)質(zhì)量欠佳的問(wèn)題，本文改進(jìn)基于密度的含噪聲應(yīng)用空間聚類（Density Based Spatial Clustering of Applications with Noise, DBSCAN）算法，以適應(yīng)實(shí)際工況，獲得更為合理的典型場(chǎng)景及其概率。

同時(shí)，通過(guò)配送通道故障停運(yùn)模型獲得能量配送通道發(fā)生N-1的期望故障時(shí)間。然后，通過(guò)分離潮流的大小和方向，引入負(fù)荷狀態(tài)虛擬變量，提出一種無(wú)需循環(huán)校驗(yàn)，適用于輻射狀網(wǎng)絡(luò)且可一體化建模求解的N-1供能可靠性評(píng)估方法。最后，以UMES總利潤(rùn)最大為目標(biāo)，建立了混合整數(shù)二次規(guī)劃模型。

本文的城市多能源系統(tǒng)考慮配電網(wǎng)和配氣網(wǎng)，測(cè)試網(wǎng)絡(luò)采用通過(guò)3個(gè)電轉(zhuǎn)氣裝置（Power to Gas,PtG）耦合的配電網(wǎng)24節(jié)點(diǎn)系統(tǒng)和改造的配氣網(wǎng)30節(jié)點(diǎn)系統(tǒng)，算例驗(yàn)證了所提模型的有效性和正確性。

圖1 待規(guī)劃城市多能源系統(tǒng)拓?fù)浼跋嚓P(guān)變量示意圖

總結(jié)

本文首先改進(jìn)DBSCAN算法以適應(yīng)歷史數(shù)據(jù)質(zhì)量不佳的工況，并獲取合理的典型場(chǎng)景及其概率；同時(shí)建立了配送通道故障停運(yùn)模型以獲取各個(gè)故障線路的期望故障時(shí)間；然后提出一種可一體化建模求解且適用于輻射狀網(wǎng)絡(luò)的N-1供能可靠性評(píng)估算法；最后以UMES總利潤(rùn)最大為目標(biāo)，建立了混合整數(shù)二次規(guī)劃模型。

案例分析結(jié)果驗(yàn)證了DBSCAN算法能有效解決數(shù)據(jù)“噪聲”問(wèn)題，表明了本文所提出的適用于輻射狀網(wǎng)絡(luò)的N-1供能可靠性評(píng)估算法的正確性。通過(guò)分開(kāi)規(guī)劃與聯(lián)合規(guī)劃案例結(jié)果對(duì)比證明了PtG使得配氣網(wǎng)在發(fā)生N-1故障時(shí)能夠得到配氣網(wǎng)的有效支援，顯著提升了系統(tǒng)供能可靠性。

但是本文并未考慮配電網(wǎng)的電壓以及配氣網(wǎng)的氣壓對(duì)規(guī)劃結(jié)果的影響，接下來(lái)會(huì)針對(duì)該問(wèn)題進(jìn)行深入建模研究。本文亦未考慮變電站和配氣站故障以及發(fā)生N-k故障時(shí)的可靠性計(jì)算問(wèn)題。

另外，現(xiàn)有的城市配電網(wǎng)相關(guān)規(guī)劃導(dǎo)則中傾向于推薦采用多分段單聯(lián)絡(luò)或多聯(lián)絡(luò)的接線方式，但當(dāng)含有聯(lián)絡(luò)開(kāi)關(guān)時(shí)，會(huì)涉及負(fù)荷轉(zhuǎn)移，故障恢復(fù)，網(wǎng)絡(luò)拓?fù)涞撵`活重構(gòu)，目前本文的算法并未考慮這些內(nèi)容，配電網(wǎng)規(guī)劃中考慮多分段多聯(lián)絡(luò)的接線方式將在后續(xù)研究中進(jìn)一步深入挖掘。除此之外，還可考慮結(jié)合深度學(xué)習(xí)等最新的大數(shù)據(jù)挖掘方案，充分利用已有大數(shù)據(jù)進(jìn)行負(fù)荷預(yù)測(cè)，以輔助城市多能源系統(tǒng)規(guī)劃。