隨著信息化的快速發(fā)展，企業(yè)沉淀了大量多源異構數據，大數據被譽為“蘊藏能量的煤礦”。基于大數據的新一代人工智能技術能夠發(fā)現新知識、創(chuàng)造新價值，這不僅對社會帶來技術變革，而且也會對能源產業(yè)產生深遠影響。

如何將大數據人工智能技術應用于城市多能源系統(tǒng)（Urban Multi-Energy System,UMES）的優(yōu)化規(guī)劃，對其擴展和改造有著積極的意義。另一方面，風電和光伏等可再生能源的滲透率迅速增加，多種負荷的波動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)劃帶來了巨大挑戰(zhàn)。

在規(guī)劃問題中，針對可再生能源出力不確定性問題，多數文獻采用多場景的方法將其轉換為多個確定性問題。

一類為使用蒙特卡洛模擬生成場景，有學者提出了一種概率輸電系統(tǒng)擴展規(guī)劃模型，通過蒙特卡洛模擬描述負荷增長、風電出力和線路故障等不確定性因素，但為逼近真實情況通常需要生成大量場景，極大地增加了運算負擔。

另一類為使用場景削減技術生成典型場景，比如啟發(fā)式場景匹配算法（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。

有學者將高滲透率風電、光伏和負荷的不確定性設置為9種等概率場景，并提出了一種電網和氣網的隨機聯(lián)合規(guī)劃模型。有學者首先采集歷史氫數據，使用場景匹配技術（Moment Matching Method）以削減氫能出力場景，并應用至發(fā)電擴展規(guī)劃模型。

但是，在實際工程中，城市多能源系統(tǒng)往往處于能量供給的末梢，前期的數據采集環(huán)境惡劣，后期的數據清洗、導入以及管理等方面都會對數據質量造成影響，可能會產生大量的噪聲，然而上述場景削減技術并不適用于歷史數據可靠性不高、噪聲較大的情況。

另一方面，供能可靠性評估是系統(tǒng)規(guī)劃的重要環(huán)節(jié)。其中，N-1標準在系統(tǒng)規(guī)劃中廣泛應用于可靠性檢驗，要求系統(tǒng)不僅在正常運行時有效供應負荷，且在任何單一元件發(fā)生故障時，系統(tǒng)仍能保證負荷的正常供應。

在規(guī)劃中供能可靠性指標包括負荷缺電時間期望（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。

有學者使用EENS衡量配電網中斷成本，同時在約束中限制配電系統(tǒng)平均中斷時間（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絡，再校驗可靠性要求。

但是，多數文獻的N-1可靠性評估計算都采用復雜的循環(huán)校驗，每次循環(huán)校驗均需確定網架結構、計算潮流。有學者指出在規(guī)劃中N-1標準的引入會導致系統(tǒng)成本過高的一次投入；同時高概率-低損失事件可能會產生過低投資的“偽最優(yōu)解”，且此解可能并不能適應低概率-高損失事件。因此，對場景概率以及負荷丟失的合理估計至關重要。

面對實際城市多能源系統(tǒng)規(guī)劃過程中可能存在的大量歷史數據質量欠佳的問題，本文改進基于密度的含噪聲應用空間聚類（Density Based Spatial Clustering of Applications with Noise, DBSCAN）算法，以適應實際工況，獲得更為合理的典型場景及其概率。

同時，通過配送通道故障停運模型獲得能量配送通道發(fā)生N-1的期望故障時間。然后，通過分離潮流的大小和方向，引入負荷狀態(tài)虛擬變量，提出一種無需循環(huán)校驗，適用于輻射狀網絡且可一體化建模求解的N-1供能可靠性評估方法。最后，以UMES總利潤最大為目標，建立了混合整數二次規(guī)劃模型。

本文的城市多能源系統(tǒng)考慮配電網和配氣網，測試網絡采用通過3個電轉氣裝置（Power to Gas,PtG）耦合的配電網24節(jié)點系統(tǒng)和改造的配氣網30節(jié)點系統(tǒng)，算例驗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)拓撲及相關變量示意圖

總結

本文首先改進DBSCAN算法以適應歷史數據質量不佳的工況，并獲取合理的典型場景及其概率；同時建立了配送通道故障停運模型以獲取各個故障線路的期望故障時間；然后提出一種可一體化建模求解且適用于輻射狀網絡的N-1供能可靠性評估算法；最后以UMES總利潤最大為目標，建立了混合整數二次規(guī)劃模型。

案例分析結果驗證了DBSCAN算法能有效解決數據“噪聲”問題，表明了本文所提出的適用于輻射狀網絡的N-1供能可靠性評估算法的正確性。通過分開規(guī)劃與聯(lián)合規(guī)劃案例結果對比證明了PtG使得配氣網在發(fā)生N-1故障時能夠得到配氣網的有效支援，顯著提升了系統(tǒng)供能可靠性。

但是本文并未考慮配電網的電壓以及配氣網的氣壓對規(guī)劃結果的影響，接下來會針對該問題進行深入建模研究。本文亦未考慮變電站和配氣站故障以及發(fā)生N-k故障時的可靠性計算問題。

另外，現有的城市配電網相關規(guī)劃導則中傾向于推薦采用多分段單聯(lián)絡或多聯(lián)絡的接線方式，但當含有聯(lián)絡開關時，會涉及負荷轉移，故障恢復，網絡拓撲的靈活重構，目前本文的算法并未考慮這些內容，配電網規(guī)劃中考慮多分段多聯(lián)絡的接線方式將在后續(xù)研究中進一步深入挖掘。除此之外，還可考慮結合深度學習等最新的大數據挖掘方案，充分利用已有大數據進行負荷預測，以輔助城市多能源系統(tǒng)規(guī)劃。