- 头条考虑供能可靠性与风光不确定性的城市多能源系统规划导语浙江大学电气工程学院的研究人员周贤正、陈玮、郭创新，在2019年第17期《电工技术学报》上撰文指出，大数据与可再生能源接入给城市多能源系统（UMES）规划带来了机遇与挑战。该文提出了一种考虑供能可靠性与风光不确定性的城市多能源系统规划模型。 首先，基于改进的DBSCAN算法产生典型场景及其概率，解决了实际工况中可能存在的大量历史数据质量欠佳的问题；其次，通过配送通道故障停运模型，获得了能量配送通道发生N-1的期望故障时间；最后，考虑城市配电网、配气网以及电转气装置（PtG）的相关约束，以UMES总利润最大为目标，提出了一种适用于辐射状网络的N-1供能可靠性评估算法，并建立了混合整数二次规划模型。通过该模型可得出能量源、配送通道及PtG的最优投运时间、类型和位置。 案例分析结果表明了DBSCAN算法以及可靠性评估算法的有效性；证明了在PtG的作用下，能量配送通道发生N-1故障时，配气网能够得到配电网的有效支援，显著提升了系统供能可靠性。
随着信息化的快速发展，企业沉淀了大量多源异构数据，大数据被誉为“蕴藏能量的煤矿”。基于大数据的新一代人工智能技术能够发现新知识、创造新价值，这不仅对社会带来技术变革，而且也会对能源产业产生深远影响。
如何将大数据人工智能技术应用于城市多能源系统（Urban Multi-Energy System,UMES）的优化规划，对其扩展和改造有着积极的意义。另一方面，风电和光伏等可再生能源的渗透率迅速增加，多种负荷的波动性与可再生能源出力的不确定性给城市多能源系统规划带来了巨大挑战。
在规划问题中，针对可再生能源出力不确定性问题，多数文献采用多场景的方法将其转换为多个确定性问题。
一类为使用蒙特卡洛模拟生成场景，有学者提出了一种概率输电系统扩展规划模型，通过蒙特卡洛模拟描述负荷增长、风电出力和线路故障等不确定性因素，但为逼近真实情况通常需要生成大量场景，极大地增加了运算负担。
另一类为使用场景削减技术生成典型场景，比如启发式场景匹配算法（Heuristic Moment Matching, HMM）、连续重要度抽样算法（Sequential Importance Sampling, SIS）、k-means聚类算法等。
有学者将高渗透率风电、光伏和负荷的不确定性设置为9种等概率场景，并提出了一种电网和气网的随机联合规划模型。有学者首先采集历史氢数据，使用场景匹配技术（Moment Matching Method）以削减氢能出力场景，并应用至发电扩展规划模型。
但是，在实际工程中，城市多能源系统往往处于能量供给的末梢，前期的数据采集环境恶劣，后期的数据清洗、导入以及管理等方面都会对数据质量造成影响，可能会产生大量的噪声，然而上述场景削减技术并不适用于历史数据可靠性不高、噪声较大的情况。
另一方面，供能可靠性评估是系统规划的重要环节。其中，N-1标准在系统规划中广泛应用于可靠性检验，要求系统不仅在正常运行时有效供应负荷，且在任何单一元件发生故障时，系统仍能保证负荷的正常供应。
在规划中供能可靠性指标包括负荷缺电时间期望（Loss of Load Expectation, LOLE）、供能不足概率（Loss of Energy Probability, LOEP）、电量不足期望值（Expected Energy not Supplied, EENS）等。
有学者使用EENS衡量配电网中断成本，同时在约束中限制配电系统平均中断时间（System Average Interruption DurationIndex, SAIDI）和用户平均缺供电量（Average Energy not Supplied, AENS），并使用遗传算法不断生成新的可行网络，再校验可靠性要求。
但是，多数文献的N-1可靠性评估计算都采用复杂的循环校验，每次循环校验均需确定网架结构、计算潮流。有学者指出在规划中N-1标准的引入会导致系统成本过高的一次投入；同时高概率-低损失事件可能会产生过低投资的“伪最优解”，且此解可能并不能适应低概率-高损失事件。因此，对场景概率以及负荷丢失的合理估计至关重要。
面对实际城市多能源系统规划过程中可能存在的大量历史数据质量欠佳的问题，本文改进基于密度的含噪声应用空间聚类（Density Based Spatial Clustering of Applications with Noise, DBSCAN）算法，以适应实际工况，获得更为合理的典型场景及其概率。
同时，通过配送通道故障停运模型获得能量配送通道发生N-1的期望故障时间。然后，通过分离潮流的大小和方向，引入负荷状态虚拟变量，提出一种无需循环校验，适用于辐射状网络且可一体化建模求解的N-1供能可靠性评估方法。最后，以UMES总利润最大为目标，建立了混合整数二次规划模型。
本文的城市多能源系统考虑配电网和配气网，测试网络采用通过3个电转气装置（Power to Gas,PtG）耦合的配电网24节点系统和改造的配气网30节点系统，算例验证了所提模型的有效性和正确性。
图1 待规划城市多能源系统拓扑及相关变量示意图
总结
本文首先改进DBSCAN算法以适应历史数据质量不佳的工况，并获取合理的典型场景及其概率；同时建立了配送通道故障停运模型以获取各个故障线路的期望故障时间；然后提出一种可一体化建模求解且适用于辐射状网络的N-1供能可靠性评估算法；最后以UMES总利润最大为目标，建立了混合整数二次规划模型。
案例分析结果验证了DBSCAN算法能有效解决数据“噪声”问题，表明了本文所提出的适用于辐射状网络的N-1供能可靠性评估算法的正确性。通过分开规划与联合规划案例结果对比证明了PtG使得配气网在发生N-1故障时能够得到配气网的有效支援，显著提升了系统供能可靠性。
但是本文并未考虑配电网的电压以及配气网的气压对规划结果的影响，接下来会针对该问题进行深入建模研究。本文亦未考虑变电站和配气站故障以及发生N-k故障时的可靠性计算问题。
另外，现有的城市配电网相关规划导则中倾向于推荐采用多分段单联络或多联络的接线方式，但当含有联络开关时，会涉及负荷转移，故障恢复，网络拓扑的灵活重构，目前本文的算法并未考虑这些内容，配电网规划中考虑多分段多联络的接线方式将在后续研究中进一步深入挖掘。除此之外，还可考虑结合深度学习等最新的大数据挖掘方案，充分利用已有大数据进行负荷预测，以辅助城市多能源系统规划。
