计及可再生能源不确定性的经济优化调度方法
目前，计及可再生能源不确定性的经济调度方法主要有随机优化、鲁棒优化和区间优化。
- 随机优化：可再生能源输出被定义为一个已知概率分布的随机变量。
难以同时保证计算精度和效率。
- 1-场景法
- 场景生成
基于随机变量概率分布进行采样：蒙特卡洛抽样、拉丁超立方抽样；
基于非参数概率模型（不假设服从特定分布，从数据学习分布特征）；
基于随机过程模型（描述可再生出力动态变化）；
基于数据直接进行特性挖掘(人工智能方法)：生成对抗网络GAN；
- 场景缩减，获得典型场景及其概率，降低计算复杂度。
- 2-解析法
基于随机变量的随机优化=>基于场景的确定性优化(将随机变量的期望值纳入目标函数或约束，将问题转化为确定性优化。)/基于置信度的优化(机会约束规划，允许约束以一定概率被违反，通过置信度水平控制风险。)
特点：统计最优、风险可控(权衡安全和经济)；建模与求解困难
2.鲁棒优化：可再生能源出力视为一个处于不确定集中的不确定参数。
传统鲁棒更关注不确定量的边界信息，过于保守。
- 将波动范围视为已知凸域：超盒、多面体、椭球
- 基于最劣场景求解：对偶原理、多阶段迭代
- 特点：绝对安全，保守性较强；计算清晰
- 求解：列与约束生成(C&CG)、割平面(Benders)算法。
3.区间优化：利用区间数描述不确定性问题。
优化效果与区间变量变化范围的选取直接相关。
- 将分布式电源出力和负荷需求预测的变化限制在箱型不确定集中。
- 引入不确定性调节参数控制策略保守型。
不确定环境下经济调度问题的建模与求解方法.
- 主动类：将所有可能场景转化为确定性等价再进行求解；
- 被动类：跟踪系统状态实时调整调度策略(滚动优化...)；
- 滚动优化
- 在计划时序内的每一个时段，首先对当前系统状态及预测时序内可能的系统状态进行采样和预测；
- 并根据采样信息决定预测时序内每个时段的最优控制动作；
- 仅实施控制时段对应的控制动作，舍弃控制序列的其余部分；
- 系统输出量作为下一时段系统起始值，并在下一时段重新进行采样与计算。
实质为：在调度的每一步完成整个预测时序的静态调度，但在更大时间尺度的计划时序范围内，随时间推移动态更新未来时段的控制动作，从而最大限度地避免系统状态预测误差的影响，使系统输出接近最优。