Typical Scenario Generation Algorithm for Microgrid Based on Deep Temporal Clustering

ZHUANG Yingrui; CHENG Lin; QI Ning; CHEN Weidong; WU Xiaorui; YAO Zhiyang

doi:10.7500/AEPS20230323001

您当前的位置：

首页 >

文章列表页 >

Typical Scenario Generation Algorithm for Microgrid Based on Deep Temporal Clustering

Application Research | 更新时间：2025-06-16

- Typical Scenario Generation Algorithm for Microgrid Based on Deep Temporal Clustering
- Automation of Electric Power Systems Vol. 47, Issue 20, Pages: 95-103(2023)
- 作者机构：
  
  1.清华大学电机工程与应用电子技术系,北京市 100084
  2.广西电网有限责任公司电力科学研究院,广西壮族自治区南宁市 530023
- 作者简介：
- 基金信息：
  
  National Natural Science Foundation of China(52037006);Science and Technology Project of Guangxi Power Grid Corporation(GXKJXM220222038);China Postdoctoral Science Foundation(2023TQ0169)
- DOI：10.7500/AEPS20230323001
  CLC：
- Received：23 March 2023，
  
  Revised：2023-07-26，
  
  Published Online：01 September 2023，
  
  Published：25 October 2023
- 稿件说明：
移动端阅览
庄颖睿,程林,齐宁等.基于深度时间聚类的微电网典型场景生成方法[J].电力系统自动化,2023,47(20):95-103.

ZHUANG Yingrui,CHENG Lin,QI Ning,et al.Typical Scenario Generation Algorithm for Microgrid Based on Deep Temporal Clustering[J].Automation of Electric Power Systems,2023,47(20):95-103.
庄颖睿,程林,齐宁等.基于深度时间聚类的微电网典型场景生成方法[J].电力系统自动化,2023,47(20):95-103. DOI： 10.7500/AEPS20230323001.

ZHUANG Yingrui,CHENG Lin,QI Ning,et al.Typical Scenario Generation Algorithm for Microgrid Based on Deep Temporal Clustering[J].Automation of Electric Power Systems,2023,47(20):95-103. DOI： 10.7500/AEPS20230323001.

摘要

典型运行场景提取对制定有效的日前运行策略具有重要意义。微电网中，可再生能源和新型负荷的强不确定性使得微电网的运行场景具有复杂时序特征。传统的场景聚类分析方法缺乏对时序特征的考虑，难以得到有效可信的典型运行场景。为此，文中提出一种基于深度时间聚类的微电网典型运行场景生成方法。首先，基于受路径约束的动态时间规整算法，量度时间序列的形态相似性；其次，设计了一种组合卷积神经网络和双向长短期记忆网络的时序自动编码器结构，提取复杂时序运行场景中的深层次特征并实现数据降维；然后，联合优化时序特征提取与时序聚类，得到有效、可信的典型运行场景；最后，提出考虑时间序列形态相似性的时间轮廓系数以及日内实际场景的运行成本作为聚类有效性评估指标。基于澳大利亚居民微电网的实际算例结果表明，与传统的场景聚类方法相比，所提方法具有更强的复杂时序特征挖掘能力，能够得到更具代表性的典型运行场景。

Abstract

Typical operation scenario extraction is of great significance for formulating effective day-ahead operation strategies. The strong uncertainty of renewable energies and new loads in microgrids brings complex temporal characteristics to the operation of microgrids. Traditional scenario clustering analysis methods lack the consideration of temporal characteristics

which are insufficient to obtain effective and reliable typical operation scenarios. Therefore

this paper proposes a typical operation scenario generation algorithm for microgrid based on deep temporal clustering. Firstly

the path-constrained dynamic time warping algorithm is used to measure the morphological similarity of time series. Secondly

a temporal auto encoder with combined convolutional neural network and bi-directional long short-term memory network is designed to extract deep features in the complex temporal operation scenarios and realize data dimensionality reduction. Thirdly

the temporal feature extraction and temporal clustering are simultaneously optimized to obtain effective and reliable typical operation scenarios. Finally

the temporal silhouette coefficient considering the morphological similarity of time series and the operation cost of actual intra-day scenarios are proposed as the clustering validity evaluation indices. Experimental results based on an Australian residential microgrid show that the proposed method outperforms other traditional scenario clustering methods with respect to complex temporal feature extraction

and also the typical scenarios are more representative.

关键词

Keywords

references

杨新法，苏剑，吕志鹏，等 . 微电网技术综述［J］. 中国电机工程学报， 2014 ， 34 （ 1 ）： 57 - 70 .

YANG Xinfa ， SU Jian ， LÜ Zhipeng ， et al . Overview on microgrid technology ［J］. Proceedings of the CSEE ， 2014 ， 34 （ 1 ）： 57 - 70 .

徐潇源，王晗，严正，等 . 能源转型背景下电力系统不确定性及应对方法综述［J］. 电力系统自动化， 2021 ， 45 （ 16 ）： 2 - 13 .

XU Xiaoyuan ， WANG Han ， YAN Zheng ， et al . Overview of power system uncertainty and its solutions under energy transition ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 16 ）： 2 - 13 .

钱韦廷，赵长飞，万灿，等 . 基于概率预测的混合储能平抑风电波动随机优化调控方法［J］. 电力系统自动化， 2021 ， 45 （ 18 ）： 18 - 27 .

QIAN Weiting ， ZHAO Changfei ， WAN Can ， et al . Probabilistic forecasting based stochastic optimal dispatch and control method of hybrid energy storage for smoothing wind power fluctuations ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 18 ）： 18 - 27 .

刘一欣，郭力，王成山 . 微电网两阶段鲁棒优化经济调度方法［J］. 中国电机工程学报， 2018 ， 38 （ 14 ）： 4013 - 4022 .

LIU Yixin ， GUO Li ， WANG Chengshan . Economic dispatch of microgrid based on two stage robust optimization ［J］. Proceedings of the CSEE ， 2018 ， 38 （ 14 ）： 4013 - 4022 .

VERÁSTEGUI F ， LORCA Á ， OLIVARES D E ， et al . An adaptive robust optimization model for power systems planning with operational uncertainty ［J］. IEEE Transactions on Power Systems ， 2019 ， 34 （ 6 ）： 4606 - 4616 .

ZENG Y ， LI C ， WANG H M . Scenario-set-based economic dispatch of power system with wind power and energy storage system ［J］. IEEE Access ， 2020 ， 8 ： 109105 - 109119 .

董骁翀，孙英云，蒲天骄 . 基于条件生成对抗网络的可再生能源日前场景生成方法［J］. 中国电机工程学报， 2020 ， 40 （ 17 ）： 5527 - 5535 .

DONG Xiaochong ， SUN Yingyun ， PU Tianjiao . Generation method of renewable energy day-ahead scene based on conditional generation countermeasure network ［J］. Proceedings of the CSEE ， 2020 ， 40 （ 17 ）： 5527 - 5535 .

董骁翀，张姝，李烨，等 . 电力系统中时序场景生成和约简方法研究综述［J］. 电网技术， 2023 ， 47 （ 2 ）： 709 - 721 .

DONG Xiaochong ， ZHANG Shu ， LI Ye ， et al . Summary of research on generation and reduction methods of time series scenes in power system ［J］. Power System Technology ， 2023 ， 47 （ 2 ）： 709 - 721 .

赵书强，要金铭，李志伟 . 基于改进K-means聚类和SBR算法的风电场景缩减方法研究［J］. 电网技术， 2021 ， 45 （ 10 ）： 3947 - 3954 .

ZHAO Shuqiang ， YAO Jinming ， LI Zhiwei . Research on wind power scene reduction method based on improved K-means clustering and SBR algorithm ［J］. Power System Technology ， 2021 ， 45 （ 10 ）： 3947 - 3954 .

宋军英，何聪，李欣然，等 . 基于特征指标降维及熵权法的日负荷曲线聚类方法［J］. 电力系统自动化， 2019 ， 43 （ 20 ）： 65 - 72 .

SONG Junying ， HE Cong ， LI Xinran ， et al . Daily load curve clustering method based on feature index dimension reduction and entropy weight method ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 20 ）： 65 - 72 .

张洁，夏飞，袁博，等 . 基于特征优选策略的居民用电行为聚类方法［J］. 电力系统自动化， 2022 ， 46 （ 6 ）： 153 - 159 .

ZHANG Jie ， XIA Fei ， YUAN Bo ， et al . Clustering method for residential electricity consumption behavior based on feature optimization strategy ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 6 ）： 153 - 159 .

MOTLAGH O ， BERRY A ， O'NEIL L . Clustering of residential electricity customers using load time series ［J］. Applied Energy ， 2019 ， 237 ： 11 - 24 .

陈烨，吴浩，史俊祎，等 . 奇异值分解方法在日负荷曲线降维聚类分析中的应用［J］. 电力系统自动化， 2018 ， 42 （ 3 ）： 105 - 111 .

CHEN Ye ， WU Hao ， SHI Junyi ， et al . Application of singular value decomposition algorithm to dimension-reduced clustering analysis of daily load profiles ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 3 ）： 105 - 111 .

庞传军，余建明，冯长有，等 . 基于LSTM自动编码器的电力负荷聚类建模及特性分析［J］. 电力系统自动化， 2020 ， 44 （ 23 ）： 57 - 63 .

PANG Chuanjun ， YU Jianming ， FENG Changyou ， et al . Clustering modeling and characteristic analysis of power load based on long-short-term memory auto-encoder ［J］. Automation of Electric Power Systems ， 2020 ， 44 （ 23 ）： 57 - 63 .

XIE J Y ， GIRSHICK R ， FARHADI A . Unsupervised deep embedding for clustering analysis ［C］// Proceedings of 33rd International Conference on Machine Learning ， June 19-24 ， 2016 ， New York， USA ： 478 - 487 .

YANG B ， FU X ， SIDIROPOULOS N D ， et al . Towards K-means-friendly spaces： simultaneous deep learning and clustering ［EB/OL］. ［ 2023-01-30 ］. https：//arxiv.org/abs/1610.04794 https://arxiv.org/abs/1610.04794 .

BERNDT D J ， CLIFFORD J . Using dynamic time warping to find patterns in time series ［R/OL］. ［ 2023-01-30 ］. https：//www.docin.com/p-1411503853.html https://www.docin.com/p-1411503853.html .

LIBERTI L ， LAVOR C ， MACULAN N ， et al . Euclidean distance geometry and applications ［J］. SIAM Review ， 2014 ， 56 （ 1 ）： 3 - 69 .

王达，荣冈 . 时间序列的模式距离［J］. 浙江大学学报（工学版）， 2004 ， 38 （ 7 ）： 795 - 798 .

WANG Da ， RONG Gang . Pattern distance of time series ［J］. Journal of Zhejiang University （Engineering Science）， 2004 ， 38 （ 7 ）： 795 - 798 .

WANG X Y ， MUEEN A ， DING H ， et al . Experimental comparison of representation methods and distance measures for time series data ［J］. Data Mining and Knowledge Discovery ， 2013 ， 26 （ 2 ）： 275 - 309 .

SAKOE H ， CHIBA S . Dynamic programming algorithm optimization for spoken word recognition ［J］. IEEE Transactions on Acoustics， Speech， and Signal Processing ， 1978 ， 26 （ 1 ）： 43 - 49 .

MICHELUCCI U . An introduction to autoencoders ［EB/OL］. ［ 2022-12-20 ］. https：//arxiv.org/abs/2201.03898 https://arxiv.org/abs/2201.03898 .

VAN DER MAATEN L ， HINTON G . Visualizing data using t-SNE ［J］. Journal of Machine Learning Research ， 2008 ， 9 （ 11 ）： 2579 - 2605 .

GUO X ， GAO L ， LIU X ， et al . Improved deep embedded clustering with local structure preservation ［C］// Proceedings of the 26th International Joint Conference on Artificial Intelligence ， August 19-25 ， 2017 ， Melbourne， Australia ： 1753 - 1759 .

RAND W M . Objective criteria for the evaluation of clustering methods ［J］. Journal of the American Statistical Association ， 1971 ， 66 （ 336 ）： 846 - 850 .

AKIBA T ， SANO S ， YANASE T ， et al . Optuna： a next-generation hyperparameter optimization framework ［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining ， August 4-8 ， 2019 ， Anchorage， USA ： 2623 - 2631 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Probabilistic Forecasting Based Stochastic Optimal Dispatch and Control Method of Hybrid Energy Storage for Smoothing Wind Power Fluctuations

Stochastic Planning of Generation and Transmission Expansion for Power System Against Coordinated Attacks

考虑风电随机性的微电网热电联合调度

Related Author

Weiting QIAN

Changfei ZHAO

Can WAN

Yuehui HUANG

Bingquan ZHU

Wenjin CHEN

Jian FU

Bo HU

Related Institution

College of Electrical Engineering, Zhejiang University

State Key Laboratory of Operation and Control of Renewable Energy & Storage Systems (China Electric Power Research Institute)

State Grid Zhejiang Electric Power Co., Ltd.

State Key Laboratory of Power Transmission Equipment & System Security and New Technology(Chongqing University)

State Key Laboratory of Advanced Electromagnetic Technology (Huazhong University of Science and Technology)

⁰