值此清华大学能源互联网创新研究院成立十周年之际，我们推出“建院十周年学术特辑”专栏，精选院内各研究团队已发表的学术成果，系统呈现研究院在能源互联网领域的前沿研究。本期推出能源互联网规划设计研究中心的学术论文，发表于《电力系统自动化》，详见文末“阅读原文”。
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/2023,47(20):95-103.
研究背景
在构建以新能源为主体的新型电力系统的目标下，大量可再生能源与新型负荷接入并广泛形成微电网形态。海量分布式资源的接入给电网运行带来了丰富的灵活调节资源，但同时也引入了较强的不确定性。典型运行场景可以有效描述不确定性并服务于运行策略制定。一方面，微电网运行中的多维时序变量往往存在较强的非线性、变量耦合性以及时序耦合性等复杂特征；另一方面，通过短时序平移之后高度重合的时间序列（称之为形态相似）包含有相似的信息，往往可能对应相似的运行策略。因此，如何有效考虑到微电网运行场景中的强时序特征，对于得到有效可信的典型运行场景并服务于运行策略制定具有重要意义。
研究内容
2.1 时序自动编码器模型
自动编码器通过神经网络的非线性映射能力，能够有效提取原始数据中的深层次特征。为有效提取多维时间序列中的深层次时序特征，本文设计了时序自动编码器(TAE)模型，其结构如图1所示。在编码器部分，首先采用卷积神经网络(CNN)提取短时间窗口内多维变量的变量耦合性特征，并将输入的多维数据降为1维。然后，将激活之后的数据输入两个双向长短期记忆 (Bi-LSTM) 网络层中以提取长时间序列中的前后时序耦合性特征。第2个Bi-LSTM网络层的输出即为编码器得到的深层次数据特征。在解码器中，首先通过上采样层初步重构数据，然后由一个反卷积层重构原始数据并输出。TAE的训练目标为最小化编码重构损失，定义为解码器的重构输出数据与编码器的输入原始数据的均方误差。
图1 时序自动编码器结构
2.2 深度时间聚类算法
针对含强不确定性的微电网，为了构建有效可信的典型运行场景集，本文提出一种基于深度时间聚类(DTC)算法的复杂时序运行场景聚类方法。DTC算法的主要框架如图2所示。
图2 DTC算法
DTC算法主要包括两个部分：时序自动编码器和时间聚类。其中TAE实现多维时间序列的深层次特征提取以及数据降维，时间聚类层依据深层次特征，计算形态相似性，实现时序聚类并得到聚类中心作为典型场景。
在时序形态相似性计算方面，采用基于动态时间规整(DTW)算法的DTW距离来有效量度时间序列之间的形态距离。
在时间聚类层中，通过自由度为1的t分布将DTW距离归一化进行聚类类别的概率软分配。另外，本文的聚类问题属于无监督学习，没有真实的聚类分类，因此采用目标分布来代替真实分布，这种计算方法能够有效加强高置信度预测和规范化损失。时间聚类层训练目标为最小化概率分布和目标分布之间的KL散度损失。
在原始数据的聚类类别划分和聚类中心构建方面，DTC算法的整体流程为：1）通过独立预训练TAE模型初始化深层特征空间，得到原始数据的初始潜在特征表达；2）基于DTW距离在初始深层特征空间中初始化聚类中心；3）训练DTC模型，通过计算损失函数的反向传播，不断同时更新时间聚类层和TAE层的参数；4）DTC模型训练收敛之后，确定聚类类别并重构聚类中心。
在聚类有效性评估方面，受基于欧氏距离的轮廓系数的启发，本文以DTW形态距离作为距离计算方法，提出时间轮廓系数(TSC)指标对时序数据聚类的有效性进行评估。另外，将得到的典型运行场景集在实际微电网两阶段随机优化问题中的运行成本也作为评价指标。
2.3 算例测试
本文采用澳大利亚居民用户数据集进行算例测试。应用DTC算法得到的典型运行场景如图3所示，其中同一颜色表示同一场景。由结果可见，DTC算法得到的聚类中心有效保留了真实功率曲线的形态特征，并且涵盖了多种光伏出力场景和负荷用能场景，得到的典型场景具有代表性，也说明了DTC算法聚类结果的有效性。
图3 DTC算法得到的典型场景聚类结果
在TAE模型中，编码器将维度为2×96的输入场景数据降维为维度为1×48的特征向量，数据压缩率为75%。为进一步说明TAE模型网络结构设计的合理性，将TAE模型与仅由CNN构成的深度卷积自动编码器(DCAE)和仅由长短期记忆网络构成的自动编码器(LSTMAE)进行对比，如图4所示。由对比结果可见，TAE模型重构结果与原始数据重合度更高，说明本文提出的TAE模型对于多维长时间序列存在更好的特征提取与降维效果。
图4 TAE, DCAE, LSTMAE模型效果对比
表1 聚类算法性能比较
从算法比较结果中可见，本文提出的DTC算法的TSC值最高，这说明DTC算法时序聚类效果更好。另外，不同储能容量配置下，DTC算法的微电网随机优化问题运行成本均最低，说明DTC方法得到的场景集更具典型性，因此日前制定的交易策略与日内真实场景下的实际交易需求相差更小，储能能够发挥出更强的调节能力来降低运行成本。
结语
对于存在强不确定性可再生能源与新型负荷接入的微电网，得到具有代表性的典型运行场景对于制定有效的日前运行策略是一个重要内容，本文的主要贡献在于：提出了深度时间聚类算法，基于受Sakoe-Chiba路径约束的DTW距离来评估时序数据形态相似性，通过TAE模型有效提取原始数据中的深层次特征，并联合优化时序自动编码器和时间聚类层，得到了具有代表性的典型运行场景集。
未来研究中，将进一步研究如何面向不同的微电网运行需求，应用DTC算法得到面向微电网运行需求的典型运行场景，并合理配置微电网的储能容量。
/ 引文信息
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.
作 者 介 绍
程林：博士，教授，博士生导师，IET Fellow。主要研究方向：电力系统可靠性分析、电力系统规划、电力系统稳定性分析与控制。E-mail：chenglin@mail.tsinghua.edu.cn
庄颖睿：博士研究生，主要研究方向：配电网规划与运行、配电网大数据应用等。E-mail：thuzyr17@163.com
齐宁：博士，清华大学博士后(助理研究员)，主要研究方向：配用电系统规划与运行、广义储能、配用电大数据分析等。E-mail：thu.qining@gmail.com