基于LSTM-CGAN的多微网数据驱动分布鲁棒协同优化运行策略OA北大核心CSTPCD

新能源的强烈不确定性给多微网协同运行带来了可靠性和安全性的巨大挑战。为此,提出一种基于长短期记忆(long short-term memory, LSTM)网络和条件生成对抗网络(conditional generative adversarial networks, CGAN)的多微网数据驱动两阶段分布鲁棒协同优化调度模型。首先,为更准确地描述新能源的不确定性,该模型以LSTM-CGAN生成和K-means++聚类算法削减得到的场景集作为分布鲁棒优化集合的初始新能源场景。其中CGAN网络模型使用Wasserstein距离作为判别器损失函数,以新能源日前预测值作为生成对抗网络的条件变量,并采用LSTM构建生成器和判别器。其次,提出一种基于多能点对点交易贡献率的利益分配方法,以实现合作收益的公平分配。然后,为保护各主体隐私并提高求解效率,提出一种耦合可并行计算列与约束生成(columnand constraint generation, C&CG)的交替方向乘子法(alternating direction multiplier method, ADMM)进行求解能量交易问题。算例结果表明,所提场景驱动方法生成的场景集能更准确、更有效地描述新能源的不确定性,能兼顾系统的鲁棒性、经济性和隐私性,并实现每个主体公平合理的利益分配。