第43卷第7期2023年7月电力自动化设备ElectricPowerAutomationEquipmentVol.43No.7Jul.2023基于Predictive&Prescriptive框架的鲁棒最优潮流郑丽琴，谢东梅，白晓清（广西大学广西电力系统最优化与节能技术重点实验室，广西南宁530004）摘要：目前解决不确定性潮流问题的主要方法是先对不确定量进行预测，再根据预测结果进行分析决策，但预测与决策分离可能会导致次优解。将预测过程融入求解不确定性潮流问题的决策过程中，提出基于Predictive&Prescriptive框架的鲁棒最优潮流模型。利用k近邻算法预测并构造表示风电功率不确定性的最小体积椭球集，建立考虑风电不确定性的鲁棒二阶锥最优潮流模型，并利用对偶理论将该模型转换为可求解的混合整数规划模型进行高效求解。IEEE14和IEEE118节点系统算例仿真结果表明，所提模型能有效降低预测、决策过程分离时最优解的劣化程度，在保证系统安全运行的前提下提高系统经济性。关键词：Predictive&Prescriptive框架；不确定性优化问题；鲁棒优化；对偶理论；最优潮流中图分类号：TM744文献标志码：ADOI：10.16081/j.epae.2022110150引言高比例可再生能源的接入导致电力系统呈现强不确定性、建模复杂等特点［1］。随着不确定因素的增加，考虑不确定性的最优潮流问题的时空复杂性变得不可预测，对该问题的建模和求解过程愈发复杂。有学者通过观测描述不确定参数的特征，利用预测方法获取不确定参数的预测值，再基于预测值采用优化方法对不确定性的潮流问题进行决策优化。文献［2］提出结合k-means聚类和改进支持向量机的光伏功率短期预测方法，通过该方法可获得准确度较高的区域光伏功率预测值。文献［3］假设风电功率预测误差服从独立正态分布，在可再生能源功率预测值的基础上进一步求解概率潮流并分析配电网的消纳能力。在上述研究中，预测和决策过程相互独立。在预测阶段，利用统计学或机器学习分析大量数据并获取不确定参数在下一阶段的情况；在决策阶段，基于已知的预测值，利用优化方法获取决策结果。但预测误差对决策结果的影响是不固定的。文献［4］表明，较小的预测误差会劣化最优值。文献［5］指出，仅0.05%的预测误差就可使目标函数值降低15%~20%。因此，如何有效地融合预测与决策过程，采用合适的预测技术和优化方法降低预测误差对不确定性问题决策结果的影响，是一个值得研究的方向。目前，预测技术已由模型驱动过渡到数据驱动，由机器学习算法转移到深度学习算法［6］，从回归模型发展到深度神经...
