随机能量管理策略，随机算法

我们可以应用随机策略的领域可以有：

1.智能电网/微电网级别，特别关注ESS能量存储系统 (包括电动汽车中的固定和移动ESS) 和RES；

2.住宅部门，因为它在顶级智能电网框架或与偏远社区电气化相关的领域受到特别关注，因此对面向该领域的电源管理的研究兴趣正在增加；

3.ICT（大型信息和通信技术）部门占全球能源消耗的近10%，因此，在高度随机的RES生成框架中，ESS和数据中心中的不间断电源 (UPS) 的电源管理成为一个非常有趣的话题。最近，从经济 (降低成本) 和技术 (辅助服务) 的角度对最佳功率分配进行了深入研究。

应用背景：不确定框架。

电网中的随机要素有：可再生能源，负载。从技术角度来看，主要源于: i) 与天气相关的测量，导致间歇性功率输出 (风速、太阳辐射、环境温度等的预测误差)。 ii) 不可预测的故障; iii) 电厂随机停电。此外，还必须考虑未知的经济参数，从而产生不确定性，例如: i) 成本系数; ii) 最佳开发范围 (可再生能源和常规能源); iii) 能源价格。

我们需要在系统组件 (生成，负载等) 的建模过程中以及目标函数公式中表示不确定性。

对不确定系统建模的方法：

1.对于与天气相关的输入，通常通过概率密度函数 (PDF) 通过统计和概率约束对其不可预测性进行建模。

2.调整预测的时间范围可以通过用理论pdf近似未知变化来简化模型 (对于风速/功率，威布尔分布被证明适用于长时间帧，而对于较短的间隔，高斯分布可以成功使用。对于太阳照射，高斯分布是一个非常好的近似) 。

3.具体的步骤为：

随机优化的目标：随机优化旨在在考虑不确定性的解空间中找到问题的最优解。

难点是：随机性来源的识别和不确定性量化成为该领域非常感兴趣的主题。

在我们过去的探索过程中：在过去的十年中，分析了多种技术，旨在在基于RES的能源系统模型中建立变量输入的高质量表示。具体而言，提出了回归拟合，人工智能，学习工具或混合方法来预测可变和不确定的量，例如在不同时间范围和空间分布上的RES产量或电力负荷。

我们在此举例几种后面可以学习的描述不确定性的方法：蒙特卡洛模拟和生成对抗网络；通过线性皮尔逊相关指数 (乘积矩相关) 评估 解决与不同RES生成器相对应的聚合输入变量的随机依赖性。

由以上方法可以看出随机策略的共性是对不确定性变量的建模。

总体优势：与其他方法相比，降低了计算成本，以及对各种配置的高度适应性，使得这种算法值得进一步研究。随机方法代表了一种在不确定框架中解决RES集成的高级方式，在技术，经济和社会标准方面超过了确定性方法 。它们在实时电源管理应用中的主要优势包括应对RES间歇性激增的能力。

下面举例几个随机方法在在线和离线场景中的应用：

随机规划：它实现概率，主要是基于场景或树的不确定性建模。更详细地说，这种方法可以在两阶段或多阶段模型中实现，作为随机混合整数编程，假设没有预见未来状态。根据第一阶段做出决定时的可用知识，在第二阶段确定最佳解决方案。

                                 

鲁棒优化：旨在确定参数集，该参数集将确保达到不确定参数的最坏情况值的最优解。此类问题的目标函数公式化为

近似随机动态规划 (ASDP)，它允许获得能够在当前和预期的将来满足优化目标的解决方案。特别是值函数逼近，策略迭代 (模型预测控制-MPC) 和状态空间估计，都是ASDP的主要特征。