可再生能源（RES）已成为减少温室气体排放的有前景的解决方案[1]，预计将在全球电力产能增长中占据主导地位[2]。然而，将分布式RES集成到电力分配网络（PDN）中带来了巨大的风险问题，因为RES电力的固有波动性和不确定性[3]。在这种情况下，能源存储系统（ESS）是与RES集成在一起的PDN的一个有前景的解决方案[4]。然而，由于负荷和环境条件的季节性变化，固定式ESS的分配是一种妥协方案，可能导致利用率和经济效益较低[5]。在这种情况下，移动能源存储系统（MESS）作为一种新型ESS，因其移动性和灵活性而受到关注[6]。具体来说，MESS连接到特定的变电站或节点（称为MESS站点），以在空间和时间上提供电力/能源服务[7]。MESS的灵活性优势促进了相关研究[[8],[9],[10],[11],[12],[13]]以及实际应用[6,14]，提高了系统运行效率。例如，MESS已被用于增强系统转换能力[9]和管理系统运行风险，如电压违规[10]和RES限电[[11],[12],[13]]，并且可以作为缓解电网拥堵的成本效益高且灵活的替代方案[15,16]。在这种情况下，MESS需要在不同时间重新定位到不同的位置，以满足时空变化的电力服务需求。
应当注意的是，通过利用MESS的移动性可以实现其最大价值[14]。因此，如何在多种不同的系统运行场景中合理分配MESS和MESS站点，以覆盖尽可能多的位置使用案例是非常重要的[6]。目前，已经有一些关于MESS最优规划的研究[5,[16],[17],[18],[19],[20],[21],[22],[23],[24],[25],[26],[27],[28],[29],[30],[31]]。例如，分析了MESS和静态ESS的混合最优分配方法，以提高系统运行效率[16,17]、韧性[5]以及两者兼备[18]。研究了PDN中MESS的最优规模和运输调度[19]，增加了RES和电动汽车充电站的连通性[20]以及系统韧性的提升[21]。在[22]中，研究了一个考虑移动能源的PDN随机规划模型，以提高系统韧性。在[23]中，提出了一个多目标MESS规划，以在PDN的年度成本和可靠性性能之间取得平衡。此外，MESS被用来改善PDN的运行经济性和RES消耗[24]，并满足电动汽车的紧急充电需求[25]。考虑到电力负荷和RES的季节性变化，研究了MES的接入位置和容量规划[26]。在[27]中，提出了一个活性PDN中MESS财务收入的双层优化框架，其中确定了MESS的最优容量。在[28]中，提出了一种基于前景理论的MESS最优配置，以在正常、故障和灾难场景下提高系统运行效率和可靠性。在[29]中，提出了一个考虑PDN正常-故障联合条件的MESS最优分配模型。在[30]中，提出了一个具有软开放点的双层最优配置模型。在[31]中，提出了一个针对具有可移动负荷的孤立微电网的多目标最优规划模型。然而，这些研究中很少考虑交通状况对MESS运行的影响，假设MESS在不同位置之间的通勤时间是恒定的值，而没有测量由不确定交通状况引起的可能的延迟。此外，MESS和MESS站点位置的协同规划以及站点规模的规划（后者决定了MESS提供电力服务的能力）也鲜有关注。
实际上，由于MESS在交通网络内移动以便在MESS站点之间充电和放电，MESS站点的位置和交通状况会影响MESS的移动。一般来说，交通流量分布具有两个特性，即时空变化和不确定性。首先，时空交通流量可以动态改变MESS在不同位置之间的最快通勤路径和通勤时间[32]。此外，交通流量具有固有的不确定性，这可能对MESS和MESS站点的规划决策产生重大影响。也就是说，交通流量可以有多种可能的状态，每种状态的概率不同，且不同状态下的流量体积也有所不同[33]。因此，受不确定交通流量影响的MESS移动也可能是概率性的。考虑到这一点，如果传统上假设MESS在任何情况下都不会受到阻碍，可能会导致不合理的规划决策，从而因不可预见的拥堵而延迟MESS的有效性。因此，有必要在MESS和MESS站点的协同规划中建模并纳入交通流量的不确定性。
为了确保规划结果的有效性，生成考虑来自PDN和交通网络的多种不确定性的典型场景至关重要，例如RES电力波动和时空交通流量不确定性。关于电力系统中的不确定性，一些研究专注于生成典型场景，其中广泛使用了距离匹配方法[5,19,20,34]。例如，在[5]中，使用算法直接对历史数据进行了聚类，以获得MESS规划的典型PV电力和电力负荷轮廓。在[20]中，将历史年度负荷需求和RES电力数据分为月度子集，并应用算法将每个月的数据聚类为两个典型轮廓。在[35]中，提出了一种基于马尔可夫链的技术来生成PV电力和电力需求场景，最终通过方法获得典型场景。然而，现有的研究主要从电力系统的角度生成典型场景，很少考虑交通流量的不确定性。然而，当同时考虑电力系统和交通网络中的多种不确定性时，传统的场景生成方法可能不适用。具体来说，上述不确定性之间可能存在时空耦合特性。例如，在傍晚的非高峰时段，大量的电力负荷从工作区域转移到居住区域，而从工作区域到居住区域的交通流量也很有可能很大。这种不同不确定性的耦合特性会使聚类数据变得更加复杂和高维。由于高维样本之间的欧几里得距离往往接近，距离匹配方法的有效性可能会受到显著影响[36]。此外，现有研究通常还忽略了数据特征的变化模式，如平均值、标准差和偏度。因此，迫切需要提出一种有效的场景生成方法来考虑多种不确定性的时间耦合特性。为了说明本文的贡献，表1提供了与类似工作的比较。
考虑到这些研究空白，本文的主要贡献总结如下：
(1) 从耦合交通-电力系统（CTPS）的角度提出了一种基于风险的MESS和MESS站点协同规划随机优化模型。除了PDN中的不确定性（包括RES电力和电力负荷）外，还考虑了来自交通网络的交通流量不确定性。所提出的模型同时考虑了电力系统中的电力服务需求和时空交通流量对MESS运行效率的影响，从而能够合理规划，充分利用MESS的移动性和灵活性优势。
(2) 提出了一种基于数据的典型场景生成方法，考虑了多种不确定性的时间耦合，可以为规划模型提供有限的典型CTPS运行场景。在所提出的方法中，应用了一种特征提取方法来测量高维数据的数据特征。在此基础上，引入了一种基于机器学习的方法来测量从低维数据特征到高维时间序列数据的映射。因此，可以有效地测量数据特征及其耦合特性的变化。
