風光水多能源電力系統互補智能優化運行策略

胡偉，戚宇辰，張鴻軒，董凌，李延和

風光水多能源電力系統互補智能優化運行策略

胡偉1，戚宇辰1，張鴻軒1，董凌2，李延和2

（1．清華大學電機工程與應用電子技術系，北京市 海淀區 100084；2．國網青海省電力公司，青海省 西寧市 810003）

高比例可再生能源接入電網，采用風光水互補發電可以提供平滑和穩定的電力供應。針對風光水多能源電力系統，采用大數據和人工智能技術，提出基于隨機規劃的短期優化運行方法。首先，基于變分自編碼器(variational autoencoder，VAE)提出了可再生能源場景生成方法，能夠生成符合可再生能源出力特性的多樣化場景，并精確刻畫可再生能源出力的相關性。其次，基于場景法建立了風光水互補短期優化運行模型，并采用分段線性化的方法將多種非線性約束轉化為線性約束，可以保證模型精度的同時實現快速求解。最后，通過對雅礱江下游風光水發電基地的算例仿真，驗證了所提的智能優化運行策略的有效性。

電力系統；風光水互補；場景生成；變分自編碼器；優化運行

0 引言

受化石能源枯竭和全球氣候變化的影響，可再生能源的開發利用日益受到國際社會的普遍重視。最新發布的《中國可再生能源發展路線圖2050》表明，到2050年，中國電力供應中可再生能源發電占比將達到86%。風能和太陽能將在未來的能源系統中占據主導地位，成為未來高度耦合的綜合能源系統中主要的能量來源。

大規模的風光并網對電力系統消納新能源帶來了巨大挑戰，許多研究從多種電源協同運行的角度對提升新能源消納展開了研究。其中包括了風光[1]、風光儲[2]、風光水[3]和風光火[4]等不同類型的多能源電力系統。綜合考慮電源的容量、成本和環境效益，水電是最理想的靈活性電源，風光水互補發電能夠提供更為平滑和穩定的電力供應。目前，我國已在雅礱江、金沙江和黃河上游等地積極開展風光水基地的建設。因此，研究風光水互補的優化運行方法具有重大的意義。

考慮到可再生能源發電的不確定性，隨機規劃已經成為了電力系統調度問題的主要研究手段。不同的隨機規劃方法的區別主要在于對可再生能源發電不確定性的建模，具體可以分為魯棒優化[5]、場景法[6]、模糊集法[7]和區間數法[8]等。其中，場景法以典型場景代表隨機變量的不確定性，具有較高的計算效率，且可以平衡經濟性和安全性之間的關系。但其優化的效果取決于場景生成的質量[10-11]。目前，大部分的場景生成方法都是基于對可再生能源出力的概率分布進行采樣[13-14]，得到大量的離散場景。通過對歷史數據的擬合，可以得出可再生能源出力的概率分布的參數，目前常用的分布有正態分布、貝塔分布、經驗分布等。但由于可再生能源出力的不確定性強，在實際應用中難以找到能準確描述其出力特性的先驗分布。并且，由于自然資源的時空特性，可再生能源出力在區域內存在較強的時空相關性，現有的建模方法對于相關性的刻畫存在不足。上述問題制約了場景法在調度問題中的應用。

隨著泛在電力物聯網的提出，人工智能將與電力系統深度融合，為解決電力系統的傳統問題提供新的思路。變分自編碼器((variational autoencoder，VAE)是一種具有廣泛前景的無監督學習方法[13-14]。它可以通過人工神經網絡擬合樣本分布，并生成符合原始數據分布的新樣本。在圖像生成和自然語言處理等領域具有廣泛應用。

本文針對風光水互補的多能源電力系統的短期優化問題，首先提出了基于VAE的可再生能源出力場景生成方法，在不需要先驗知識的情況下就可以很好地擬合可再生能源的出力特性，并考慮不同位置、時段間可再生能源出力的相關性，從而生成高質量的可再生能源發電場景；隨后基于場景法提出了風光水互補短期優化運行的隨機規劃模型，充分考慮風光水之間的互補關系以及風光的不確定性對電力系統的影響，并通過線性化的方法將模型轉化為混合整數線性規劃問題進行快速求解；最后通過對雅礱江風光水基地的算例分析，研究了風光水互補的多能源電力系統在不同水文條件下滿足電力負荷的能力。

1 可再生能源出力場景生成方法

1.1 VAE的基本原理

VAE是目前常用的一類生成模型，其目標是構建一個從隱變量生成目標數據的生成器。為方便采樣，一般假設隱變量服從某種常見的分布(標準正態分布)，隨后通過訓練獲得模型()，從而將隱變量的分布轉化為原始數據的分布，得到新的數據樣本。

具體而言，假設有一批獨立同分布的數據樣本{1,2,…,X}，需要得到其分布()，傳統的參數估計方法是通過極大似然估計，如式(1)所示，但此問題無法直接求解，因此，VAE通過引入隱變量，可以將log(x)改寫為式(2)的形式。

(1)

(2)

(3)

(4)

(5)

圖1 VAE的結構示意圖

1.2 基于VAE的可再生能源出力場景生成方法

通過設計合理的網絡結構，VAE可以從歷史數據中獲得可再生能源出力的概率分布特性，從而無需先驗知識的情況下獲得可再生能源出力場景的生成模型。其流程如圖2所示。

圖2 可再生能源出力場景生成流程

在利用VAE生成可再生能源出力場景的過程中，關鍵是要設計好VAE的結構，包括編碼器和解碼器的結構以及隱變量的維度。特別對于隱變量的維數，如果維數選的過低，會導致分布變換的過程中損失信息過多，難以生成高質量的場景；如果維數選的過高，則在采樣過程中難以覆蓋高維空間。

在利用場景法求解調度問題時，由于計算能力的制約，不能考慮過多的場景。因此，在VAE生成大量的可再生能源出力場景后，還需要采用場景消減的方法獲得可再生能源的典型出力場景，常用的方式是通過K-means聚類算法得到指定數目的場景作為調度問題的輸入場景。

2 風光水互補短期優化運行模型

2.1 目標函數

風光水多能源電力系統短期優化運行的目標是在滿足電力負荷需求的情況下，最大化新能源的消納，并提升水電的運行效率。同時，在優化過程中要考慮風光的不確定性。因此，以場景法構建的模型的目標函數如下：

(6)

水電的運行成本1包括發電耗水量和機組啟停損耗。其中每次機組啟停過程也可以折合成等效的耗水量，如式(7)所示：

可再生能源限電損失為棄風和棄光損失：

(8)

負荷損失表示為

(9)

2.2 約束條件

風光水多能源電力系統運行中需要考慮水電的運行約束，包括水力約束和電力約束。

1）水電轉換關系。

水電機組的水電轉換關系式和發電流量、水頭相關的非線性約束：

(10)

2）水電機組出力約束。

(11)

3）水頭約束。

水電機組的凈水頭等于上游水位減去尾水位。而上游水位和水庫庫容，尾水位和下泄流量間存在非線性關系，因此，水電機組的水頭約束有非線性特性。同時，機組的水頭需在一定的范圍內。

(12)

(13)

(14)

(15)

4）機組發電流量約束。

(16)

5）水電機組運行時間約束。

為避免頻繁的啟停，對于機組的持續開停機時間需要限制：

(17)

6）庫容約束。

水庫的庫容除了要滿足最大、最小庫容約束，還需要保證在調度周期的開始和結束時刻都滿足控制目標。

(18)

(19)

7）水庫棄水量約束。

(20)

8）梯級水量平衡。

水庫的庫容會同時受到徑流量和上游水庫下泄流量的影響。

(21)

9）風電場出力約束。

(22)

10）光伏電站出力約束。

(23)

11）功率平衡約束。

(24)

以上構建了風光水互補短期優化運行模型的約束條件，這些約束在所有考慮的風光出力場景中都需要滿足，以體現調度結果對風光不確定性的適應，因此其中沒有包括對備用容量的約束。同時，為了給出可行的啟停計劃，水電機組的啟停計劃需要在所有場景中保持一致。

2.3 混合整數線性規劃模型的構建

在2.2節的約束條件中，水電轉換關系、上游水位和水庫庫容之間的關系、尾水位和下泄流量之間的關系都是非線性約束。為了將模型轉化為線性模型，從而采用商業軟件快速求解，采用了分段線性化的方法對上述約束進行處理。

2.3.1 水電轉換關系線性化

圖3 水電轉換關系分段線性化

(26)

(27)

式中：x是表示水頭是否在第段的0-1變量；H為水頭在第段的取值，如果在第段，則H=H，反之，H=0；H和H分別是水頭變化范圍內第段的最小和最大值；`H為水頭位于第段時的等效均值；y是表示水電機組在水頭`H下的發電流量q是否在第段的0-1變量； q為發電流量q在第段的取值，如果水電機組在水頭`H下，且發電流量在第段，則q=q且q=q，反之，q=0且q=0；q和q分別為發電流量q變化范圍內第段的最小和最大值；k和β分別為水頭`H下水電機組出力P和發電流量q的分段線性化函數中第段的斜率和截距。

2.3.2 上游水位和水庫庫容之間的關系線性化

同樣采用分段線性化的方法對上游水位和水庫庫容之間的關系進行線性化。

(28)

式中：β為表示庫容是否在第段的0-1變量；V為庫容在第段的取值，如果在第段，則V=V，反之，V=0；V1和V分別為庫容變化范圍內第段的最小和最大值；和分別為水庫上游水位和庫容的分段線性化函數中第段的斜率和截距。

2.3.3 尾水位和下泄流量之間的關系線性化

通過分段線性化，將水電模型中的非線性關系進行線性近似，從而使得模型變為了混合整數線性模型。

3 算例分析

3.1 可再生能源場景生成模型算例

為了體現生成模型對于可再生能源出力概率分布和相關性的生成效果，從NERL的WIND工具箱中選取了24個風電場一年的出力數據，將每天288個點的出力曲線折合為24個點，即將輸入的數據維度變為24′24。對于總計365個歷史樣本，將其中的90%作為訓練集，輸入VAE中進行訓練，剩余的10%作為驗證集。訓練完成后采樣生成20 000個場景，研究其生成效果。

3.1.1 生成場景和真實場景的效果對比

對于生成的場景，將其和驗證集的場景進行比較，發現雖然驗證集數據沒有加入模型訓練環節，但是生成的場景中仍然產生了與之相似的場景，因此，可以定性地表明生成模型學到了可再生能源出力的特點。圖4是第1個風電場的實際出力曲線和生成的出力曲線的比較。

進一步對該風電場出力的真實出力分布和生成場景的分布進行對比。比較兩者的出力頻率分布(圖5)可知，生成場景較好地擬合了實際出力的概率分布，證明了模型的學習能力。

3.1.2 生成場景和真實場景的時空相關性對比

生成模型的優點在于可以準確便捷地刻畫變量之間的相關性，特別是高維相關性。而可再生能源出力的相關性對于系統運行來說非常重要。當可再生能源出力的正相關性較強時，則其不確定性造成的影響會疊加；而當可再生能源出力的負相關性較強時，則其不確定性造成的影響會減弱。因此，采用皮爾遜相關系數表征可再生能源的時空相關性，如圖6、7所示。

圖4 單個風電場真實出力場景和生成場景對比

圖5 真實場景和生成場景的頻率分布圖

可以看出，無論是對于不同風電場之間的空間相關性，還是對于同一風電場不同時間點出力的時間相關性，VAE模型都進行了很好地擬合。在具備高精度的同時不需要復雜的建模和計算，體現了VAE模型的優越性。

3.2 流域梯級風光水多能源電力系統算例

以建設中的雅礱江新能源基地作為算例系統[16,18]，其中包括雅礱江下游五座梯級水電和對應區域的風光電站。研究的水電站從上到下依次為錦西、錦東、官地、二灘和桐子林。對于風電和光伏，采用VAE生成典型場景，值得注意的是，在制定日前調度計劃時會給出風電和光伏出力的預測值。因此在生成場景時，以風電和光伏出力的誤差作為生成對象，即實際考慮的場景為可再生能源出力預測值加上生成的典型誤差場景。

對于在第2節構建的混合整數規劃模型，調用商業軟件Gurobi進行求解。

3.2.1 平水期風光水互補優化運行結果

以歷史上雅礱江平水期某天的歷史數據作為邊界條件，外送電力曲線、水庫始末庫容、來水量都按實際值給定，結果如圖8、9所示。

圖9展示了可調節水電站的庫容變化曲線，其中錦西水電站由于具有較大的調節庫容，在一天內的前期承擔了較多的發電任務，后期為了保證末期庫容，開始蓄水。錦西水電站在調度周期內承擔了主要的調峰任務，并且由于錦西為錦東提供了較多的下泄流量，使得錦東水電站可以以較高的水頭在全天提供穩定出力，提升了發電系統的運行效率。官地和二灘水電站則進一步提升了發電系統出力跟蹤負荷的能力，在錦西、錦東出力較高時，官地水電站僅提供少量出力并進行蓄水。而在后期錦西水電站減小出力的情況下，官地水電站則能承擔一定的調峰任務，并適當減小庫容。二灘水電站則在前期提供較高的出力，在后期進行一定的蓄水，并通過下泄流量對下游桐子林水電站的出力進行調節。桐子林水電站由于是徑流式水電站，因此基本保持了滿發的狀態。最終得到的平水期互補優化運行結果如圖8所示，可以看出通過充分利用風電、光電和水電間的互補特性以及梯級水電強大的調蓄能力，可以高效地滿足電力外送的需求。

圖8 平水期風光水互補優化運行結果

圖9 平水期庫容變化曲線

3.2.2 汛期和枯水期風光水互補優化運行結果

和平水期相比，汛期和枯水期時的運行更為困難。在汛期，由于來水量較高，會出現機組滿發還要棄水保證水庫庫容約束的情況，從而造成水電失去調節能力。因此，需要通過梯級水電的協調，使得梯級水電中的部分機組還能調節風光的出力。而在枯水期時，由于來水量少，水庫可用的發電容量較少，此時風光能為水電提供一定的支持，從而提升發電系統整體的供電可靠性。同樣選取汛期和枯水期的歷史數據進行算例分析。

汛期的來水量較大，錦西、官地和二灘3個大容量水電站的蓄水量在一天內就出現了較大幅度的增長。錦東的庫容較小，但發電水頭高，因此在來水充足的情況下基本處于滿發狀態。調峰任務由各水電站協調承擔。最終得到的優化運行結果如圖10、11所示，可以看出，即便在風光出力較小的汛期，通過梯級水電站間的協調配合仍然能夠具備一定的調峰能力來與風光出力互補以共同滿足外送需求。

圖10 汛期風光水互補優化運行結果

圖11 汛期庫容變化曲線

由于枯水期來水過少，歷史上雅礱江也沒有在枯水期進行外送，因此適當降低外送的負荷需求，得到的結果如圖12、13所示。可以看出，枯水期風光出力對于水電的支撐作用非常明顯，而梯級水電通過相互協調，可以滿足適當降低的外送需求。因此，在大規模風電和光伏接入的情況下，雅礱江下游新能源基地可以在枯水期仍然進行適當的電力外送。

圖12 枯水期風光水互補優化運行結果

圖13 枯水期庫容變化曲線

4 結論

針對風光水多能源電力系統短期優化問題，提出了基于變分自編碼器的場景生成模型，以及基于場景法的短期互補優化運行模型，并對雅礱江下游新能源基地進行了實例分析，得到了如下結論：

1）基于VAE的場景生成模型可以比較準確地表述可再生能源出力的概率分布，并且在刻畫可再生能源出力的相關性上具有明顯的優勢。在訓練過程中也沒有明顯的困難，和常規方法相比簡單易行且效果更好。

2）提出風光水短期優化運行模型，采用分段線性化的方法將模型中的非線性約束進行轉化，在保證模型精度的前提下提升了計算效率。

3）基于對雅礱江下游新能源基地的實例分析，驗證了風光水多能源電力系統擁有可靠的供電能力。通過不同水電之間的協調優化可以提升發電效率并最大幅度地消除風光出力不確定性的影響。而風光的大規模接入為水電在枯水期的電力外送提供了解決方案，增強了水電在全年的供電能力。

[1] 馬苗苗，邵黎陽，潘軍軍，等．風光互補發電系統的監督預測協調控制[J]．中南大學學報(自然科學版)，2018，49(10)：2602-2609．

[2] 莊雅妮，楊秀媛，金鑫城．風光儲聯合發電運行技術研究[J]．發電技術，2018，39(4)：296-303．

[3] 程海花，寇宇，周琳，等．面向清潔能源消納的流域型風光水多能互補基地協同優化調度模式與機制[J]．電力自動化設備，2019，39(10)：61-70．

[4] 吳萍，陳昊，趙兵，等．風光火打捆交直流混聯外送系統交互影響及穩定性研究[J]．電網技術，2016，40(7)：1934-1942．

[5] 陳宇，彭瀟，丁婧，等．電動汽車參與風電場輸出功率波動平抑方法研究[J]．發電技術，2019，40(1)：91-98．

[6] 李偉楠，王現勛，梅亞東，等．基于趨勢場景縮減的水風光協同運行隨機模型[J]．華中科技大學學報(自然科學版)，2019，47(8)：120-127．

[7] 李姚旺，苗世洪，羅星，等．含壓縮空氣儲能電力系統日前-日內協調調度策略[J]．中國電機工程學報，2018，38(10)：2849-2860，3136．

[8] 朱祥祥，黃崇鑫，岳東，等．基于區間不確定性的微網有功-無功聯合優化調度[J]．電力系統自動化，2016，40(15)：39-46．

[9] 趙書強，金天然，李志偉，等．考慮時空相關性的多風電場出力場景生成方法[J]．電網技術，2019，43(11)：3997-4004．

[10] 丁明，宋曉皖，孫磊，等．考慮時空相關性的多風電場出力場景生成與評價方法[J]．電力自動化設備，2019，39(10)：39-47．

[11] 仉夢林，胡志堅，王小飛，等．基于動態場景集和需求響應的二階段隨機規劃調度模型[J]．電力系統自動化，2017，41(11)：68-76．

[12] 葉榮，陳皓勇，王鋼，等．多風電場并網時安全約束機組組合的混合整數規劃解法[J]．電力系統自動化，2010，34(5)：29-33，65．

[13] S?nderby，Casper Kaae，Raiko，Tapani，et.al．Ladder Variational Autoencoders[C]//Proceedings of the Advances in Neural Information Processing Systems 29 (NIPS 2016)，Barcelona，Spain，2016．

[14] Matt J．Kusner，Brooks Paige，Gelly S，JM Hernández-Lobato．Grammar variational autoencoder[C]//Proceedings of the 34th International Conference on Machine Learning，ICML'17，Sydney，Australia，2017．

[15] Kingma D P，Welling M．Auto-encoding variational bayes[C]//Proceedings of the 2nd International Conference on Learning Representations．Banff，Canada：ICLR，2014．

[16] 吳世勇，周永，王瑞，等．雅礱江流域建設風光水互補千萬千瓦級清潔能源示范基地的探討[J]．四川水力發電，2016，35(3)：105-108．

[17] 羅崇伸，張蘊華，胡學翠，等．雅礱江下游水能資源開發全面完成雅礱江公司著手打造風光水互補清潔能源示范基地[J]．四川水力發電，2016，35(2)：119-120．

[18] 黃煒斌，馬光文，王和康，等．雅礱江下游梯級電站群中長期優化調度模型及其算法研究[J]．水力發電學報，2009，28(1)：1-4．

Complementary Intelligent Optimization Operation Strategy of Wind-Solar-Hydro Multi-energy Power System

HU Wei1, QI Yuchen1, ZHANG Hongxuan1, DONG Ling2, LI Yanhe2

(1. Department of Electrical Engineering, Tsinghua University, Haidian District, Beijing 100084, China; 2. State Grid Qinghai Electric Power Company, Xining 810003, Qinghai Province, China)

For high-ratio renewable energy access to the grid, the utilization of wind-solar-hydro complementary power generation can provide a smooth and stable power supply. This paper proposed a short-term optimal operation method based on stochastic programming for the wind-solar-hydro multi-energy power system, using big data and artificial intelligence technology. Firstly, based on the variational autoencoder (VAE), a renewable energy scenarios generation method was proposed, which can generate diverse scenarios that meet the characteristics of renewable energy output and accurately describe the correlation of renewable energy output. Secondly, based on the scenarios method, a short-term optimization operation model of wind-solar-hydro was established and a piecewise linearization method was used to transform various nonlinear constraints into linear constraints, which can achieve fast solution while ensuring the accuracy of the model. Finally, through the simulation of the wind-solar-hydro power system in downstream of the Yalong River, it demonstrates the effectiveness of the intelligent optimization operation strategy proposed in this paper.

power system; complementation of wind-solar-hydro; scenarios generation; variational autoencoder; optimal operation

10.12096/j.2096-4528.pgt.19173

TM71

2019-11-26。

國家重點研發計劃項目(2017YFB0902200)；國家電網公司科技項目(5228001700CW)。

Project Supported by National Key Research and Development Program of China (2017YFB0902200); Science and Technology Project of State Grid Corporation of China (5228001700CW)。

胡偉(1976)，男，副教授，博士生導師，研究方向為電力系統穩定與控制、電力大數據及人工智能、綜合能源系統，huwei@mail.tsinghua.edu.cn；

胡偉

戚宇辰(1996)，男，碩士研究生，研究方向為綜合能源系統優化運行。

戚宇辰

(責任編輯 車德競)