風光水發電系統聯合調度規則提取

沈 筱，方國華，譚喬鳳，聞 昕

(河海大學水利水電學院，江蘇 南京 210098)

清潔能源的開發利用越來越受到國內外的關注，但風能、太陽能等清潔能源具有隨機波動性[1]，這類電源的并網發電將對電網的穩定產生沖擊，對電能質量產生不良影響[2]。為此，國內外已有大量研究針對可再生能源的互補開發利用。李勁彬等基于頻譜分析確定風能、太陽能接入容量的最佳配比，提高可再生能源發電系統的經濟效益[3]。Ming等建立長期與短期調度決策相結合的嵌套模型，確定接入水電站的光伏電站的最佳規模[4]。陳麗媛等建立最低成本的優化模型，提出風光水互補發電系統的調度策略[5]。目前，針對水庫群與其他多種可再生能源結合形成的互補系統的調度決策，國內外相關研究較少。

本文在前人研究的基礎上，研究梯級水庫群接入光伏電站、風電場后的調度規則。以雅礱江下游梯級水庫群為例，在確定性優化模型計算結果的基礎上，基于GRA分析結果確定各時期影響因子，應用BP人工神經網絡提取調度規則。

1 多能互補優化調度模型

1.1 目標函數

建立以風光水發電系統發電量最大為目標的模型，目標函數為：

(1)

1.2 約束條件

水量平衡約束Vi，t+1=Vi，t+(Ii，t-QFi，t-qi，t)Δt

(2)

(3)

(4)

(5)

梯級水庫之間的水力聯系Ii+1，t=QJi，t+Qi，t

(6)

(7)

(8)

2 調度規則提取

2.1 決策變量和影響因子

水庫調度規則的決策變量一般選擇時段的下泄流量、時段的出力或者時段末的水庫蓄水量，從調度規則的有效性檢驗結果看，以時段末的水庫蓄水量為決策變量較好[6]。本文選擇時段末的水庫蓄水量為決策變量，初定水庫自身所處的狀態(時段初的水庫蓄水量和入庫流量)、與該水庫有聯系的其他水庫所處的狀態、接入各水電站的風電場以及光伏電站的平均出力作為影響因子。

2.2 灰色關聯分析確定影響因子

灰色關聯分析是根據因素之間發展趨勢的相似或相異程度衡量因素間關聯程度的一種方法?；疑P聯度可找出系統中各影響因素的主次關系，為系統決策提供信息，即使在數據量不充足的情況下仍能反應系統內部演變的規律。對于水庫調度規則的提取，基于灰色關聯分析結果可篩選影響因子[7]。

灰色關聯分析一般需要以下步驟[8]：①確定參考數列與比較數列，由決策變量(時段末的水庫蓄水量)組成參考數列，影響因子組成比較數列；②無量綱化處理初始序列；③計算關聯系數；④計算關聯度；⑤關聯度排序，將關聯度從小到大排列，關聯度越大，該比較數列對參考數列的影響越大。

2.3 基于BP人工神經網絡工具箱的調度規則提取

BP人工神經網絡是采用誤差逆傳播算法進行誤差校正的多層前饋網絡，由輸入層、隱含層和輸出層組成[9]。本文使用Matlab中神經網絡工具箱進行神經網絡的創建、訓練和預測，將數據樣本分為訓練樣本和測試樣本，訓練網絡并提取優化調度下的水庫群調度規則。隱層結點數可根據經驗公式s=2a+1 取值(a為輸入層結點數)[10]。

3 實例研究

3.1 雅礱江下游梯級水庫群

以雅礱江下游梯級水庫群為實例研究對象。下游河段從錦屏一級至江口共有5級開發，依次為錦屏一級(3 600 MW)、錦屏二級(4 800 MW)、官地(2 400 MW)、二灘(3 300 MW)以及桐子林(600 MW)。其中，錦屏一級、二灘水電站水庫分別具有年調節、季調節能力，其余僅進行日調節。本文以錦屏一級和官地為典型工程，考慮接入其周邊全部風能、太陽能資源。

本文選用1953年～2011年逐月徑流數據。為了與水文資料尺度相匹配，風電、光電出力數據以月為尺度，分別按各水電站裝機容量控制其送出能力。由于水電具有較好的調節性能，本文假設系統優先送出風電、光電。以風光水互補系統多年平均年發電量最大為目標，運用動態規劃逐次逼近法(DPSA)得到梯級水庫群長系列優化調度結果。動態規劃逐次逼近法(DPSA)將多維問題轉化為多個一維問題進行求解，降低了算法的時間復雜度和空間復雜度[11]。

3.2 優化調度結果

運用DPSA求解多能互補優化調度模型得到系統最優調度軌跡。由圖3可知，風電、光電呈現“冬春季大，夏秋季小”的規律，水電、風電以及光電的自身出力存在季節上的互補。由圖1至圖4可知，風光水聯合優化下，供水階段，錦屏一級、二灘水電站水庫水位略有提高，非汛期水庫可增加蓄水，提高水電出力；蓄水階段，由于系統優先送出風電與光電，且受到外送通道的限制，汛期錦屏一級水電出力受限；供水期結束時，水庫水位更低，水電出力較未接入風光時有所提高，增加水電出力。

圖1 接入風、光前后錦屏一級水庫多年平均月末水位

圖2 接入風、光前后二灘水庫多年平均月末水位

表1 錦屏一級水電站水庫逐月關聯度計算結果以及影響因子選取結果

圖3 接入風、光前后錦屏一級水電站多年平均出力

圖4 接入風、光前后二灘水電站多年平均出力

3.3 基于優化調度的調度規則提取

3.3.1決策變量與影響因子選擇

根據灰色關聯分析計算影響因子和決策變量之間的關聯程度，由此確定各發電階段的影響因子。由于篇幅限制，以錦屏一級水電站水庫為例列出影響因子選取結果見表1。

3.3.2調度規則提取

分別以1953年～2002年、2003年～2011年的多能互補優化調度模型求解結果為訓練樣本、檢驗樣本，通過Matlab神經網絡工具箱實現BPANN訓練過程，將樣本數據帶入訓練好的模型中得到擬合結果。為提高網絡的泛化能力、防止過擬合，將網絡的擬合誤差控制在10%以內，本文用BP人工神經網絡擬合得到的時段末水庫蓄水量與DPSA優化調度結果間的相對誤差來表示[12]。

由于篇幅原因，錦屏一級、二灘BPANN網絡擬合結果以4月為例進行說明，如表2所示。由表2可知，該BP人工神經網絡調度規則合格率較高，且檢驗期平均誤差小于4%，對水庫最優運行軌跡的擬合效果較好，可滿足實際調度的需求。

表2 錦屏一級、二灘4月BPANN網絡擬合結果

3.4 不同調度方案對比分析

在本文提取得到的調度規則的基礎上，以各水電站自身約束、外送通道限制等約束為基本約束，以優化調度的BPANN模擬水庫時段末蓄水量為基本條件，對雅礱江下游水庫群進行長系列模擬調度。

比較4種調度方案結果，可分析得到風光水互補系統的優越性和調度規則的有效性。具體方案如下：方案1，風光水聯合優化調度，即多能互補優化調度模型求解結果；方案2，調度規則模擬調度，在方案1結果的基礎上進行模擬調度；方案3，水庫常規調度與風電、光電直接輸出；方案4，水庫優化調度與風電、光電直接輸出。其中，方案3、4未進行風光水聯合調度，且系統優先送出風電與光電。

對于4種調度方案，計算雅礱江下游水庫群、風電場以及光伏電站的多年平均總發電量。由表3可知，風光水聯合優化調度方案下的系統總發電量最大，達到872.80億kW·h，與水庫優化調度與風電、光電直接輸出方案相比，提高2.68億kW·h，水庫常規調度與風電、光電直接輸出時，系統多年平均總發電量最??；這是由于考慮水電、風電與光電在季節上的互補運行后，非汛期水庫可蓄更多的水，以便提高汛期的發電量。調度規則模擬調度方案下的系統總發電量小于風光水聯合優化調度，降低了6.16億kW·h，即減少了0.70%；與水庫常規調度與風電、光電直接輸出方案比較，提高了28.35億kW·h，即增加了3.38%。因此，風光水聯合優化調度基礎上提取的調度規則，可較好地保持聯合優化調度的發電效益。

表3 四種調度方案下的系統多年平均年發電量對比

4 結 論

本文在確定性優化的基礎上，提取風光水互補系統的調度規則。以雅礱江下游梯級水庫群為研究對象，建立了以系統總發電量最大為目標的確定性優化模型，采用DPSA獲得最優調度軌跡，利用GRA確定各時期影響因子，應用BP人工神經網絡提取調度規則：風光水聯合優化調度下系統的發電量最高，這是由于水電、風電和光電在季節上存在互補性，風電和光電可彌補水電在非汛期的發電不足；調度規則模擬下系統發電量較水庫常規調度與風電、光電直接輸出方案提高3.38%，但低于風光水聯合優化調度方案0.70%。因此，在風光水聯合優化調度基礎上提取的調度規則可行，且能較好地保持確定性優化調度的發電效益，為風光水互補系統實際優化運行提供依據。本文仍存在一些不足，如僅選用BP人工神經網絡方法，在今后研究中需進一步探討其他方法在提取風光水互補系統的調度規則上的應用。