面向光伏出力不確定性的混蓄電站運行方式研究

摘要：

為探究混合式抽水蓄能電站在不同光伏出力場景下的水光混蓄互補運行方式，構(gòu)建基于生成式對抗網(wǎng)絡(luò)（GAN）的光伏出力場景生成模型，以表征光伏出力的不確定性，并構(gòu)建以源荷差異最小、系統(tǒng)發(fā)電量最大及梯級蓄能增量最大為目標(biāo)的互補調(diào)度模型。采用Fibonacci-PSO算法對模型進行優(yōu)化求解。結(jié)果表明：相比無混蓄電站運行模式，混合式抽水蓄能電站能夠更好地調(diào)整系統(tǒng)出力與電網(wǎng)負荷需求相匹配，并在豐水期利用水電棄水進行發(fā)電，增加系統(tǒng)發(fā)電量，提高資源利用率；混蓄電站在豐水期內(nèi)主要進行夜間發(fā)電，而在平水期與枯水期則進行夜間發(fā)電和日間抽水；其運行方式在豐水期內(nèi)提升了4.4%～12.4%的發(fā)電量，并在平水期和枯水期通過抽水減少系統(tǒng)出力與電網(wǎng)負荷的差異，使得互補發(fā)電系統(tǒng)能夠精準(zhǔn)響應(yīng)負荷需求。研究證明，所提出的方法對提升清潔能源消納能力具有重要意義。

關(guān)" 鍵" 詞：

混蓄電站； 水光混蓄互補； 源荷差異； 多目標(biāo)求解

中圖法分類號： TM73；TV737

文獻標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2025.01.029

收稿日期：2024-07-12；接受日期：2024-09-11

基金項目：

國家電網(wǎng)有限公司西南分部科技項目（SGSW0000DKJS2310037）

作者簡介：

王" 靖，男，高級工程師，博士，主要從事水庫優(yōu)化調(diào)度方面的工作。E-mail：wj.boy@163.com

通信作者：

朱燕梅，女，研究員，博士，主要從事水利電力經(jīng)濟管理工作。E-mail：507109510@qq.com

Editorial Office of Yangtze River. This is an open access article under the CC BY-NC-ND 4.0 license.

文章編號：1001-4179（2025） 01-0212-10

引用本文：

王靖，何強，馮晨，等.面向光伏出力不確定性的混蓄電站運行方式研究

［J］.人民長江，2025，56（1）：212-221.

0" 引 言

在“雙碳”目標(biāo)的引領(lǐng)下，大力發(fā)展清潔能源，加快實現(xiàn)能源結(jié)構(gòu)轉(zhuǎn)型刻不容緩，但清潔能源的快速發(fā)展帶來大量棄電，亟需引入調(diào)節(jié)電源形成多能互補，減少棄電［1-3］。水電具有操作靈活、啟停迅速、可靈活調(diào)度等優(yōu)點，是理想的優(yōu)質(zhì)調(diào)峰電源，特別是對電力系統(tǒng)負荷的快速響應(yīng)能力使得水電常被用作調(diào)峰、調(diào)頻及備用電源［4-6］。但由于水力發(fā)電天然受到來水流量的限制，其調(diào)節(jié)能力也將受到來水流量限制，因地制宜增加調(diào)節(jié)性電源提高水電調(diào)節(jié)能力，共同促進清潔能源消納具有現(xiàn)實意義。抽水蓄能電站是目前技術(shù)最成熟、經(jīng)濟性最優(yōu)、最具大規(guī)模開發(fā)條件的綠色低碳清潔靈活調(diào)節(jié)電源［7］，然而純抽水蓄能電站存在建設(shè)周期長、工程投資大等問題，因此國家《抽水蓄能中長期發(fā)展規(guī)劃（2021—2035年）》指出抽水蓄能發(fā)展要“因地制宜，創(chuàng)新發(fā)展”“鼓勵依托常規(guī)水電站增建混合式抽水蓄能電站”（以下稱混蓄電站）。相較純抽水蓄能電站，混蓄電站既可作為抽蓄電站運行，也可作為水電站擴機機組運行，運行方式更為復(fù)雜［8］。

目前，已經(jīng)有學(xué)者針對水光蓄互補運行和混合式抽水蓄能電站（混蓄電站）開展研究［9］。在水光蓄互補運行方面：張帥等以最小化系統(tǒng)運行成本為目標(biāo)，提出了考慮水光蓄互補和直流外送的電力系統(tǒng)分布魯棒優(yōu)化調(diào)度方法［10］；周修寧等以最小調(diào)度成本為目標(biāo)，構(gòu)建了梯級水光蓄發(fā)電系統(tǒng)日前-實時雙層模型，提出了適用于新能源消納的調(diào)度優(yōu)化方法［11］。針對混合式抽水蓄能電站：黃景光等針對不同來水頻率，提出了逐步優(yōu)化算法與水位廊道耦合方法，求解中長期混蓄電站運行方式［12］；蘇學(xué)靈等考慮電網(wǎng)調(diào)峰需求及抽蓄機組不同運行工況，優(yōu)化了白山混合式抽水蓄能電站水庫運行方式［13］。

本次研究結(jié)合前人研究的成果，以水光混蓄互補發(fā)電系統(tǒng)為研究對象，通過生成對抗網(wǎng)絡(luò)（GAN）模型描述光伏出力不確定性，再基于此構(gòu)建水光混蓄互補調(diào)度模型，探究面向光伏出力不確定性的混蓄電站運行方式。

1" 光伏出力場景生成研究

光伏出力的隨機性和不確定性會對電力系統(tǒng)的安全穩(wěn)定運行造成巨大影響，從而影響光伏資源的消納［14-15］。為此，需要針對光伏發(fā)電輸出功率曲線進行場景分析描述。

在進行光伏出力場景分析時，需要大量光伏出力樣本與抽樣數(shù)量以滿足對光伏出力場景分析特征的還原。而光伏出力歷史數(shù)據(jù)屬于具有較強相關(guān)性的數(shù)據(jù)，形成環(huán)境復(fù)雜且受自然環(huán)境因素影響明顯，面臨長時間序列自然采集造成數(shù)據(jù)雜亂的問題，給調(diào)度人員制定發(fā)電計劃造成數(shù)據(jù)偏差。

綜上所述，本研究將研究區(qū)域內(nèi)光伏資源長時間序列的出力作為研究對象，針對出力曲線使用小波閾值去噪方法對原數(shù)據(jù)進行去噪處理，并基于生成式對抗神經(jīng)網(wǎng)絡(luò)（GAN）構(gòu)建光伏出力場景生成模型，對去噪后的光伏出力進行博弈訓(xùn)練，從而高效地生成與真實場景統(tǒng)計特征接近的光伏出力場景，為后續(xù)含有混合式抽水蓄能電站的水光混蓄互補發(fā)電系統(tǒng)運行方式研究提供數(shù)據(jù)基礎(chǔ)。

1.1" 光伏出力隨機生成方法

GAN由Goodfellow于2014年提出，用于生成模型評價，其克服了不確定性描述困難的問題，能夠直接擬合樣本數(shù)據(jù)的分布［16］。作為一種改進的非監(jiān)督學(xué)習(xí)方法，GAN核心結(jié)構(gòu)由生成器（Generator）和判別器（Discriminator）組成。其中，生成器的任務(wù)是提高隨機生成噪聲的維度，并通過反復(fù)訓(xùn)練來逼近真實數(shù)據(jù)的分布［17-18］。判別器的作用是通過損失函數(shù)判別生成器的結(jié)果與樣本數(shù)據(jù)，當(dāng)Discriminator對Generator生成數(shù)據(jù)以及樣本數(shù)據(jù)的判別成功概率相等時，結(jié)束模型訓(xùn)練［19-20］。在訓(xùn)練過程中，生成器和判別器不斷學(xué)習(xí)進化，最終達到納什均衡，其優(yōu)化目標(biāo)如下：

minGmaxDV（G，D）=Ex～PX［lgD（x）］+Ez～Pz｛lg［1-D（G（z））］｝（1）

式中：E［·］為數(shù)學(xué)期望；z～PZ為生成數(shù)據(jù)；x～PX為樣本數(shù)據(jù)；D（x）為樣本判別為真的概率函數(shù)；D（G（z））為模型生成數(shù)據(jù)判別為真的概率函數(shù)。

1.2" 光伏出力場景生成結(jié)果

在生成光伏出力場景前，需要對光伏出力進行歸一化處理以消除量綱影響，確保對比統(tǒng)一性，本研究使用較為常用的最值歸一化方法對光伏出力進行歸一化處理。

以豐水期、平水期、枯水期對全年進行時段劃分，對各時段內(nèi)日光伏出力特征進行分析，結(jié)果見表1，各類場景出力見圖2。

將上述經(jīng)過光伏特征屬性聚類后的各簇場景光伏出力使用GAN進行訓(xùn)練，各類場景隨機選擇10%數(shù)據(jù)作為測試集，90%作為訓(xùn)練集，基于Torch搭建模型，利用Python進行代碼計算，迭代次數(shù)epoch=20000，批次訓(xùn)練樣本batch size=64。將模型最終輸出結(jié)果繪制于圖3。

由圖3可以看出，在經(jīng)過20 000次迭代之后，GAN能夠很好地學(xué)習(xí)不同類型的光伏出力過程，整體呈現(xiàn)出“拱橋式”出力，遵循白天發(fā)電夜間不發(fā)電的原則。在S1、S4、S7等晴天光伏出力場景中，GAN生成的光伏出力能夠捕獲到光伏出力“飽滿”、波動小等特點；在S2、S5、S8等陰雨天光伏出力場景中，GAN能捕獲其出力較低且波動相較于晴天較大的特點；最后在S3、S6、S9等多云天氣光伏出力場景中，GAN能捕獲其出力波動大的特點，均在日間出力過程中體現(xiàn)出云層遮擋效應(yīng)。

為了進一步分析GAN模型學(xué)習(xí)訓(xùn)練能力，引入皮爾遜相關(guān)系數(shù)對場景生成數(shù)據(jù)和樣本數(shù)據(jù)集進行相關(guān)性分析，將各典型場景皮爾遜相關(guān)系數(shù)直方圖繪制于圖4?？梢钥闯?，GAN能夠?qū)W習(xí)樣本光伏出力數(shù)據(jù)的日內(nèi)分布特征，9種情景光伏相關(guān)系數(shù)均達到0.9以上，其中枯水期擬合效果優(yōu)于平水期與豐水期。

2" 水光混蓄互補調(diào)度模型

2.1" 模型構(gòu)建

2.1.1" 目標(biāo)函數(shù)

（1） 源荷差異指標(biāo)最小。為追求水光混蓄互補發(fā)電系統(tǒng)與電網(wǎng)負荷源荷差異指標(biāo)最小，本研究引入離散Fréchet距離用于表達電源出力曲線與電網(wǎng)負荷曲線離散差異化程度。離散Fréchet距離是指兩條曲線所有點之間最大距離的最小值，可以通過式（2）進行遞歸計算。

traF（N，L）=maxtraE（Nx，Ly），""""""""""""" x=1，y=1

mintraF（〈N1，…，Nx-1〉，〈L1，…，Ly〉），x≠1traF（〈N1，…，Nx〉，〈L1，…，Ly-1〉），y≠1traF（〈N1，…，Nx-1〉，〈L1，，…，Ly-1〉），x≠1，y≠1（2）

式中：traF（·）為互補發(fā)電系統(tǒng)出力過程與電網(wǎng)負荷需求源荷差異指標(biāo)，取值范圍為［0，1］，越接近0兩條曲線匹配程度越佳；其余符號含義與上文相同。

traE（Nx，Ly）為點Nx與Ly之間的歐式距離，具體見下式：

traE（Nx，Ly）=（XNx-XLy）2+（YNx-YLy）2（3）

將互補發(fā)電系統(tǒng)日內(nèi)出力過程以及電網(wǎng)負荷需求過程歸一化為N^、L^，因此，目標(biāo)可表示為

min traF（L^，N^）（4）

（2） 互補發(fā)電系統(tǒng)發(fā)電量最大。

為進一步挖掘互補發(fā)電系統(tǒng)發(fā)電潛力，引入水光混蓄互補發(fā)電系統(tǒng)日內(nèi)發(fā)電量最大作為目標(biāo)，目標(biāo)函數(shù)如下：

max E=max（nji=1Tt=1j=h，pv，hsNj，i（t）×mt）（5）

其中：

Nh，i（t）=Kh，i×Qh，i（t）×Hh，i（t）（6）

Npv，i（t）=NCpv，i×gi（t）（7）

Nhs，i（t）=δ（Khs，i×Qhs，i（t）×Hhs，i（t））+（δ-1）（KThs，i×Qhs，i（t）×HThs，i（t））（8）

式中：E為水光混蓄互補發(fā)電系統(tǒng)日內(nèi)總發(fā)電量，kW·h；j=h，pv，hs分別代表水電站、光伏電站、混蓄電站；Nj，i（t）代表第i個第j類電站在第t時段的發(fā)電出力，kW，i=1，2，…，n；nj為第j類電站個數(shù)；t為單位時段，h；T為時段總數(shù)，mt為第t時段小時數(shù)，24；Kh，i為第i個水電站綜合出力系數(shù)；Qh，i（t）為第i個水電站t時刻發(fā)電流量，m3/s；Hh，i（t）為第i個水電站t時刻平均發(fā)電水頭，m；NCpv，i為第i個光伏電站裝機容量，萬kW；gi（t）為第i個光伏電站在t時刻的出力系數(shù)；δ為工況判斷指標(biāo)，δ=1時為混蓄電站發(fā)電工況，δ=0時為水泵抽水工況，其中當(dāng)水電站機組滿發(fā)后仍有棄水時，開啟混蓄電站發(fā)電工況；Qhs，i（t）為混蓄電站在t時刻用水量，m3/s；Hhs，i（t）、HThs，i（t）分別為混蓄電站在t時刻的平均發(fā)電水頭、平均抽水揚程，m。Khs，i、KThs，i分別為混蓄電站發(fā)電工況、抽水工況綜合運行效率系數(shù)。

（3） 梯級蓄能增量最大。

由于本研究互補調(diào)度任務(wù)是使用混蓄電站以及常規(guī)水電調(diào)節(jié)能力，在已知光伏出力、水電站來水流量、水電站綜合利用流量以及初末水位的情況下，使得互補發(fā)電系統(tǒng)出力與電網(wǎng)負荷盡可能匹配。此種調(diào)度方案制定的特點是調(diào)度期常規(guī)水電以及光伏出力的總負荷過程是確定的，協(xié)調(diào)優(yōu)化主體為混蓄電站以及常規(guī)水電，因此調(diào)度方案本質(zhì)為“以電定水”。因此從實際應(yīng)用出發(fā)，調(diào)度方案制訂需要決策者在考慮光伏出力以及混蓄電站運行方式的基礎(chǔ)上，考慮水電發(fā)電水量以及發(fā)電水頭雙重效益，對水量以及負荷進行優(yōu)化分配。此外，由于混蓄電站調(diào)節(jié)功能依賴于抽水工況，因此在流量分配時還需考慮混蓄電站抽水流量的保障。鑒于此，從混蓄電站上下庫蓄能角度出發(fā)，引入梯級蓄能增量最大化為目標(biāo)，目標(biāo)函數(shù)如下：

S0=maxTt=1Ni=1Sit=maxTt=1ni=1（Qit-qit）nj=iKiHitΔt（9）

式中：Sit為電站i在第t時段的蓄能增量，kW·h；Qit為電站i在第t時段的入庫流量，m3/s；qit為電站i在第t時段的利用流量，m3/s；Ki為電站i的出力系數(shù)；Hit為電站i在第t時段的發(fā)電水頭，m；其他符號意義同上。

2.1.2" 約束條件

（1） 水電出力約束。

Nminh，i（t）≤Nh，i（t）≤Nmaxh，i（t）（10）

式中：Nminh，i（t）、Nmaxh，i（t）分別為第i個水電站第t時段的出力下限以及上限，kW；Nminh，i（t）需要綜合考慮水電站最小下泄流量、生態(tài)流量、強迫出力等；Nmaxh，i（t）需綜合考慮水電站裝機以及日內(nèi)綜合利用流量。

（2） 水電站下泄流量約束。

Qmini（t）≤Qi（t）≤Qmaxi（t）（11）

式中：Qi（t）為第i個水電站在第t時段的下泄流量，m3/s；Qmini（t）為第i個水電站在第t時段的最小下泄流量，m3/s；Qmaxi（t）為第i個水電站在第t時段的最大下泄流量，m3/s。

（3） 光伏電站出力約束。

Nminpv，i≤Npv，i（t）≤Nmaxpv，i（12）

式中：Nminpv，i為光伏電站時段最小出力，kW；Nmaxpv，i為光伏電站時段最大出力，kW。

（4） 水量平衡約束。

Vi（t）=Vi（t-1）+［Ri（t）-Qi（t）］×mt+（1-2δ）Qhs，i（t）（13）

式中：Vi（t）為第i個水電站在第t時段末的庫容，m3；Vi（t-1）為第i個水電站在第t時段初的庫容，m3；Ri（t）為第i個水電站在第t時段的入庫流量，m3/s；其他符號意義同上。

（5） 混蓄電站水力約束。

流量利用約束：

0≤Qhs，i（t）≤Qmaxhs，i（14）

式中：Qmaxhs，i為混蓄電站最大過機流量，m3/s。

混蓄電站水量平衡約束：

Tt=1Qhs，i（t）=0（15）

即一日之內(nèi)混蓄電站發(fā)電用水量與抽水量保持平衡，最大程度降低對常規(guī)水電運行的影響。

2.2" 模型求解方法

本次研究所構(gòu)建模型為多目標(biāo)模型，多目標(biāo)之間不可簡單轉(zhuǎn)化為線性目標(biāo)進行優(yōu)化求解，此外，水電站動能計算所涉及水位流量關(guān)系、水位庫容關(guān)系曲線通常也為非線性。

針對上述非線性多目標(biāo)求解問題，

本節(jié)通過目標(biāo)分級的分層求解思路，將多目標(biāo)問題轉(zhuǎn)化為多階段求解問題，再結(jié)合嵌套求解思路，將優(yōu)化結(jié)構(gòu)由單向輸入轉(zhuǎn)化為雙向互饋。

2.2.1" 外層目標(biāo)分級與決策變量降維

由于混蓄電站將已建水電站作為上水庫，其地理位置一般偏離負荷中心，在長距離的電力輸送中，互補系統(tǒng)出力將會產(chǎn)生一定波動，給電網(wǎng)系統(tǒng)安全穩(wěn)定運行帶來挑戰(zhàn)。因此，在此類調(diào)度模式下，應(yīng)在電源側(cè)利用混蓄電站的調(diào)節(jié)能力平抑光伏出力波動性，使互補系統(tǒng)出力盡可能與電網(wǎng)負荷需求相匹配，計算過程中目標(biāo)Ⅰ優(yōu)先級高于目標(biāo)Ⅱ。

為保證目標(biāo)Ⅰ即發(fā)電過程與電網(wǎng)負荷完全匹配，記電網(wǎng)負荷曲線L中最大值為L，此時t=i，則電網(wǎng)負荷時間序列可用下式表示：

L（t）=L，t=iδt×L，t≠i（16）

式中：δt為各時間點系統(tǒng)負荷與時段內(nèi)最高負荷比值，為常數(shù)。

δt代表了電網(wǎng)負荷曲線的形狀與分布，為保證目標(biāo)函數(shù)Ⅰ，需保證水光混蓄互補系統(tǒng)出力按照δt序列進行分布，具體見下式：

N（t）=nji=1j=h，pv，hsNj，i（t）=N，t=iδt×N，t≠i（17）

式中：N為水光混蓄互補出力時間序列最大值，kW。

此時，互補系統(tǒng)發(fā)電時間序列可用N以及常數(shù)序列δt進行表示，原外層多目標(biāo)問題決策變量由各時段發(fā)電流量轉(zhuǎn)化為互補系統(tǒng)出力峰值N，決策變量維度降低，有效降低了計算難度。

2.2.2" 外層模型目標(biāo)更新

經(jīng)決策變量降維后，外層模型求解轉(zhuǎn)化為單目標(biāo)函數(shù)求解模型，原目標(biāo)求解轉(zhuǎn)化為調(diào)整N在約束條件限制里尋找互補發(fā)電系統(tǒng)最高N。由于決策變量為一維線性變量，一般一維正相關(guān)優(yōu)化問題可以采用線性規(guī)劃方式，但此類方法不適用于決策變量降維后的優(yōu)化問題，因此，研究采用Fibonacci一維區(qū)間消去法對變量進行更新。具體步驟如下：

（1） 初始化斐波那契數(shù)列。設(shè)定N的初始區(qū)間為［a，b］，計算初始Fibonacci數(shù)列F［k］，其中F［k］是大于或等于待搜索區(qū)間長度（b-a+1）的最小Fibonacci數(shù)。設(shè)定指針x與y，其中x=F［k-1］，y=F［k］。

（2） 確定分割點。確定變量N1，使得N1=a+ F［k-1］-1，將待搜索區(qū)間分割為［a，N1］與［N1+1，b］。

（3） 判定N1是否滿足約束條件，若滿足則更新邊界為［N1+1，b］，重新計算N2與Fibonacci數(shù)列F［k-2］，反之則更新搜索邊界為［a，N1-1］，計算N2與Fibonacci數(shù)列F［k-1］。

（4） 重復(fù)步驟（3），直至達到迭代次數(shù)或迭代精度滿足要求。

2.2.3" 內(nèi)層水量優(yōu)化分配

內(nèi)層模型是在外層水光混蓄協(xié)同優(yōu)化模型的基礎(chǔ)上進行混蓄電源組的水量分配，將外層模型電力出力過程分配至混蓄電站以及上下水庫電站，在此過程中以目標(biāo)Ⅲ為優(yōu)化目標(biāo)來合理分配流量，在滿足外層目標(biāo)函數(shù)的前提下，尋求內(nèi)層目標(biāo)最優(yōu)解。

通過形成內(nèi)外層模型信息雙向互饋方式提高模型求解精度，在求解時首先對外層模型進行尋優(yōu)，得出初始解后，將其作為約束輸入內(nèi)層模型，內(nèi)層計算的結(jié)果將進一步指導(dǎo)外層的進化方向。如果內(nèi)層尋優(yōu)無法收斂，系統(tǒng)會自動將梯級蓄能增量返回初始值。當(dāng)內(nèi)層最優(yōu)解對應(yīng)的發(fā)電量低于外層尋優(yōu)結(jié)果對應(yīng)電站發(fā)電峰值時，則相應(yīng)減小互補系統(tǒng)發(fā)電峰值。反之，如果內(nèi)層最優(yōu)解對應(yīng)的蓄能增量可以繼續(xù)增加，則依據(jù)外層目標(biāo)更新策略。

此過程初始解集難以確定，使用線性遞減慣性權(quán)重粒子群（linearly decreasing inertia weight particle swarm optimization，LDIW-PSO）算法對內(nèi)層模型進行優(yōu)化［21］，求解步驟如下：

（1） 求解環(huán)境初始化，主要參數(shù)包括種群規(guī)模、慣性權(quán)重因子、迭代次數(shù)以及學(xué)習(xí)效率；

（2） 初始化決策變量粒子種群，并將初始種群設(shè)置為個體歷史最優(yōu)；

（3） 更新適應(yīng)度，進行種群尋優(yōu)，根據(jù)公式進行粒子優(yōu)化迭代，記錄個體最優(yōu)以及種群最優(yōu)；

（4） 決策變量更新，對粒子種群進行更新；

（5） 跳出循環(huán)，當(dāng)循環(huán)次數(shù)達到上限或本次求解滿足精度，則跳出循環(huán)，輸出最后一次所記錄最優(yōu)種群。

vz，s=wvz，s+c1r1（pz，s-xz，s）+c2r2（pg，s-xz，s）（18）

xz，s=xz，s+vz，s（19）

式中：z為粒子個數(shù)；s為問題維數(shù)；vz，s為z粒子在s維的速度；w為慣性權(quán)重；c1，c2為學(xué)習(xí)因子；r1，r2為［0，1］范圍內(nèi)的隨機數(shù)；xz，s為z粒子s維位置；Pz，s為z粒子個體極值的s維位置；Pg，s為粒子全局極值的s維位置。

慣性權(quán)重直接影響著算法的求解效率和收斂能力［22-23］。較大的慣性權(quán)重有助于粒子跳出局部最優(yōu)解，提升整體搜索能力；而較小的慣性權(quán)重則有利于算法的收斂，增強PSO的局部搜索能力。通過采用線性規(guī)律變化的慣性權(quán)重，可以有效地克服PSO算法在末期可能出現(xiàn)的在全局最優(yōu)解附近振蕩的問題，進而提高算法的穩(wěn)定性和收斂性。

2.3" 求解步驟

綜上，將原多目標(biāo)求解問題通過分層嵌套解耦思路轉(zhuǎn)化為雙層目標(biāo)，并通過決策變量降維方式降低外層目標(biāo)求解難度，提高求解效率。外層目標(biāo)采用Fibonacci一維區(qū)間消去法進行更新求解，作為內(nèi)層目標(biāo)函數(shù)原始條件輸入，通過PSO算法對內(nèi)層目標(biāo)進行優(yōu)化，并形成內(nèi)外層信息互饋的結(jié)構(gòu)［24］。模型求解步驟如下：

（1） 按照式（16）計算常數(shù)序列δt，此時決策變量轉(zhuǎn)換為互補發(fā)電系統(tǒng)電力輸出峰值N。

（2） 互補發(fā)電系統(tǒng)電力輸出峰值N更新，采用Fibonacci一維區(qū)間消去法對決策變量進行迭代更新［25］。

（3） 使用PSO算法對步驟②所優(yōu)化出力過程進行負荷分配，以梯級蓄能增量最大為目標(biāo)。

（4） 重復(fù)步驟②～③，直至達到迭代次數(shù)或本次輸出結(jié)果滿足精度要求：N（j+1）-N（j）N（j）≤ε，其中ε為一無限接近于0的正值，求解結(jié)束。

模型求解流程如圖5所示。

3" 實例分析

3.1" 研究區(qū)域概況

本次研究選擇金沙江上游（川藏段）葉巴灘混合式抽水蓄能電站作為研究對象。葉巴灘混合式抽水蓄能電站位于四川省白玉縣與西藏自治區(qū)貢覺縣境內(nèi)的金沙江干流，是利用金沙江梯級葉巴灘水電站為上庫，拉哇水電站為下庫建設(shè)的混合式抽水蓄能電站，安裝18臺單機25萬kW可逆式機組。目前規(guī)劃周邊光伏資源800萬kW，與葉巴灘混蓄電站打捆輸電至四川電網(wǎng)［26-27］。具體參數(shù)見表2與表3。

繪制豐水期、平水期、枯水期四川電網(wǎng)典型負荷標(biāo)幺過程于圖6，各個計算典型日場景說明見表1。

3.2" 計算結(jié)果分析

將不同典型日水光混蓄互補運行優(yōu)化結(jié)果繪制于圖7?？梢钥闯觯鞯湫腿諆?nèi)水光混蓄互補發(fā)電系統(tǒng)出力均能匹配電網(wǎng)負荷需求，混蓄電站充分發(fā)揮其調(diào)節(jié)作用，在光伏出力以及負荷需求波動的情況下仍能靈活調(diào)節(jié)自身出力與抽水功率，使得系統(tǒng)出力能夠響應(yīng)負荷需求。

為詳細分析混蓄電站運行規(guī)則，將各典型日等效負荷（電網(wǎng)負荷扣除光伏出力）繪制于圖8。

對比圖7與圖8，可以看出混蓄電站運行過程與系統(tǒng)等效負荷過程趨勢一致。將混蓄電站運行過程分為3個階段：T1（00：00～08：30）、T2（08：30～17：00）、T3（17：00～24：00）。

（1） 豐水期?；煨铍娬救諆?nèi)運行方式為“零抽兩發(fā)”：T1時段，混蓄電站開機泄水，以“凹”字形狀出力；T2時段，混蓄電站根據(jù)等效負荷降低出力至停機；T3時段，混蓄電站開機泄水，以“凸”字形狀出力。當(dāng)日間光伏出力水平增加時，混蓄電站T1與T3時段平均出力增加。

（2） 平水期?；煨铍娬救諆?nèi)運行方式為“一抽兩發(fā)”：T1時段，混蓄電站開機泄水，以“凹”字形狀出力；T2時段，混蓄電站根據(jù)等效負荷降低出力直至開啟抽水工況，抽水功率與等效負荷變化呈現(xiàn)相反趨勢；T3時段，混蓄電站開機泄水，以“凸”字形狀出力。當(dāng)日間光伏出力水平增加時，混蓄電站T1與T3時段平均出力增加，T2時段抽水功率平均值以及峰值均增加，但在陰雨天氣下由于等效負荷變幅較小，因此混蓄電站全日不開機。

（3） 枯水期。混蓄電站日內(nèi)運行方式為“一抽兩發(fā)”，各時段運行方式與平水期類似，但由于此時光伏

出力較大且來水較枯，混蓄電站調(diào)峰任務(wù)加劇，因此混蓄電站運行功率增加，甚至在陰雨天氣下會出現(xiàn)“一抽一發(fā)”運行工況。

圖9展示了接入混蓄電站前后水光混蓄互補發(fā)電系統(tǒng)不同典型日發(fā)電量對比情況，表4展示了不同典型日下水光混蓄互補發(fā)電系統(tǒng)發(fā)電量、源荷差異指標(biāo)以及梯級蓄能增量對比情況。

從發(fā)電量的角度來看，豐水期S1、S2、S3典型日在混蓄電站加入后，發(fā)電量分別提升4.4%，11.0%，

12.4%，由此看出，在豐水期典型日中混蓄電站承擔(dān)電源作用特征較為明顯。平水期典型日當(dāng)中，典型日均由于抽水工況的開啟損失了部分電量，S4、S6典型日的損失幅度為4.4%與4.2%，但陰雨天氣情景S5下電量增長了5.0%。這是由于在平-陰雨典型日內(nèi)混蓄電站未開機運行，水電通過光伏出力在與負荷高峰重疊時段的適當(dāng)降低出力提高水頭，在總利用流量不變的約束下獲得更多發(fā)電水頭效益，產(chǎn)生更多發(fā)電量。在枯水期典型日當(dāng)中，除陰雨天氣典型日，其余典型日電量均由于混蓄電站抽水工況的加入損失了部分電量，S7、S9典型日分別減少5.9%與2.5%，在枯-陰雨天氣典型日S8情景下，發(fā)電量提升了5.1%，其原因與平-陰雨典型日類似。

從源荷差異指標(biāo)來看，經(jīng)過分級嵌套解耦策略求解后，各典型日下離散Fréchet距離均為0，源荷匹配效果較好。從梯級蓄能增量來看，豐水期典型日下水庫調(diào)度初末期均位于正常蓄水位，梯級蓄能增量為0；平水期以及枯水期典型日下梯級蓄能增量均有所提高。

4" 結(jié) 論

本研究為探究混合式抽水蓄能電站面向不同光伏出力場景的水光混蓄互補運行方式，通過構(gòu)建基于GAN對抗神經(jīng)網(wǎng)絡(luò)的光伏出力場景生成模型表征光伏出力不確定性，構(gòu)建以源荷差異指標(biāo)最小、互補發(fā)電系統(tǒng)發(fā)電量最大以及梯級蓄能增量最大為目標(biāo)的互補調(diào)度模型，用Fibonacci-PSO算法進行優(yōu)化求解，得出如下結(jié)論：

（1） 相比無混蓄電站運行模式，混蓄電站的加入能夠較好地調(diào)整系統(tǒng)出力與電網(wǎng)負荷需求相匹配，并可在豐水期利用水電棄水進行發(fā)電，增加系統(tǒng)發(fā)電量，提高資源利用率。

（2） 混蓄電站運行方式受到光伏出力過程與電網(wǎng)負荷過程影響，可以概括為豐水期時內(nèi)“零抽兩發(fā)”，平水期與枯水期“一抽兩發(fā)”，即豐水期內(nèi)混蓄電站0：00～8：30發(fā)電，出力過程呈現(xiàn)“凹”字型，17：00～24：00發(fā)電，出力過程呈現(xiàn)“凸”字型，日間停機；平水期與枯水期內(nèi)混蓄電站夜間發(fā)電，發(fā)電過程與豐水期類似，日間8：30～17：00抽水，抽水功率于負荷高峰達到峰值，且與等效負荷變化具有“同升同降”趨勢。

（3） 混蓄電站在不同時期體現(xiàn)出不同調(diào)節(jié)效益，在豐水期晴天、陰天及多云天氣典型日內(nèi)提升發(fā)電量4.4%，11.0%，12.4%，平水期與枯水期在開機抽水損失較少電量的條件下大大降低了系統(tǒng)出力與電網(wǎng)負荷的差異程度，使得互補發(fā)電系統(tǒng)能夠精準(zhǔn)響應(yīng)負荷需求。

參考文獻：

［1］" 程春田.碳中和下的水電角色重塑及其關(guān)鍵問題［J］.電力系統(tǒng)自動化，2021，45（16）：29-36.

［2］" CHENG C T，YAN L，MIRCHI A，et al.China′s booming hydropower：systems modeling challenges and opportunities［J］.Journal of Water Resources Planning amp; Management，2016：02516002.

［3］" HUNT J D，MARCOS A，AMARO O.A review of seasonal pumped-storage combined with dams in cascade in Brazil［J］.Renewable and Sustainable Energy Reviews，2017，70：385-398.

［4］" 張驗科，武文龍，王遠坤，等.汛期水風(fēng)光多能互補動態(tài)調(diào)度模型研究［J］.人民長江，2024，55（9）：35-43.

［5］" 黃婧，李繼清，龍飛雨，等.“碳中和”背景下流域統(tǒng)一電價機制研究［J］.人民長江，2023，54（4）：36-41，48.

［6］" 馬曉偉，郭懌，李研，等.計及短期運行特征的水風(fēng)光互補中長期調(diào)度［J］.人民長江，2024，55（6）：9-15，84.

［7］" 黃景光，黃靜梅，吳巍，等.含混合式抽水蓄能電站的梯級水電站優(yōu)化調(diào)度［J］.水電能源科學(xué)，2020，38（5）：76-80.

［8］" 申建建，王月，程春田，等.水風(fēng)光多能互補發(fā)電調(diào)度問題研究現(xiàn)狀及展望［J］.中國電機工程學(xué)報，2022，42（11）：3871-3885.

［9］" 胡學(xué)東，吳來群，袁玉，等.抽水蓄能與風(fēng)電、光伏聯(lián)合發(fā)電系統(tǒng)容量配置研究［J］.人民長江，2024，55（4）：244-251.

［10］張帥，汪子涵，張蜀程，等.基于數(shù)據(jù)驅(qū)動分布魯棒優(yōu)化的梯級水光蓄聯(lián)合優(yōu)化調(diào)度［J］.工程科學(xué)與技術(shù)，2023，55（2）：128-140.

［11］周修寧，蔣傳文，王旭，等.基于分布魯棒的梯級水光蓄系統(tǒng)日前-實時兩階段調(diào)度方法［J］.電氣自動化，2022，44（3）：5-7.

［12］黃景光，黃靜梅，吳巍，等.含混合式抽水蓄能電站的梯級水電站優(yōu)化調(diào)度［J］.水電能源科學(xué)，2020，38（5）：76-80.

［13］蘇學(xué)靈，紀(jì)昌明，黃小鋒，等.混合式抽水蓄能電站在梯級水電站群中的優(yōu)化調(diào)度［J］.電力系統(tǒng)自動化，2010，34（4）：29-33.

［14］肖軍，朱正，魯曉軍，等.提高水風(fēng)光可再生能源配網(wǎng)消納的分布式串聯(lián)補償研究［J］.水利水電快報，2023，44（3）：89-95.

［15］朱燕梅，陳仕軍，黃煒斌，等.一定棄風(fēng)光率下的水光風(fēng)互補發(fā)電系統(tǒng)容量優(yōu)化配置研究［J］.水電能源科學(xué)，2018，36（7）：215-218.

［16］GOODFELLOW I，POUGET-ABADIE J，MIRZA M，et al.Generative adversarial nets［C］∥Neural Information Processing Systems，Canada，June 10，2014［2022-06-05］.https：∥api.semanticscholar.org/CorpusID：261560300.

［17］王坤峰，茍超，段艷杰，等.生成式對抗網(wǎng)絡(luò)GAN的研究進展與展望［J］.自動化學(xué)報，2017，43（3）：321-332.

［18］李康平，張展耀，王飛，等.基于GAN場景模擬與條件風(fēng)險價值的獨立型微網(wǎng)容量隨機優(yōu)化配置模型［J］.電網(wǎng)技術(shù)，2019，43（5）：1717-1725.

［19］顧永濤，徐澤禹，盛慶博，等.基于生成對抗網(wǎng)絡(luò)的光伏出力區(qū)間預(yù)測方法［J］.哈爾濱理工大學(xué)學(xué)報，2021，26（2）：100-109.

［20］朱瑞金，廖文龍，王玥瓏，等.基于生成矩匹配網(wǎng)絡(luò)的光伏和風(fēng)電隨機場景生成［J］.高電壓技術(shù)，2022，48（1）：374-385.

［21］溫陽東，李龍劍.基于LDIW-PSO算法的BP神經(jīng)網(wǎng)絡(luò)在壓力傳感器中的應(yīng)用［J］.化工自動化及儀表，2014，41（9）：1031-1034.

［22］譚喬鳳，聶狀，聞昕，等.大規(guī)模風(fēng)光接入下梯級水電站調(diào)度方式研究［J］.水力發(fā)電學(xué)報，2022，41（9）：44-55.

［23］計軍恒，馮晨，朱燕梅.基于源荷匹配的水光混蓄電站運行策略［J］.中國農(nóng)村水利水電，2024（6）：271-277.

［24］姜海洋，杜爾順，朱桂萍，等.面向高比例可再生能源電力系統(tǒng)的季節(jié)性儲能綜述與展望［J］.電力系統(tǒng)自動化，2020，44（19）：194-207.

［25］ZHANG Y，CHENG C，CAO R，et al.Multivariate probabilistic forecasting and its performance′s impacts on long-term dispatch of hydro-wind hybrid systems［J］.Applied Energy，2020，283（7）：116243.

［26］彭煜民，王雪林，劉德旭，等.考慮混蓄與純蓄配置方式的水風(fēng)光蓄互補系統(tǒng)調(diào)度運行對比研究［J］.電力系統(tǒng)保護與控制，2024，52（10）：179-187.

［27］WANG X B，CHANG J X，MENG X J，et al.Short-term hydro-thermal-wind-photovoltaic complementary operation of interconnected power systems［J］.Applied Energy，2018，229：945-962.

（編輯：郭甜甜）

Study on operation mode of hybrid storage power station considering uncertainty of photovoltaic output

WANG Jing1，HE Qiang1，F(xiàn)ENG Chen2，KANG Lijun1，ZHU Yanmei2，ZHANG Yangbo2

（1.Power Dispatching Control Center of Southwest Branch of State Grid Corporation of China，Chengdu 610065，China；

2.College of Water Resource and Hydropower，Sichuan University，Chengdu 610065，China）

Abstract：

To explore the complementary operation of hybrid pumped storage power stations under different photovoltaic （PV） output scenarios，we developed a photovoltaic output scenario generation model based on generative adversarial networks （GANs） to characterize the uncertainty of PV output，and constructed a complementary scheduling model aimed at minimizing source load differences，maximizing system power generation，and maximizing energy storage increments of cascade hydropower stations.We optimized the model using the Fibonacci-PSO algorithm.The results showed that the hybrid pumped storage power plant，compared to the mode without such a hybrid plant，can better adjust system output to match grid load demand and utilize water power during high-water periods for power generation，increasing system power generation and resource utilization.The hybrid pumped storage plant primarily generates electricity in nights during high-water periods，while during medium and low-water periods，it generates electricity in nights and pumps water during days.This operation mode increases power generation by 4.4% to 12.4% during high-water periods and reduces the discrepancy between system output and grid load through pumping during medium and low-water periods，allowing the complementary power generation system to respond precisely to load demand.The study demonstrated that the proposed method significantly enhances the ability to incorporate clean energies.

Key words：

hybrid storage power station； complement of hybrid pumped plants； source-load difference； multi-objective solution