支撐電網保供和消納的梯級電站水位控制方法

摘要：挖掘并利用水電長周期大規模調節能力，對提升電網季節性保供和風光消納水平至關重要，核心難點在于如何在長期尺度上界定龍頭水電站關鍵時間節點水位控制范圍。以考慮時空相關性的徑流-風光發電能力組合場景集為輸入，構建支撐電網保供和風光消納的梯級水電長期多目標隨機優化調度模型。以云南省瀾滄江水電基地為應用實例，有效界定了滿足電網保供和消納調節需求的小灣、糯扎渡龍頭水電站水位控制區間，并探析了其在不同徑流和風光占比下的變化規律。結果顯示：該水位控制區間驗證有效性大于95%，可為電網制定龍頭水電站長期水位調用計劃提供支撐，且隨著新能源滲透率的不斷增加，水電對于新能源的靈活性調節能力被不斷削弱。

關 鍵 詞：水風光多能互補； 龍頭水電站； 梯級水電站； 多目標優化； 長期優化調度； 流域水位區間控制； 瀾滄江水電基地

中圖法分類號： TV11 文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2025.03.026

0 引 言

能源安全保供和能源轉型需要雙提升、雙平穩。新能源發電具有季節性、隨機性波動的特點，導致風光主導的新型電力系統面臨季節性保供和新能源消納雙重挑戰，亟需提升電網大規模長周期靈活性支撐能力［1］。在電化學等新型儲能安全性、規模性、經濟性等指標沒有取得重大突破前，立足中國水電豐富集中的資源稟賦，重塑水電靈活性角色，充分發揮水電基地梯級水電龍頭水庫大規模季節性調節能力及其對整個梯級的杠桿調節效應，是保障電網電力可靠供應和新能源靈活高效消納的一個重要可行途徑［2-3］。其核心難點在于如何在長期尺度上界定龍頭水電站關鍵時間節點水位控制范圍［4］，水位過低，水電站會無水可調，電量保供支撐能力不足；水位過高，水庫可用蓄水空間不足，無法為新能源避讓出消納空間。因此，龍頭水電站關鍵水位控制是水電基地支撐電網保供和新能源消納調節能力的重要抓手［5］，而如何考慮水風光多重不確定性和梯級水電站時空關聯耦合特征，科學界定保證電網缺電和棄電風險最小條件下的流域龍頭水電站水位運行邊界，是當前的關鍵難題和迫切工程需求［6］。

龍頭水電站關鍵水位控制問題的本質是水風光長期尺度優化調度，目前有關研究工作多是面向水風光一體化清潔能源基地調度需求（即流域集控層級），并主要圍繞水風光互補潛力分析、水電站發電調度運行決策計劃編制和水電站調度規則提取3個方面開展研究。水風光互補潛力分析旨在構建一種水風光長期多目標優化模型，將其應用于評價不同來水水平下水風光綜合發電基地的互補發電潛力，并評估實際運行情況［7-10］。水電站發電調度運行決策計劃編制主要以發電量最大、棄電和缺電損失最小等為目標函數，基于水風光場景模擬結果，構建調度模型，獲得水電站水位調度過程線，為實際生產運行提供指導［11-14］。水電站調度規則提取則采用發電量最大、出力保證率最大、運行風險最小和蓄能效益最大等多種目標函數，探索多能互補系統長期運行規律，以考慮新能源波動影響重新設計原有的水庫運行規則，為未來水風光綜合發電基地中的水電站調度規則修訂提供參考建議［15-17］。

上述研究主要關注水電支撐流域層級新能源靈活性需求的問題。

也有研究關注水電基地支撐電網層級新能源靈活性需求的問題，如文獻［18］，但主要是關注水電短期調峰能力和備用支撐能力的挖掘利用。隨著新能源滲透率的不斷提高，月至年尺度的平衡問題將是電網面臨的主要矛盾［19］，尤其是季節性保供和風光消納調節需求遠遠超出抽蓄、電化學等其他新型儲能的支撐能力［20］。因此，如何面向水電基地支撐電網長周期大規模電力電量平衡調節需求，從電網保供應和促消納角度實現水電基地龍頭水電站關鍵水位優化控制，是全新理論難題和實踐挑戰。

為此，本文以流域龍頭水電站關鍵時間節點水位控制為抓手，輸入考慮時空相關性的徑流-風光發電能力組合場景集，構建支撐電網保供和風光消納的梯級水電站長期多目標隨機優化調度模型，分別采用保供和消納調節需求下的最小和最大蓄能目標，搜索得到水電站庫水位控制邊界，以該邊界探究水電對提升電網保供和風光消納水平的大規模電量支撐和消納調節能力，為電網梯級龍頭水電站年度關鍵水位控制與調用計劃提供決策支撐。

1 支撐電網保供和消納的梯級水電站季節性調節能力挖掘利用方法

在徑流和風光發電能力的多重不確定性影響下，如何充分發揮流域龍頭水電站大規模季節性調節能力這一問題的核心在于如何科學地控制關鍵時間節點水位，即抓“關鍵水位”這一“牛鼻子”。其中，關鍵水位以下蓄能表征了水電的電量支撐能力，其最小值是為避免風光同步少發情況發生時導致缺電，水電必須預留的當前蓄能值，表現為水電站庫水位運行下界。關鍵水位以上庫容表征了水電蓄水能力和新能源消納空間避讓能力，其最小值是為避免風光同步多發情況發生導致棄電，水電必須預留的可利用庫容，表現為水電站庫水位運行上界。所述方法原理如圖1所示。

具體計算方法框架如圖2所示，主要包括以下3個步驟：

（1） 數據的整理與輸入，包括固定和動態參數，其中動態參數包括預測入流［21］和風光出力的場景生成與縮減。

（2） 水電站庫水位運行邊界上下限的模型構建，包括目標函數和約束條件的設置。

（3） 水電站庫水位運行邊界的合理性和可靠性驗證。

1.1 水風光場景生成方法

考慮到徑流和風光出力在月尺度上具有明顯的季節特性，首先，根據文獻［22］所述方法依次將徑流和風、光獨立出力數據劃分為12個月份，用t表示，t∈{ …，12}，k個狀態區間，并統計狀態轉移概率矩陣，實現對水風光多能互補系統的時間相關性進行建模，以徑流的狀態轉移概率矩陣為例：

在得到累計轉移頻率矩陣后，給定初始月份狀態，引入隨機數可以依次確定下一月份的狀態，從而得到1個包含全年12個月的初始徑流和風、光獨立出力場景，重復引入不同隨機數，即可獲得x個初始徑流和風、光獨立出力場景βx，t。

最終對水風光場景樣本點u1，u2和u3作逆變換抽樣，可以得到徑流和風光出力耦合場景集，并采用基于概率距離的場景快速削減法得到徑流和風光出力耦合典型場景集作為1.2節模型輸入條件。

1.2 水電站庫水位運行邊界計算模型

本文面向的是全網長期尺度電量平衡下的水電調用計劃問題，參考電網實際操作流程，將全省風電、光伏分別聚合為一個系統，火電等其他常規電源參考歷史發電能力給定。

1.2.1 庫水位運行上界計算模型（消納控制線）

將最小化總缺電期望設為第一優先級目標，最小化總棄電期望為第二優先級目標。第三優先級目標是通過最大化水庫群的總蓄能量，以此探究水位運行的上限，從而量化水電支撐電網的消納能力。模型中以i代表場景，共計n個場景；以t代表月份，共計12個月份；以h代表水電站，共計m個水電站。

式中：loet，i為i場景t時段內的電網總缺電量，MWh；pi為i場景的發生概率，%；N為電網電力負荷，MW；pwt，i為風電在i場景t時段內的實際出力，MW；pst，i為光伏在i場景t時段內的實際出力，MW；phh，t，i為水電站h在i場景t時段內的實際出力，MW；pothers為火電等常規電源出力，MW，參考實際數據給定；Tt為t時段的總小時數，h。

式中：foet，i為i場景t時段內的電網總棄電量，MWh；fowt，i為i場景t時段內的棄風電量，MWh；pwmaxt，i為風電在i場景t時段內的理論最大出力，MW；fost，i為i場景t時段內的棄光電量，MWh；psmaxt，i為光伏在i場景t時段內的理論最大出力，MW；foht，i為i場景t時段內的棄水電量，MWh。

（3） 目標3：最大化水庫群總蓄能（將實時水庫水位與死水位差值定義為水庫蓄能）。

式中：α為區間合理性比例；Fn為在仿真模擬結果中表現出可行的場景數；Tn為仿真模擬所選用的總場景數。

α的最大“容忍限度”可以由使用者確定，如果計算所得運行區間的α值超出了該“容忍限度”，可能是由于場景縮減時忽視了較多的極端場景所致，此時應重新對場景集進行縮減后計算新的更可靠的運行區間。

1.3 分層逐級多目標求解方法

1.2節中已經構建了庫水位上下限計算模型的目標函數，并按照優先程度分為了若干優先層次。考慮到傳統的分層序列法限制了目標的優化范圍，本文采用改進的寬容完全分層序列算法，在層次間引入寬容值求取一定寬容限制下滿足所有層次的最優解。

式中：F1（x1）為第一個目標函數F1（x）的最優值；F2（x2）為第二個目標函數F2（x）的最優值；R1為容許的寬容限度；arar為第一個目標函數的寬容值。

根據所述寬容完全分層序列算法，分別對1.2.1節庫水位運行上界計算模型求解得到水位運行上限，為均勻區間寬度，設置目標1寬容限度百分比為25%，目標2寬容限度百分比為25%，目標3寬容限度百分比為0；對1.2.2節庫水位運行下界計算模型求解得到水位運行下限，設置目標1寬容限度百分比為25%，目標2寬容限度百分比為0。

2 工程背景及數據來源

截至2024年，云南省電網電源裝機11 799.02萬kW，其中水電占比69.04%、新能源占比17.96%、火電占比13%［24］。超80%的省調水電裝機集中在瀾滄江、金沙江兩大水電基地，尤其是坐落在瀾滄江的糯扎渡和小灣兩座多年調節巨型水電站，是整個云南省電網保供和消納調節的壓艙石。為此，本文以云南省瀾滄江水電基地小灣、漫灣、大朝山、糯扎渡、景洪5座梯級水電站為應用對象，開展方法驗證。由于本文關注的是長期尺度下全網電量平衡問題，電網其他水電和火電的發電能力通過參考歷史實際數據暫且給定。案例研究區域如圖3所示，梯級水電站基礎資料如表1所列。

徑流數據采用小灣電站真實入流數據與小灣-漫灣、漫灣-大朝山、大朝山-糯扎渡、糯扎渡-景洪水電站真實區間流量數據，該數據由水電站所配置的水文站實測獲得，對應于1990年1月1日00：00至2021年12月31日24：00的逐小時徑流序列，總計32個完整年份。

風電和光伏出力數據采用當前時間節點已投產風電場和光伏電站實測出力數據，根據國網能源研究院給出的新能源利用率轉換為理論出力數據。在后續計算不同年份新能源滲透率影響時，假設不改變風電場與光伏電站位置，僅增加裝機容量。數據同樣對應于1990年1月1日12：00至2021年12月31日24：00的逐小時風光出力，總計32個完整年份。

所有Gurobi程序均在Python中編寫，計算條件為CPU：11th Gen Intel（R） Core（TM） i7-11800H @ 2.30 GHz，16.0 GB內存，512 GB硬盤。

3 結果分析

3.1 合理性分析

考慮到漫灣、大朝山和景洪水電站的調節性能較弱（漫灣和大朝山為不完全季調節，景洪為周調節），三者裝機容量之和為4 770 MW，僅為5座梯級水電站裝機容量總和的32.19%，在以月為步長的長期調度中難以發揮作用。因此，接下來僅對小灣和糯扎渡兩座水電站的水位運行區間合理性進行分析。將徑流量、風電和光伏出力的電站歷史數據作為輸入，采用1.1節所述場景生成方法生成10 000個徑流-風光出力聯合場景作為預測徑流和風光出力場景集，并將其縮減為300個典型場景作為預測徑流和風光出力典型場景集，最后根據圖2所示方法框架計算水位運行邊界區間和仿真模擬結果，結果如圖4所示。

小灣水電站水位運行邊界區間的可靠性指標為97.3%，糯扎渡水電站水位運行邊界區間的可靠性指標為98.1%。在選定的10 000個場景中，小灣與糯扎渡水位運行區間表現出的可靠性均大于95%，驗證了所提出的庫水位運行邊界足以應對絕大多數情況下的出力波動帶來的不確定性。

3.2 新能源滲透率影響

云南省風光裝機容量規劃如表2所列。從2022年初到2025年末，風光裝機容量將從1 136.04萬kW迅速提升至6 410.00萬kW，在云南省全網的滲透率由14.38%提升至48.95%［25］。本節將根據云南省風光新能源滲透率的變化，討論水電支撐電網保供和風光消納能力的變化，其中采用場景集與3.1節一致，假設云南省總負荷年增長率為5.2%，水電、火電等其他電源的裝機容量已經飽和，風光出力與裝機容量呈近似線性關系變化。

分別計算2022、2023年和2025年新能源滲透率水平下的水位運行區間，計算結果如圖5所示，分別統計3種情況下每個月的可運行區間寬度，結果如表3所列。結合圖5和表3可以看出，在2022年的新能源滲透率水平下，小灣和糯扎渡水電站的水位可運行區間較為寬松，證明此時水電對新能源出力波動的消納和補償能力較強，能夠容納當前規模新能源的接入。

在2023年的新能源滲透率水平下，小灣和糯扎渡水電站的水位可運行區間寬度相較2022年的新能源滲透率水平下明顯縮減。這主要是因為隨著風光裝機容量的增大，風光出力急劇增加，而對比風光出力的增長量，負荷的增長量則要小很多，為避免出現棄電，梯級水電站群必須留存更大的可利用庫容以應對來水較大的情況，這種現象在汛期最為明顯，最終導致了水位上限的下降。同樣對于水位下限，隨著風光裝機容量的增大，風光出力的波動幅度隨之增大，而這種高波動性使得梯級水電站群不得不留存更大的當前蓄能值以應對風光少發情況發生時導致的缺電。傳統調度模型得到的計劃水位運行軌跡可能會導致棄電或缺電的發生，此時的調度決策必須結合新能源的不確定性進行制定，將本文探討得出的運行區間作為約束輸入，再構建以最大化發電量等為目標的模型將更為合理。

在2025年的新能源滲透率水平下，小灣和糯扎渡水電站已經不存在可行的水位運行區間，這意味著水電無論以任何軌跡運行，都無法同時避免缺電和棄電的發生，水電對于新能源出力波動已經失去了消納和補償能力，喪失了靈活性調節能力。在這種情況下，水電的調度決策應轉變為如何盡可能減小棄電或缺電所帶來的經濟損失。隨著更高比例清潔能源的并網，水電調節能力的崩潰導致電網的穩定性和安全性的急劇下降，新建抽水蓄能和電化學儲能電站可能是一個很好的應對措施。

4 結 論

針對徑流和風光新能源發電能力不確定性背景下，流域龍頭水電站支撐電網保供和消納的季節性調節能力問題，提出了一種可靠的水電站庫水位運行區間及求解方法，以“關鍵水位”量化這種調節能力，以云南省全網為背景的實例研究進行了驗證，得出以下結論：

（1） 計算的水電站庫水位運行區間足以消除絕大多數情況下的新能源出力波動帶來的不確定性影響，可為實際生產中梯級水電站調度計劃的編制以及未來新能源、抽水蓄能和電化學儲能電站的規劃建設提供一定的參考建議

（2） 在不同的來水情況下，梯級水電站的可運行區間存在一定的差異，伴隨著新能源滲透率的不斷增加，水電對于新能源的靈活性調節能力被不斷削弱，最終完全喪失調節能力。

本文的分析方法也可應用到其他類似工程或區域，但對于如何將該區間應用于對實際調度曲線編制的指導仍需進一步研究。

參考文獻：

［1］ 劉映尚，馬騫，王子強，等.新型電力系統電力電量平衡調度問題的思考［J］.中國電機工程學報，2023，43（5）：1694-1705.

［2］ 劉永奇，陳龍翔，韓小琪.能源轉型下我國新能源替代的關鍵問題分析［J］.中國電機工程學報，2022，42（2）：515-524.

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

［4］ GONG Y，LIU P，LIU Y N，et al.Robust operation interval of a large-scale hydro-photovoltaic power system to cope with emergencies［J］.Applied Energy，2021，290：116612.

［5］ LI Y，MING B，HUANG Q，et al.Identifying effective operating rules for large hydro-solar-wind hybrid systems based on an implicit stochastic optimization framework［J］.Energy，2022，245：123260.

［6］ LI Z Z，YANG P，GUO Y，et al.Medium-term multi-stage distributionally robust scheduling of hydro-wind-solar complementary systems in electricity markets considering multiple time-scale uncertainties［J］.Applied Energy，2023，347：121371.

［7］ FAN J L，HUANG X，SHI J，et al.Complementary potential of wind-solar-hydro power in Chinese provinces：based on a high temporal resolution multi-objective optimization model［J］.Renewable and Sustainable Energy Reviews，2023，184：113566.

［8］ ZHANG Y，CHENG C T，CAI H X，et al.Long-term stochastic model predictive control and efficiency assessment for hydro-wind-solar renewable energy supply system［J］.Applied Energy，2022，316：119134.

［9］ CHENG Q，LIU P，XIA J，et al.Contribution of complementary operation in adapting to climate change impacts on a large-scale wind-solar-hydro system：a case study in the Yalong River Basin，China［J］.Applied Energy，2022，325：119809.

［10］張驗科，武文龍，王遠坤，等.汛期水風光多能互補動態調度模型研究［J］.人民長江，2024，55（9）：35-43.

［11］DING Z Y，WEN X，TAN Q F，et al.A forecast-driven decision-making model for long-term operation of a hydro-wind-photovoltaic hybrid system［J］.Applied Energy，2021，291：116820.

［12］LIU G J，QIN H，TIAN R，et al.Non-dominated sorting culture differential evolution algorithm for multi-objective optimal operation of wind-solar-hydro complementary power generation system［J］.Global Energy Interconnection，2019，4（2）：368-374.

［13］LIU Y Y，TAN S M，JIANG C W.Interval optimal scheduling of hydro‐PV‐wind hybrid system considering firm generation coordination［J］.IET Renewable Power Generation，2017，11（1）：63-72.

［14］曹輝，牟長興，楊鈺琪，等.多重不確定性下水風光多能互補長期優化調度方法［J］.人民長江，2024，55（9）：26-34.

［15］GONG Y，LIU P，MING B，et al.Deriving pack rules for hydro-photovoltaic hybrid power systems considering diminishing marginal benefit of energy［J］.Applied Energy，2021，304：117858.

［16］JIANG J H，MING B，LIU P，et al.Refining long-term operation of large hydro-photovoltaic-wind hybrid systems by nesting response functions［J］.Renewable Energy，2023，204：359-371.

［17］MING B，LIU P，GUO S L，et al.Hydropower reservoir reoperation to adapt to large-scale photovoltaic power generation［J］.Energy，2019，179：268-279.

［18］張俊濤，程春田，申建建，等.考慮風光不確定性的高比例可再生能源電網短期聯合優化調度方法［J］.中國電機工程學報，2020，40（18）：5921-5931.

［19］李暉，劉棟，姚丹陽，等.面向碳達峰碳中和目標的我國電力系統發展研判［J］.中國電機工程學報，2021，41（18）：6245-6258.

［20］姜海洋，杜爾順，金晨，等.高比例清潔能源并網的跨國互聯電力系統多時間尺度儲能容量優化規劃［J］.中國電機工程學報，2021，41（6）：2101-2114.

［21］許月萍，周欣磊，王若桐，等.基于集成學習與深度學習的洪水徑流預報研究［J］.人民長江，2024，55（9）：18-25.

［22］HU M Q，LIU L M，LIU M.Calculation method of state transfer matrix in Markov chain model for airborne contaminant transport：investigation and improvement［J］.Building and Environment，2020，185：107295.

［23］KHWARAHM N R，QADER S，ARARAT K，et al.Predicting and mapping land cover/land use changes in Erbil /Iraq using CA-Markov synergy model［J］.Earth Science Informatics，2021，14（1）：393-406.

［24］云南省國資委.1～7月云南省能源生產供應總體良好［EB/OL］.（2023-09-04）［2024-06-30］http：//www.sasac.gov.cn/n16582853/n16582893/c28763705/content.html.

［25］云南省人民政府辦公廳.云南省綠色能源發展“十四五”規劃［EB/OL］.（2023-01-04）［2024-06-30］.https：∥www.yn.gov.cn/zwgk/zcwj/yzfb/202304/t20230421_258004.html.

（編輯：郭甜甜）

Method of controlling water level in cascade hydropower stations to guarantee grid power supply and consumption

XIE Mengfei1，XU Hang2，ZHANG Juntao2，ZHOU Na1，LIU Bin1，CHENG Chuntian2

（1.Kunming Power Exchange Center Co.，Ltd.，Kunming 650011，China； 2.Institute of Hydropower System amp; Hydroinformatics，Dalian University of Technology，Dalian 116024，China）

Abstract：

Extending and utilizing the long-period and large-scale regulation capability of hydropower is essential to enhance the level of grid seasonal supply guarantee and wind-solar consumption.The core challenge lies in defining the control range of water levels at key time nodes of leading hydropower stations on a long-term scale.In this paper，a scenario set of runoff-wind-solar power generation capacity combinations considering spatio-temporal correlation is taken as input，and a long-term multi-objective stochastic optimal scheduling model for cascade hydropower stations is constructed to guarantee grid power supply and wind-solar consumption.Taking the Lancang River hydropower base in Yunnan Province as an application example，the water level control intervals of Xiaowan and Nuozhadu two backbone hydropower stations that fulfill the demand of grid supply and consumption regulation are effectively defined.The variation patterns of these hydropower stations are analyzed under different runoff and wind-solar proportions.The results demonstrate that the validity of the water level control intervals exceeds 95%，which can support the grid developing a long-term water level operation plan for the leading hydropower stations.Additionally，as the proportion of new energy increases，the flexibility of hydropower to support new energy regulation has been weakened.

Key words：

hydro-wind-solar multi-energy complementary； leading hydropower station； cascade hydropower stations； multi-objectives optimization； water level interval control; hydropower base in Lancang River basin

收稿日期：2024-08-08 ；接受日期：2024-12-13

基金項目：國家自然科學基金重點項目（52239001）；國家博士后創新人才支持計劃項目（BX20230055）

作者簡介：謝蒙飛，男，工程師，博士，研究方向為電力市場、多能互補。E-mail：xiemengfeihust@foxmail.com

通信作者：張俊濤，男，助理研究員，博士，主要從事水風光多能互補研究。E-mail：jtzhang@dlut.edu.cn