計及短期運行特征的水風光互補中長期調度

收稿日期：2023-11-01；接受日期：2023-12-03

基金項目：國家自然科學基金項目（U2243216，52009098）

作者簡介：馬曉偉，男，高級工程師，博士，研究方向為水風光多能互補。E-mail：naxw@nw.sgcc.com.cn

通信作者：郭" 懌，男，講師，博士，研究方向為水風光多能互補。E-mail：guoyi19950120@163.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（2024） 06-0009-07

引用本文：馬曉偉，郭懌，李研，等.計及短期運行特征的水風光互補中長期調度

［J］.人民長江，2024，55（6）：9-15，84.

摘要：傳統基于旬/月尺度的中長期調度模型難以描述風、光出力隨機波動性所誘發的運行風險，無法有效指導水風光互補系統的中長期運行。為此，提出計及短期運行特征的水風光互補中長期調度規則編制方法。首先，構建短期調度模型評估水風光聯合運行中的棄電、棄水及失負荷風險；其次，基于短期調度長系列調度樣本，提取水電出力與棄電、棄水及失負荷之間的響應關系；最后，將響應關系嵌套在水風光互補隱隨機優化調度模型中提取調度函數。以黃河上游千萬千瓦級水風光互補系統為研究對象進行驗證，結果表明：相比于簡化運行策略，所提出的方法能夠增加系統發電量6.5%，同時降低失負荷率3.71%。在水風光互補中長期調度模型中嵌套短期運行風險能夠降低系統的棄電與失負荷風險，從而有效指導互補系統中長期調度運行。

關" 鍵" 詞：水風光互補； 中長期調度； 運行風險； 調度規則； 黃河

中圖法分類號： TV697.1

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.06.002

0" 引 言

近年來，以風電、光伏為代表的可再生能源在世界范圍內迅猛發展，成為能源綠色轉型的主要推動力［1-2］。然而，風電、光伏具有顯著的間歇性、波動性和隨機性，棄電率較高［3-5］。將風電、光伏與水電打捆運行，利用能源間天然的互補性、水電的靈活性和水庫強大的儲能潛力，形成多能互補系統，進而促進風、光電的并網［6-8］。

中長期互補優化調度能夠有效提升新能源的消納水平［9-10］。針對多能互補中長期調度問題，國內外學者開展了諸多探索：Yang等［11］基于隱隨機優化方法，制訂了水-光互補系統的調度規則，有效提高了系統發電保證率和新能源利用率；明波等［12］系統評估了隱隨機優化、顯隨機優化、參數-模擬-優化等3種方法對水光互補系統中長期調度的有效性，發現基于參數-模擬-優化生成的調度圖結果最佳；Zhu等［13］構建了以系統發電量最大、系統出力標準差最小為目標的優化調度模型，采用GFM-MOEA算法進行求解，得到了協調調度策略；Jiang等［14］基于隨機動態規模模型，評估了水風光互補系統、水光互補系統、水風互補系統在氣候條件下的魯棒性。

然而，上述多能互補中長期調度模型往往基于旬/月尺度建立，難以描述風、光短期隨機波動性所誘發的棄電與失負荷風險，優化結果可能難以協調新能源消納和流域水資源綜合利用。例如，目前黃河上游清潔能源基地總體調度原則是“電調”服從“水調”，但是“水調”方案在制訂過程中通常沒有考慮短期新能源消納，導致“水調”與“電調”之間存在不協調的問題。鑒于此，本文提出一種計及短期互補運行特征的水風光互補中長期調度方法，以期有效指導水風光互補系統中長期運行。

1" 模型與方法

首先，建立水風光互補短期調度模型，模擬長系列互補調度過程，進而提取中長期尺度上棄電、棄水、失負荷指標與梯級水電出力的響應函數關系，將其嵌套在中長期隱隨機優化調度模型中，求解模型得到調度函數，從而實現中長期尺度上的短期風險可控。

1.1" 水風光互補短期調度模擬

水風光互補短期調度模型主要用于統計長系列調度過程中的棄電、棄水以及失負荷指標與梯級水電出力之間的響應關系，模型主要包括發電計劃編制、實時運行模擬以及響應函數提取3個部分，如圖1所示。首先，根據次日徑流和水庫當前蓄水情況進行水電的模擬調度，得到次日水電出力；然后，根據次日的風、光出力及水電出力，依據典型負荷曲線進行次日發電計劃編制；最后，考慮風、光出力不確定性，模擬水風光多能互補實時運行，從而評估棄電、失負荷以及棄水指標。

1.1.1" 短期運行特征量化

水風光多能互補系統的日前發電計劃通常基于次日的徑流以及風、光出力預測結果進行編制［15-17］。盡管徑流預測在1 d的預見期內準確性較好，但由于風、光出力受氣象因素影響較大，其預測結果有較強的不確定性［18-19］。本文假設風、光預測誤差服從正態分布ew～N0，（σw）2、ep～N0，（σs）2。考慮到當前風、光日前功率預測誤差約在10%以內［20-21］，因此，95%置信水平下的風、光預測誤差分布參數如下：σw=10%×Pw，fore/2（1）

σs=10%×Ps，fore/2（2）

式中：Pw，fore和Ps，fore分別表示次日預測的風電和光伏出力。多能互補系統受風、光電預測不確定性的影響，可能存在運行風險，主要包括棄電風險、失負荷風險以及棄水風險。

（1） 棄電風險。

當風、光實際出力大于預測出力時，水電站通過減小出力使得互補系統總出力過程滿足日前發電計劃要求。但當風、光實際出力遠遠大于預測出力，甚至大于當時負荷曲線需求負荷時，此時水風光多能互補系統必然存在棄電風險，如圖2所示。以風光棄電率來表示棄電風險，表達式如下：rc=1IIi=1ΔPiPsi+Pwi，" ΔPigt;0（3）

ΔPi=Phi+Pwi+Psi－Pplani" （4）

式中：rc表示互補系統風、光電的棄電率；ΔPi表示第i時段系統總出力與發電計劃之間的差值；Pwi和Psi分別表示風、光電在第i時段的實際出力；Pplani為互補系統在第i時段的發電計劃；Phi表示梯級水電站在第i時段的實際出力；I為總時段。

（2） 失負荷風險。

當風光電實際出力小于預測出力時，水電站通過增大出力使得互補系統總出力過程滿足日前發電計劃要求。由于水電站的調節能力受到裝機容量、可用水量等條件限制，存在最大出力的約束。當水電出力增大到該時段所允許的最大出力后，系統總出力仍不能滿足日前發電計劃要求，此時多能互補系統存在失負荷風險，如圖2所示。采用失負荷率表示失負荷風險，如下：rs=1IIi=1－ΔPiPplani，" ΔPilt;0（5）

式中：rs表示互補系統的失負荷率。

（3） 棄水風險。

當水風光多能互補系統處于汛期運行時，由于來水量較大，水庫水位上升，當水位達到水位上限時，水庫將無法繼續蓄水。此時，若來水大于水庫下泄流量，將出現棄水，如圖3所示。采用棄水量表示棄水風險，如下：rw=1IIi=1QsiΔTi（6）

式中：rw表示互補系統的棄水量；Qsi表示水電站在第i時段的棄水流量；ΔTi表示時間間隔。

1.1.2" 短期調度模擬

水風光互補短期調度主要包括兩部分：發電計劃編制和實時經濟運行。

（1） 發電計劃編制。

在獲取風、光預測出力的基礎上，水電出力的預測值采用簡化運行策略計算，見圖4，計算式如下：Eh=EhA，""" ""EhA≤PhfirmΔTPhfirmΔT，""" PhfirmΔTlt;EhAlt;PhfirmΔT+ER，maxEhA－ER，max，" EhA≥PhfirmΔT+ER，max（7）

Phfirm=Mm=1Phm，firm（8）

式中：Eh為梯級水電站的總發電量；EhA為梯級水電站的可用能量；Phfirm是梯級水電站的保證出力之和；ER，max為水庫水位達到正常蓄水位時庫容對應的能量；ΔT為調度時段；Phm，firm為第m個水電站的保證出力。

梯級水電站的可用能量計算式如下：EhA=ER+EI（9）

式中：ER為水庫月初蓄能；EI為當月入流能。

水庫月初蓄能采用水庫庫容-蓄能函數進行計算，公式如下：ERV1=∫V1Vmin1ξdV1≈Nn=11ξnΔVn（10）

式中：ξ為耗水率。水庫庫容V從死庫容Vmin 至當前庫容V1等分為N份，N越大，計算結果越精確。

由于水風光多能互補系統承擔高壓直流輸電，其輸電功率不宜頻繁波動并應濾除鋸齒狀波動。因此，在水風光多能互補系統的發電計劃編制過程中，采用“三段線”的輸送方式。考慮到青海電網光伏出力多集中于10：00～16：00，豫南電網用電高峰期在19：00～22：00（夏季）或19：00～21：00（春、秋、冬季）。結合兩者特性，非汛期在00：00～09：00和23：00～24：00時段峰谷比為0.7，其余時段峰谷比為1；汛期00：00～09：00和22：00～24：00時段峰谷比為0.7，其余時段峰谷比為1，如圖5所示。

因此，互補系統次日總計劃發電量為

Efore=Eh+Ew，fore+Es，fore（11）

式中：Efore為互補系統預測次日發電量；Eh為水電預測次日發電量，由簡化運行策略生成；Ew，fore、Es，fore分別為風、光出力預測次日發電量。

Pplan=EforeEload×L=［Pplan1，Pplan2，Pplan3，…，Pplan24］（12）

式中：Pplan為互補電站次日發電計劃；Eload為典型負荷曲線1 d發電量；L為典型負荷曲線；Pplan1為次日00：00的負荷出力。

（2） 實時經濟運行。

根據次日發電計劃，首先確定系統中梯級水電需承擔的負荷過程：Phi，t=Pplan－Pwi，t－Psi，t（13）

式中：Phi，t為第t日第i時段梯級水電站需承擔的負荷；Pwi，t為第t日第i時段風電出力；Psi，t為第t日第i時段光電出力。

進一步，采用判別系數法和相對蓄水率確定梯級水電站的負荷分配，以兼顧梯級水電的運行效率和運行靈活性。

判別系數的計算式如下：Ki，t，m=Wi，t，m+Vi，t，m/Fi，t，m×Hi，t，m（14）

式中：Ki，t，m為水電站m在t日i時段的判別系數；Wi，t，m表示水庫m在t日i時段的入庫水量；Vi，t，m表示t日i時段初位于水庫m的上游水庫蓄水量之和；Fi，t，m為水庫m在t日i時段的水面面積；Hi，t，m表示t日i時段初水庫m及下游有水力聯系的各水庫發電水頭之和。

相對蓄水率的計算式如下：ri，t，m=Vi，t，m－Vdeadm/Vnormalm－Vdeadm（15）

Ri，tm，n=ri，t，m－ri，t，n≤δ（16）

式中：ri，t，m表示水庫m在t日i時段初的蓄水率；Vi，t，m，Vdeadm和Vnormalm分別表示水庫m在t日i時段初的庫容、水庫m的死庫容和水庫m正常蓄水位對應的庫容；Ri，tm，n表示t日i時段初水庫m和水庫n的相對蓄水率；δ為相對蓄水率的控制值。

梯級水電站負荷分配方法詳見文獻［22］。通過長系列調度模擬，提取水電出力與系統運行風險之間的響應關系。

1.2" 計及短期運行風險的水風光互補中長期隱隨機優化調度模型

水風光互補中長期隱隨機優化調度主要分為兩部分，一是通過確定性優化調度獲得調度樣本，二是對調度樣本進行數據分析來提取適宜的調度函數，基本框架見圖6。

1.2.1" 中長期優化調度模型

從中長期的角度來看，黃河上游千萬千瓦級清潔能源互補基地的主要功能是發電，需要保證發電量和發電可靠性兩者最優，在兩者的基礎上考慮短期調度的運行特征，需保證互補系統失負荷率最低。因此，本文以嵌套棄電風險的互補系統發電量最大、嵌套棄電風險的互補系統發電保證率最高、系統失負荷率最低為目標，構建中長期優化調度模型。目標函數表達式如下：（1） 嵌套棄電風險的互補系統發電量最大。

EP=Ii=1Mm=1Phi，m+Psi+Pwi－PciΔTi（17）

Pci=（Psi+Pwi）fc（Mm=1Phi，m）（18）

（2） 嵌套棄電風險的互補系統發電保證率最大。

GR=Mm=1Phi，m+Psi+Pwi－Pci≥PfirmI（19）

（3） 互補系統失負荷率最低。

LR=fL（Mm=1Phi，m）（20）

式中：EP為系統調度期總發電量；Phi，m為水電站m在時段i實際平均出力；Psi和Pwi分別為時段i光、風電場的平均出力；Pci為互補系統的風光棄電出力；ΔTi為調度間隔；fc（·）為互補系統棄電函數；GR為互補系統的發電保證率；Mm=1Phi，m+Psi+Pwi－Pci≥Pfirm為調度時段內互補系統出力大于保證出力的時段數；LR為互補系統的失負荷率；fL·為互補系統失負荷函數。

約束條件如下：（1） 水量平衡約束。

Vi+1，m=Vi，m+Qri，m－Qei，m－Qsi，mΔTiQri，m+1=Qei，m+Qsi，m+Qri，m：m+1（21）

（2） 庫容約束。

Vminm≤Vi，m≤Vmaxm（22）

（3） 下泄流量約束。

Qminm≤Qei，m+Qsi，m≤Qmaxm（23）

（4） 水電站出力約束。

Pminm≤Phi，m≤Pmaxm（24）

（5） 水庫特征曲線。

Zi，m=fzvVi，m（25）

Ztaili，m=fzqQei，m+Qsi，m（26）

式中：Vi，m為第m個水電站在第i時段的庫容；Qri，m為第m個水電站在第i時段的入庫流量；Qei，m為第m個水電站在第i時段的發電流量；Qsi，m為第m個水電站在第i時段的棄水流量；Qri，m：m+1為第m個水電站到m+1個水電站的區間入流；Vminm和Vmaxm分別為第m個水電站的庫容下限和上限；Qminm和Qmaxm分別為水庫m的下泄流量下、上限；Pminm和Pmaxm分別為水庫m的出力下、上限；Ztaili，m為第m個水電站在第i時段的尾水位；fzv（·）為水位-庫容曲線；fzq（·）為尾水位-下泄流量曲線。

1.2.2" 水風光互補調度函數型式

采用動態規劃方法對上述模型進行求解，獲取長系列調度樣本。基于長系列調度樣本，擬合線性調度函數，用于指導水風光互補系統的中長期運行，其基本型式如下：Y^k=αkX^k+βk" k=1，2，…，K（27）

式中：k和K為調度函數的編號和總個數；X^k和Y^k為調度函數的自變量和決策變量；αk和βk為線性調度函數的參數。式（27）中，自變量為互補系統可用能量EA，因變量為茨哈峽月末庫容V。

上述模型采用多目標布谷鳥算法進行求解。模型參數設置如下：茨哈峽水庫起調水位為2 975.00 m；布谷鳥算法種群規模為200，迭代次數為2 000。

2" 研究實例

黃河上游千萬千瓦級清潔能源基地規劃總裝機1 016萬kW，包括茨哈峽—羊曲河段的水電裝機416萬kW（茨哈峽260萬kW、班多36萬kW、羊曲120萬kW）、光伏裝機400萬kW（一塔拉100萬kW、三塔拉300萬kW）、風電裝機200萬kW（切吉鄉50萬kW、二塔拉150萬kW）。梯級水電站參數見表1。

搜集茨哈峽水庫2005～2019年入庫徑流及各水庫區間入流；從PVGIS和Greenwich網站上獲取2005～2019年風、光場站逐小時出力過程作為模型的輸入。此外，本文設置了6種調度情景進行對比分析，具體見表2。

3" 結果分析與討論

3.1" 短期運行風險規律

不同梯級水電站出力下棄電率、失負荷率及茨哈峽棄水量見圖7，由圖7可知：棄電率隨著梯級水電出力的增加呈現減小的趨勢，水電出力達到2 500 MW時，棄電率基本為0，說明梯級水電站具有良好的調節能力，并且隨著水電出力的增加，調節能力增強。系統失負荷率先隨著水電出力的增加而迅速減小，在800 MW時達到最小，在800～2 500 MW時基本為0，之后緩慢上升，在3 800 MW時達到第2個峰值，但遠小于最大值，之后再下降至3%左右。當水庫達到死水位，且枯水期水庫來水較小時，水庫的靈活性受到限制，此時若負荷需求大于系統出力，將出現失負荷；第2個峰值受梯級水電站的出力上限與梯級水電站邊界的雙重影響，當梯級水電站出力達到上限時，此時若負荷需求仍大于系統出力時，會發生失負荷。 茨哈峽水庫棄水量在3 500 MW前較小，在3 500 MW之后棄水量迅速增加，這主要是水電出力達到上限造成的棄水。

3.2" 水風光中長期隱隨機調度結果分析

求解模型得到Pareto解集如圖8所示，可以看出，發電量、發電保證率、失負荷率之間呈現競爭關系。采用一種基于歸一化隸屬度的模糊決策方法選取最優解，具體過程詳見文獻［23］。

圖9為Pareto最優解的水風光多能互補系統的出力及茨哈峽水庫的水位過程。互補系統出力在1～7月上升，7～10月處于較高的水平，在10月之后急劇下降。互補系統在1～3月、12月出力小且波動小，其余月份波動較大，其中7～10月波動最為劇烈。茨哈峽水庫的平均水位從1～4月呈現下降趨勢，在4月和5月達到最小值，平均水位接近2 950.00 m，在5月之后水位逐漸上升，在9～11月水位維持在正常蓄水位2 990.00 m，11～12月水位下降。對比簡化運行策略的調度結果，隱隨機優化調度的發電量增加了6.5%，發電保證率增加了47%，失負荷率減小了3.71%。

3.3" 嵌套短期運行風險對中長期調度規則的影響

進一步比較嵌套短期運行風險前后的調度結果，量化嵌套風險對于中長期調度的影響，比較6種情景的調度結果。表3為嵌套短期運行風險前后中長期調度規則評價指標的變化。可以看出：（1） 情景1為簡化運行策略的模擬結果，各項指標比其他情景差，說明設置優化目標對于調度規則的性能有不同程度的提升。

（2） 情景2與情景3分別為確定性最優解與考慮棄電風險的確定性最優解。可以看出，加入棄電風險后，梯級水電站發電量下降了0.59%，但風、光棄電量下降，上網電量上升了1.15%。綜合水利發電與風、光發電來看，互補系統發電量略有提高，這是由于考慮棄電風險之后，水力發電調節風、光，造成的水電損失與風、光棄電量的下降互相補充，從而導致互補系統發電量的上升。

（3） 情景4、情景5與情景6分別為未考慮風險、考慮棄電風險、考慮棄電風險與失負荷風險的調度函數。隨著考慮風險類型的增加，梯級水電站調節風險造成的電量損失也在增加，梯級水電站發電量依次減小，同時，風、光棄電量減小，上網電量增加。但總體來看，只考慮棄電風險的互補系統發電量最高，這說明考慮棄電風險造成的水電損失在一定程度上可以由增加的風、光上網電量補充。同時考慮棄電風險與失負荷風險的互補系統發電量最小，這說明考慮風險類型越多，水電調節風險造成的損失電量越大，但風險也隨之降低，主要表現為風、光棄電量與失負荷率在情景4～6中最小。

綜合來看，考慮的風險類型越多，水電調節風險損失的電量越大，但同時風險減小。在構建中長期調度規則時，加入短期風險為中長期調度規則的制訂提供了支持。

圖10為嵌套短期運行風險前后調度函數的風險變化。可以看出，嵌套風險后，互補系統的風、光棄電量在冬季和春季均大幅降低，尤其是在4月，風、光棄電量降低了45%；在

夏季和秋季，嵌套風險的調度規則棄電量大于未嵌套風險的棄電量。嵌套風險后較嵌套風險前的棄電量全年過程更加平穩，全年呈現“上升-下降-上升”的趨勢，這與水電出力

的全年趨勢相反，主要原因在于風、光棄電率隨著水電出力的升高而降低。由圖10（b）可知，嵌套風險后全年的失負荷率均下降，

在冬季和春季的降幅大于夏季和春季。嵌套棄電風險后失負荷率在7～10月較大，這主要是因為該月份水電出力較大，水電出力達到上限時無法調節風、光電量。

4" 結 論

針對水風光多能互補系統中長期調度問題，本文在模擬水風光互補系統短期運行過程的基礎上，建立了一種計及短期運行風險的中長期隱隨機優化模型，提取了能夠降低短期運行風險的系統中長期調度規則。研究發現，在模型中考慮的風險類型越多，水電對沖風險導致的電量損失越大，但同時風險減小。本文所提方法能夠有效降低互補系統的棄電與失負荷風險，從而有效指導互補系統的中長期運行，還可進一步推廣應用至其他水風光多能互補系統，具有一定的應用潛力。

在未來研究中，需考慮互補系統日前發電計劃優化編制，進一步完善短期棄電函數及失負荷函數的推求，接連提高系統中長期調度的可靠性和有效性。

參考文獻：［1］" 馬丁，單葆國.2030年世界能源展望：基于全球能源展望報告的對比研究［J］.中國能源，2017，39（2）：21-24.

［2］" 李暉，劉棟，姚丹陽.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）：6245-6259.

［3］" 郭懌，明波，黃強，等.考慮輸電功率平穩性的水-風-光-儲多能互補日前魯棒優化調度［J］.電工技術學報，2023，38（9）：2350-2363.

［4］" GONZáLEZ-APARICIO I，ZUCKER A.Impact of wind power uncertainty forecasting on the market integration of wind energy in Spain［J］.Applied Energy，2015，159：334-349.

［5］" PURVINS A，ZUBARYEVA A，LLORENTE M，et al.Challenges and options for a large wind power uptake by the European electricity system［J］.Applied Energy，2011，88：1461-1469.

［6］" 陳煒，艾欣，吳濤，等.光伏并網發電系統對電網的影響研究綜述［J］.電力自動化設備，2013，33（2）：26-32.

［7］" 明波，成楸語，黃強，等.梯級互補儲能對新能源的長期消納作用分析［J］.水利學報，2022，53（11）：1280-1290.

［8］" 黃強，郭懌，江建華，等.“雙碳”目標下中國清潔電力發展路徑［J］.上海交通大學學報，2021，55（12）：1499-1509.

［9］" 謝俊，鮑正風，曹輝，等.金沙江下游水風光儲聯合調度技術研究與展望［J］.人民長江，2022，53（11）：193-202.

［10］明波，李研，劉攀，等.嵌套短期棄電風險的水光互補中長期優化調度研究［J］.水利學報，2021，52（6）：712-722.

［11］YANG Z，LIU P，CHENG L，et al.Deriving operating rules for a large-scale hydro-photovoltaic power system using implicit stochastic optimization［J］.Journal of Cleaner Production，2018，195：562-572.

［12］明波，郭鵬程，陳晶，等.水光互補電站中長期隨機優化調度方法評估［J］.水電與抽水蓄能，2021，7（5）：20-24.

［13］ZHU F，ZHONG P，SUN Y，et al.A coordinated optimization framework for long-term complementary operation of a large-scale hydro-photovoltaic hybrid system：nonlinear modeling，multi-objective optimization and robust decision-making［J］.Energy Conversion and Management，2020，226：113543.

［14］JIANG J，MING B，HUANG Q，et al.Hybrid generation of renewables increases the energy system′s robustness in a changing climate［J］.Journal of Cleaner Production，2021，324：129205.

［15］HU W，ZHANG H，DONG Y，et al.Short-term optimal operation of hydro-wind-solar hybrid system with improved generative adversarial networks［J］.Applied Energy，2019，250：389-403.

［16］ZHANG Z，QIN H，LI J，et al.Short-term optimal operation of wind-solar-hydro hybrid system considering uncertainties［J］.Energy Conversion and Management，2020，205：112405.

［17］馬伊洋，王現勛，董得福，等.水電機組適應寬負荷運行的效率分析方法［J］.人民長江，2023，54（9）：252-257.

［18］KISVARI A，LIN Z，LIU X.Wind power forecasting：a data-driven method along with gated recurrent neural network［J］.Renewable Energy，2021，163：1895-1909.

［19］潘超，李潤宇，蔡國偉，等.基于時空關聯分解重構的風速超短期預測［J］.電工技術學報，2021，36（22）：4739-4748.

［20］QU J，QIAN Z，PEI Y.Day-ahead hourly photovoltaic power forecasting using attention-based CNN-LSTM neural network embedded with multiple relevant and target variables prediction pattern［J］.Energy，2021，232：120996.

［21］FOLEY A M，LEAHY P G，MARVUGLIA A，et al.Current methods and advances in forecasting of wind power generation［J］.Renewable Energy，2012，37（1）：1-8.

［22］胡學東.梯級水電站群負荷分配方法及蓄能調度圖的研究［D］.武漢：華中科技大學，2017.

［23］MELLAL M，PECHT M.A multi-objective designoptimization framework for wind turbines under altitude consideration［J］.Energy Conversion and Management，2020，222：113212.

（編輯：郭甜甜）

Long-medium term hydro-wind-PV complementary operation considering short-term characteristics

MA Xiaowei1，2，GUO Yi3，LI Yan3，KE Xianbo2，ZHAO Xin2，ZHANG Xiaoqi2

（1.School of Electrical Engineering，Xi′an Jiaotong University，Xi′an 710049，China;

2.Northwest Branch of State Grid Corporation of China，Xi′an 710048，China;

3.State Key Laboratory of Eco-Hydraulics in Northwest Arid Region of China，Xi′an University of Technology，Xi′an 710048，China）

Abstract：

Traditional long-medium term operation models based on ten-day/month scales are difficult to describe the operational risk induced by the fluctuations of wind and PV output，and cannot effectively guide the long-term operation of hydro-wind-PV complementary systems.To this end，a method for deriving long-medium term hydro-wind-PV complementary systems operating rules while considering short-term operational characteristics was proposed.First，a short-term operation model was established to estimate possible power curtailment，abandoned water，and lost load in the hydro-wind-PV complementary operation.Then，based on the long series of short-term operation samples，the response relationships between hydropower output and power curtailment，abandoned water，lost load were extracted.Finally，these response relationships were nested in implicit stochastic optimization dispatching model to extract operating rules.A clean energy base in the upper Yellow River basin was selected as a case study.The results indicated that compared with the simplified operation strategy，the energy increased by 6.5%，and the lost load rate decreased by 3.71% through implicit stochastic optimization.Nesting the short-term operational risks in long-term hydro-wind-PV complementary dispatching model can reduce power curtailment and lost load risk，thus effectively guiding the long-term scheduling operation of complementary systems.

Key words：

hydro-wind-PV complementary operation; long-term operation; operational risk; operating rules; Yellow River