基于机会约束规划的水光联合系统短期优化调度方法

摘要

本发明公开了一种基于机会约束规划的水光联合系统短期优化调度方法，将联合系统弃能最小以及联合系统发电量最大设置为调度目标，基于光伏出力过程的不确定性，并以水电机组为基本调度单元，兼顾机组的开停机持续时间以及机组振动区约束，建立一套基于机会约束规划的水光联合系统短期优化调度可操控系统，以获得精细化且可操作性强的调度运行系统，此系统构成一个典型多变量、高维度以及多复杂约束的混合整数非线性规划MINLP，利用系列线性化方法将MINLP转化为一套混合整数线性规划MILP，并运用高效的求解器进行求解。本发明在基础理论和实践应用方面均具有开拓性的进步意义。

说明书

技术领域

本发明涉及电力技术领域，尤其是一种水光联合系统短期优化调度方法。

背景技术

由于传统化石能源在发电时对环境造成污染严重且其不可再生，因此，近年来光伏、风电等清洁可再生能源的发展逐步加快。其中，光伏发电因其技术成熟、分布广泛、运行维护成本低而具有较大的发展潜力。但光伏发电具有随机性和间歇性，在并网过程中给电网造成了巨大压力，需调节性能较好的其他电源对其进行调节，而水电能通过良好的调节能力快速响应光伏出力的波动，因此，将光伏发电和水力发电联合并入电网是一种有效且前景广阔的联合并网方式。但目前我国可再生能源市场并不完善，因此电网应在保证其自身安全稳定运行的基础上尽可能多的消纳清洁能源电力。大多数之前的关于水光联合系统的研究仅考虑了联合系统的发电需求，但忽视了电网的消费需求，使得这些联合调度策略很难直接应用于我国的水光联合发电系统中。因此，提出有效可行的水光联合系统短期优化调度方法成为当前亟待解决的问题。

发明内容

本发明要解决的技术问题是提供一种基于机会约束规划的水光联合系统短期优化调度方法。

为解决上述技术问题，本发明所采取的技术方案如下。

基于机会约束规划的水光联合系统短期优化调度方法，首先将联合系统弃能最小以及联合系统发电量最大设置为调度目标，基于光伏出力过程的不确定性，并以水电机组为基本调度单元，兼顾机组的开停机持续时间以及机组振动区约束，建立一套基于机会约束规划的水光联合系统短期优化调度可操控系统，以获得精细化且可操作性强的调度运行系统，此系统构成一个典型多变量、高维度以及多复杂约束的混合整数非线性规划MINLP，利用系列线性化方法将MINLP转化为一套混合整数线性规划MILP，并运用高效的求解器进行求解；所述系列线性化方法包括但不限于：用于线性化机会约束规划原理问题的场景模拟线性化方法和用于线性化机组振动区约束问题的分段线性化方法。

作为本发明的一种优选技术方案，所述混合整数非线性规划MINLP基于LHS和k-means聚类的场景生成方法进行建立，基于光伏出力预测误差序列

作为本发明的一种优选技术方案，所述目标函数的构建方法如下：设定两个目标函数：联合系统总弃电量最小和联合系统总发电量最大；

(1)目标函数1：联合系统总弃电量最小；由于不确定性的光伏出力是求解联合系统最小总弃电量的关键因素，故采用机会约束规划来处理其不确定性，目标函数1表述如下：

其中，T和t分别表示调度周期和某一调度期；Δt表示时间间隔h,

(2)目标函数2：联合系统总发电量最大；在机会约束规划模型中，目标函数2表述为：

其中，M表示水电站机组的数量；

作为本发明的一种优选技术方案，将目标函数1作为主要目标函数，目标函数2作为次要目标，使得所提出目标函数具有自适应性，当联合系统不可避免地出现弃能时，以弃能最小为目标，否则应以发电量最大为目标；最终目标函数表达如下：

作为本发明的一种优选技术方案，所述约束条件包括水库及电站约束、水电机组约束、光伏出力约束以及功率平衡约束。

作为本发明的一种优选技术方案，所述水库和电站约束包括：

(1)水量平衡约束

v

其中，I

(2)水位约束

其中，z

(3)出库流量约束

其中，Q和

作为本发明的一种优选技术方案，所述水电机组约束包括：

(1)机组出力约束

其中，

(2)水电机组出力函数

其中，f

(3)水电站弃能函数

为求解方便，假设所有弃水均流过1号机组，其对应产生出力即为水电站弃能；

其中，

(4)水头约束

h

z

zd

其中，zd

(5)机组发电流量约束

其中，

(6)机组振动区约束

其中，

(7)机组开停机持续时间约束

其中，ξ

作为本发明的一种优选技术方案，所述光伏出力需要满足以下约束：

其中，

作为本发明的一种优选技术方案，对于所述功率平衡约束，光伏出力不确定性给水光系统联合发电量跟踪所提交给电网的负荷过程造成威胁，能够导致电网的严重安全问题；为了控制这些问题，运用机会约束限制联合系统的功率不平衡风险；

其中，ω表示发电公司和电网签订合同中的电力不平衡率；

作为本发明的一种优选技术方案，所述混合整数线性规划MILP的建立方法包括但不限于：机会约束规划模型线性化、机组振动区线性化。

作为本发明的一种优选技术方案，对于所述机会约束规划模型线性化，采用场景模拟法进行求解：

(1)运用场景生成方法生成N种光伏出力预测误差代表性场景，给定场景下的光伏电站实际出力和并入电网的光伏出力可由以下两式求得：

其中，

(2)判断生成的场景是否满足式(24)，并将满足该式的场景数叠加，总数记为S，若S/N大于等于β，则机会约束式21成立，否则不成立；

(3)基于以上分析，引入四个0-1辅助变量a

c

其中，c

由式25可知，a

同样，带有不确定因子的两个目标函数，式1和2，转化为以下形式；

其中，γ

作为本发明的一种优选技术方案，对于机组振动区线性化，采用提出一线性化方法表解决机组振动区约束问题，考虑到机组的最大最小出力限制，K个振动区将机组出力划分为K+1个可行的机组运行区，式17表述为如下的线性表达；

其中，

由式37-38可知，当机组处于运行状态时，机组出力必须处于一个可行区域中；由式39可知，若

采用上述技术方案所产生的有益效果在于：本发明考虑水力发电与光伏发电联合运行，利用水电站良好的调节能力对光伏出力不确定性进行平抑，然和将其联合并网，以提高可再生能源的利用率并保证电网的安全稳定运行。在以上背景下，本发明提出一种基于机会约束规划(Chance constraint programming,CCP)的水光联合系统短期优化调度方法。首先，为提高能源利用率，本发明所提调度方法以联合系统弃能最小以及联合系统发电量最大为调度目标；此外，为获得精细化且可操作性强的调度运行方案，本发明首先考虑光伏出力过程的不确定性，并以水电机组为基本调度单元，兼顾机组的开停机持续时间以及机组振动区等约束，建立一基于CCP的水光联合系统短期优化调度模型。该模型是一个典型多变量、高维度以及多复杂约束的混合整数非线性规划(Mixed integernonlinearprogramming,MINLP)模型，若采用传统的动态规划算法以及仿生算法求解，可能会面临“维数灾”以及易陷入局部最优解等问题，因此，为提高求解效率，本发明提出通过构建系列线性化方法将原模型转化为一混合整数线性规划(Mixed integerlinearprogramming,MILP)模型，实现了运用高效的求解器进行求解。

本发明基于电力公司和电网之间的协调机制，提出了一种光伏电站和大容量水电站的联合调度模型，基于该调度模型，本发明提出机会约束规划模型来决策水光联合系统运行优化调度，以提高可再生能源的消纳水平。在该模型中，采用结合LHS方法和k-means聚类的场景分析方法来处理光伏出力预测偏差，为提高模型的精度，本模型以水电机组为基本调度单元并考虑其对应约束。此外，为提高SMINLP模型的求解效率，本发明提出一些列线性化方法将原模型转化为MILP模型并运用求解器进行求解。基于我国西南部乌江渡水光联合系统的案例研究，其进步意义体现在：(1)光伏电站和水电站联合运行可以减小光伏出力不确定性和波动性带来的负面影响，此外，联合系统各时段发电量跟踪电网给定的负荷过程线，保证了电网的安全稳定运行。同时，通过减少不同季节不同典型日联合系统的总弃电且增加总发电量，联合系统能够尽可能提高可再生能源的并网电量。(2)本发明所提模型以水电机组为基本调度单元，充分考虑了机组的各种复杂约束，包括开停机持续时间约束以及机组振动区约束等，这些约束能够保证机组的安全运行，使所得到的水光系统调度方案更具现实性和可执行性。(3)功率平衡约束中的置信水平越低，负荷不平衡率越高，越有利于光伏发电和水力发电的并网，但是与此同时，却使得电网的安全稳定性能降低。因此，电网调度中心与发电公司应提前协商合适的功率不平衡率，运营商应平衡弃电、发电收益及相关调度风险，确定水光联合发电系统的运行调度策略。

附图说明

图1是水电站与光伏电站联合运行模型示意图。

图2是水电机组振动区示意图。

图3是基于MILP模型的SMILP模型求解流程；图中，(a)汛期，(b)枯期。

图4是不同来水季节不同典型日光伏电站出力。

图5是不同来水季节乌江渡水光混合系统调度过程线；图中，(a)雨天第40种场景，(b)多云天第59种场景，(c)晴天第92种场景。

图6是汛期不同典型日乌江渡水光联合系统出力图。

图7是汛期雨天乌江渡水电站上游水位图；图中，a)1号机组，(b)2号机组，(c)3号机组，(d)4号机组，(e)5号机组。

图8是汛期雨天乌江渡水电站各机组出力图；图中，(a)雨天第19种场景，(b)多云天第67种场景，(c)晴天第151种场景。

图9是枯期不同典型日乌江渡水光混合系统联合出力过程；图中，(a)1号机组，(b)2号机组，(c)3号机组，(d)4号机组，(e)5号机组。

图10是枯期雨天乌江渡水电站各机组出力图。

具体实施方式

以下实施例详细说明了本发明。本发明所使用的各种原料及各项设备均为常规市售产品，均能够通过市场购买直接获得。

在以下实施例的描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

实施例1、模型化方法框架

本实施例首先提出一种场景分析方法来处理光伏出力不确定性，并对其进行建模。在此基础上，本发明建立了基于机会约束规划的水光联合系统短期多目标优化调度方法，以使水光联合系统的总弃电量最小、总发电量最大；其中，水电站机组为基本调度单元，综合考虑水电机组出力限制约束、机组发电流量约束、机组振动区约束以及机组开停机持续时间约束等，对联合系统调度运行进行精细化的研究。针对其求解难度高等问题，提出了一系列线性化方法，将随机非线性模型转化为基于场景的确定性MILP问题，进而利用高效成熟的商业求解器Gurobi来求解该问题。其具体过程如下：1)根据历史运行数据和次日气象预报数据，对光伏电站日前出力过程进行预测。2)为了降低运行风险，电网调度中心通常要求水光联合电站在供电前数小时提交日前出力曲线。因此,在第二天开始前4-6小时，电力公司需确定水光系统的联合输出功率并上报给电网调度中心，且该联合输出功率需全面考虑水电站的技术特点(如水库库容、和机组的最小开停机持续时间等)和光伏电站实际出力与预测出力的偏差等因素。3)根据电力系统日前预测负荷曲线和电网线路的传输容量，电网运营商修改发电公司所提交的负荷曲线，以使联合系统的实际出力过程跟踪负荷变化趋势，并且尽可能减轻电网的调峰压力。4)发电公司与电网调度中心就负荷计划反复协商，直至双方都能接受为止。然后签订电力合同，其中包括明确的水光联合系统的负荷过程线、可接受的功率不平衡率(即实际输出功率与给定负荷之间的偏差比率)和电价。如果实际输出功率与给定负荷的偏差超过了可接受的功率不平衡率，发电公司将会受到惩罚。5)水光联合系统控制中心决定水库的蓄水量和各水电机组的出力。然后由电网运营商根据确定的水光联合发电计划，安排系统内其他电源的发电计划。

根据这一协调机制，制定水电站与光伏电站联合运行计划，以应对光伏发电出力的频繁波动，使水光系统的联合出力跟踪电网给定的负荷过程。如图1所示，水电站利用其调节性能对光伏发电过程进行补偿，使水光系统所发电量联合并入电网。在水光系统联合运行期间,若光伏输出功率很小,联合系统控制中心将迅速调整水电站的功率以补偿光伏输出功率，包括增加水电机组的发电流量或者启动部分其他水电机组。而当光伏发电量较大时，控制中心会降低水电机组的出力，或关闭部分运行的水电机组。此外，在某些极端天气条件下，控制中心还要安排水电站弃水，或光伏电站在低用电需求时段弃电，尽量使系统的联合输出功率跟踪既定的负荷曲线。这种光伏电站与水电厂的协调模式，可以在提高光伏发电可控性、保证电网安全稳定运行的前提下，促进水光联合系统电量的并网消纳。

将本发明所提出的模型应用于位于中国贵州省的洪家渡水光联合电站。案例研究表明，通过研究机会约束规划模型中不同置信水平以及不同功率不平衡率下的运行状况可知，水光联合运行可以使得联合系统总发电量跟踪电网所给定的负荷过程，帮助提高电网的安全性和稳定性。在不同的典型日和来水季节，联合系统通过减少弃电和提高总发电量，能够尽可能地提高可再生能源的并网消纳。

光伏电站出力易受气候因素的影响，无法对其进行精确预测，因此，其并网消纳给电网的安全稳定运行造成了一定的威胁。因此，通过引入置信水平参数作为概率约束，本发明建立了一个基于CCP的优化模型，该模型考虑了光伏电站输出功率的不确定性。此外，除了传统的水力约束外，本发明还考虑了水电机组的开停机持续时间约束以及机组振动区约束，以进行更精细化的研究、获得可操作性更强的调度方案。

此外，本文所建立模型为随机混合整数非线性规划(stochastic mixed integernonlinear programming,SMINLP)模型，且其具有非线性及不确定性等特征，若采用常规算法求解时，往往求解难度较大，因此，本发明提出一系列线性化策略，将原模型转化为MILP模型，并运用高效成熟的求解器进行求解。

实施例2、光伏出力不确定性

光伏出力具有一定的随机性，且目前光伏出力预测技术尚不成熟，存在一定的局限性，因此其预测值和实际值往往会存在一定的偏差。为了处理这一问题，本发明提出一种基于LHS和k-means聚类的场景生成方法，具体步骤如下：

1)首先假设光伏出力预测误差序列

2)当样本足够大时，传统的蒙特卡洛抽样(MC)可以获得较好的结果，但太多的场景会影响求解效率，相比于MC方法，拉丁超立方抽样(LHS)在较少的场景下可以得到更好的抽样结果。因此，本发明采用LHS方法抽样并生成多种光伏出力预测误差场景。

3)但LHS抽样方法所得到的场景数仍然较多，为了进一步减轻计算负担，本文采用广为应用的k-means方法对由LHS方法生成的多种场景进一步缩减。

实施例3、目标函数

如上所述，本发明所提模型的目的是使可再生能源尽可能多的被电网消纳，同时联合系统各时段总发电量跟踪给定的负荷过程并满足其他运行约束。因此，为适应不同的运行工况，本发明提出两个目标函数：联合系统总弃电量最小和联合系统总发电量最大。

(1)目标函数1：联合系统总弃电量最小

由于不确定性的光伏出力是求解联合系统最小总弃电量的关键因素，因此，本发明采用CCP模型来处理其不确定性，目标函数1表述如下：

其中，T和t分别表示调度周期和某一调度期；Δt表示时间间隔(h),

(2)目标函数2：联合系统总发电量最大

在CCP模型中，目标函数2可表述如下：

其中，M表示水电站机组的数量；

在保证电网安全稳定运行的基础上，政府要求联合系统所发电应尽可能被电网消纳，因此，为避免能源的浪费，本发明将目标函数1作为主要目标函数，目标函数2作为次要目标。换言之，本发明所提出目标函数具有自适应性，当联合系统不可避免地出现弃能时，以弃能最小为目标，否则应以发电量最大为目标。最终目标函数可表达如下：

实施例4、约束条件

本模型中所考虑约束可分为水库及电站约束、水电机组约束、光伏出力相关约束以及电力平衡约束。详见下述实施例。

实施例5、水库和电站约束

(1)水量平衡约束

v

其中，I

(2)水位约束

其中，z

(3)出库流量约束

其中，Q和

实施例6、水电机组约束

(1)机组出力约束

其中，

(2)水电机组出力函数

其中，f

(3)水电站弃能函数

为求解方便，假设所有弃水均流过1号机组，其对应产生出力即为水电站弃能。

其中，

(4)水头约束

h

z

zd

其中，zd

(5)机组发电流量约束

其中，

(6)机组振动区约束

其中，

(7)机组开停机持续时间约束

其中，ξ

实施例7、光伏出力约束

光伏出力需要满足以下约束

其中，

实施例8、功率平衡约束

光伏出力不确定性给水光系统联合发电量跟踪所提交给电网的负荷过程造成了一定威胁，甚至可能导致电网的严重安全问题。为了控制这些问题，本模型运用机会约束限制联合系统的功率不平衡风险。

其中，ω表示发电公司和电网签订合同中的电力不平衡率；

概率性表达式式(21)保证联合系统总出力不满足负荷过程的概率小于1-β，以控制光伏出力不确定性带来的影响。

实施例9、MILP模型建立

由于引入机会约束(式(1)、(2)和(21))以及四个非线性约束(式(10)-(15)和(17))，则原模型即为一SMINLP模型，对其直接求解很难获得最优解。因此，需要将将原SMINLP模型转化为确定性的MILP模型进行求解，再运用成熟高效的商业求解器进行求解。

对于净水头约束(式(12)、(13)、(14)和(15))，机组发电量函数和电站弃能函数(式(10)和(11))的线性化而言，目前的研究已趋向于成熟，因此，本发明主要对CCP以及机组振动区约束线性化进行研究，具体参见如下实施例。

实施例10、机会约束规划模型线性化

对于CCP的确定性转化，目前主要有解析法和模拟法。然而，在解决某些实际问题时，解析法往往容易受到限制且求解难度较高，因此，本发明采用场景模拟法进行求解。

(1)运用上文提出的场景生成方法生成N种光伏出力预测误差代表性场景，给定场景下的光伏电站实际出力和并入电网的光伏出力可由以下两式求得：

其中，

(2)判断生成的场景是否满足式(24)，并将满足该式的场景数叠加(总数记为S)，若S/N大于等于β，则机会约束式(21)成立，否则不成立。

(3)基于以上分析，引入四个0-1辅助变量a

c

其中，c

由式(25)可知，a

同样，带有不确定因子的两个目标函数(式(1)和(2))可以转化为以下形式。

其中，γ

实施例11、机组振动区线性化

对于大规模的水光联合系统日调度研究，机组振动区约束求解极为重要且极具挑战，其难度主要由于多个不可同时满足的不可行运行区，因此，本节采用提出一线性化方法表解决机组振动区约束问题。

考虑到机组的最大最小出力限制，K个振动区将机组出力划分为K+1个可行的机组运行区，具体如图2所示，则式(17)可表述为如下的线性表达。

其中，

由式(37)-(38)可知，当机组处于运行状态时，机组出力必须处于一个可行区域中。由式(39)可知，若

实施例12、模型求解过程

通过以上的线性化技术，本发明所提出模型可以转化为一个MILP模型，其求解过程如附图3所示。

实施例13、案例研究

将本发明所开发的模型应用于中国贵州省的洪家渡水光互补电站，且该联合系统包括洪家渡水电站和其附近的一座大的光伏电站。乌江渡水电站位于中国西南部的乌江流域，是贵州省最重要的电力来源之一。该电站拥有年调节水库，拥有5台发电机组，总装机容量1250MW。虽然每个水电机组的容量相同(250MW)，但由于机组由两家不同的制造公司生产，所以有些机组的运行特性并不完全相同，水电站及其机组的主要特征参数分别如表1和表2所示。此外，光伏电站并网装机容量为300MW，且其位于水电站以东约40公里处，计划运行30年。

表1乌江渡水电站特征参数

表2乌江渡水电站各机组主要参数

光伏电站出力和水库入库流量易受到天气和季节的影响，因此，为建立一个具有鲁棒性的优化模型，本模型选择汛期和枯期以及对应的晴天、阴天和雨天作为典型研究对象进行研究，不同季节光伏电站日典型出力如图4所示。在实际工程中，乌江渡水光系统的预定联合发电量通常在电网与拥有乌江渡系统的发电公司之间签订的电力合同中给定，本案例假设其已经给出，且如图5所示。

对于任一典型日，由LHS方法生成的光伏出力预测误差代表场景为500组，进一步运用k-means法缩减为200组。在本案例中，联合系统调度运行周期选为1日，本发明所提出模型采用高效的Gurobi商业求解器进行求解。

基础案例研究

在本案例中，α

汛期运行状况

乌江渡水光系统汛期运行结果如表3所示，且弃电率表示弃电量占总发电量的比值。可以看出，联合系统在晴天、阴天和雨天的弃电量分别为240,0和49MWh，并且晴天、阴天和雨天的总发电量分别为19188,18483和18474MWh，相应三种典型日下的弃电率分别为1.25％,0和0.27％。尽管雨天的弃电率大于其他典型日，但由于雨天较大的入库流量，联合系统在雨天的总发电量依旧较大；而晴天和阴天的入库流量却差别不大，然而，由于晴天的光伏出力较大，联合系统在某些时段不得不舍弃部分电量以保证电网的安全和稳定运行。此外，由于在阴天并没有弃电量，则联合系统总发电量尽可能大，所以，联合系统在阴天的总发电量和晴天相近。

表3乌江渡水光联合系统汛期优化结果

图6表示联合系统在汛期不同典型日下的联合出力。可以看出，首先，联合系统总出力严格跟踪电网负荷过程。雨天入库流量较大，因此，为减少联合系统弃能且增大联合系统总发电量，使联合系统尽可能多的发电，且在大多数时刻均达到负荷上限，而在12-13时，由于水电站调节容量有限且此时处于负荷峰值，此时联合系统发电量并未达到出力上限。和雨天相比，晴天和阴天的入库流量相对较小，此时电站发电能力也相对较差，且为满足电力平衡约束，电站必须在负荷较高时段(如10-16时)发电较多，而在其他电力需求较小的时段较少发电。然而，由于晴天光伏出力较大且波动性也较大，联合系统可能会出现弃电现象。且无论在哪种典型天气场景下，光伏出力场景均在90％以上满足电力平衡约束，说明本发明提出式(25)-(33)可以满足机会约束。

图7表示汛期雨天各时段的水库水位，可以看出，水位的变化在整个调度期内变化仅有0.17m，这是由于本案例中水库具有良好的调节性能。此外，调度期末水位为742.85m，这与预期给定的目标水位相同。

汛期雨天乌江渡水电站各个机组出力过程如图8所示，可以看出，本发明所提出基于机组的研究模型确保各个机组出力有效地避开对应机组的振动区。此外，由于汛期雨天入库流量较大，所以除了4号机组在第一时刻处于停机状态之外，其他时刻均处于运行状态，其余机组在各个时刻均处于开机状态。

枯期运行状况

乌江渡水光联合系统枯期优化运行结果如表4所示，可以看出，由于枯期水电站入库流量较小且水电站调节能力较强，因此，在整个调度过程中并未有弃电产生，且雨天、阴天和晴天的发电量分别为11084,10620和10572MWh。

表4乌江渡水光系统枯期优化结果

联合系统在枯期各个不同的典型日的出力过程如图9所示，在雨天，联合系统发电量在大多数时刻均达到负荷上限，而在阴天和晴天，由于入库流量较小且必须满足电力平衡约束，因此，联合系统在负荷需求高时发电较多，在负荷需求低时发电较少。

图10表示枯期雨天乌江渡水电站各机组出力，为响应光伏出力的变化，电站各机组出力尽管会有一些波动，但各机组出力过程均满足机组开停机持续时间约束(本案例中设定为2h)，此外，机组出力过程也有效地避开了各个机组的振动区。

确定性模型对比

为了验证本模型的正确性，本发明建立一未考虑光伏出力不确定的模型与之前模型进行对比。在确定性模型中，假定光伏出力过程是给定的，且其他参数与之前模型相同。表5与表6分别表示汛期和枯期确定性模型与随机性模型的优化结果对比，可以看出，确定性模型在各个典型日均无弃电产生，且确定性模型总发电量均大于随机性模型总发电量，这是因为确定性模型仅仅考虑一种确定性的光伏出力场景，而随机性模型考虑了多种不同的光伏场景，因此，随机性模型所得联合系统总发电量较小。然而，由于当前光伏出力预测技术的局限，光伏出力预测值难免会有误差产生，此时确定性模型可能会带来一些问题，甚至给电网的安全稳定运行带来威胁。因为确定性模型和随机性模型所产生的电量相差不大，因此，从电网的安全稳定等角度考虑，对水光系统联合运行而言，随机性模型是一种更好的选择。此外，可以看出，提高光伏出力预测技术也是减少能源浪费的有效途径。

表5汛期随机性模型和确定性模型优化结果对比

注:TPC即总弃电量(total power curtailment),TPG即总发电量(the totalpower generation),置信水平表示运行决策满足功率平衡约束的概率。

表6枯期随机性模型和确定性模型优化结果对比

注:TPC即总弃电量(total power curtailment),TPG即总发电量(the totalpower generation),置信水平表示运行决策满足功率平衡约束的概率。

CCP模型置信度影响分析

本部分主要研究CCP模型置信度对水光联合系统运行调度的影响，且汛期雨天和枯期雨天作为本部分的典型研究对象来研究其敏感性。不同置信度下联合系统总发电量和总弃电量如表7所示。从表7可以看出，由于汛期入库流量较大，联合系统总会有不同程度的弃电产生，随着机会约束中置信水平的不断增大，联合系统弃电量相应增加，当置信度从0.7增大到0.9时，对应弃电量从117MWh增加到240MWh，这是因为置信水平越高，其相应对水库的调节容量要求越高，且由于光伏出力具有不确定性，当置信度值增大时，需要满足约束的光伏出力场景数相应增多。然而，置信度增大会相应增加雨天的弃能并减少联合系统总发电量，换言之，在汛期雨天，运行可靠度越高，其造成的弃能相应越大。此外，因为联合系统最大发电量并非汛期雨天水光系统调度的主要目标，所以机会约束模型中置信度对联合系统总发电量影响不大。另一方面，尽管置信水平不断增大，枯期雨天的弃电量依旧为0，然而，联合系统总发电量却相应减小。因此，水光联合发电系统的经营者在确定水光联合发电系统的运行计划时，需要平衡弃电、发电收益和相关的调度风险。

表7置信水平对联合系统运行特性的影响

功率不平衡率影响分析

为研究功率不平衡率对水光联合调度的影响，基于之前的研究，本部分选取四个不同的功率不平衡率继续展开研究。不同来水时期雨天下不同电力不平衡率案例中的弃电量和总发电量如表8所示。在汛期，当电力不平衡率从0.05增加到0.1时，其对应弃能从240MWh减少到98MWh，此外，当负荷不平衡率大于等于0.2时，联合系统无弃电产生，而当负荷不平衡率达到0.3及以上时，联合系统总发电量趋于稳定，为20434MWh。在枯期，联合系统总发电量随功率不平衡率增加而不断增加，但增幅逐渐缓慢，直至其保持稳定。功率不平衡率越小，光伏出力波动对电网安全稳定运行的负面影响就越大，因此，电网调度中心需要设定合适的功率不平衡率，以便在满足电网运行需求与可再生能源的消纳之间进行权衡。

表8不同来水季节雨天不同电力不平衡率联合系统运行特性

综上各个实施例可见，本发明基于电力公司和电网之间的协调机制，提出了一种光伏电站和大容量水电站的联合调度模型，基于该调度模型，本发明提出机会约束规划模型来决策水光联合系统运行优化调度，以提高可再生能源的消纳水平。在该模型中，采用结合LHS方法和k-means聚类的场景分析方法来处理光伏出力预测偏差，为提高模型的精度，本模型以水电机组为基本调度单元并考虑其对应约束。此外，为提高SMINLP模型的求解效率，本发明提出一些列线性化方法将原模型转化为MILP模型并运用求解器进行求解。基于我国西南部乌江渡水光联合系统的案例研究，可得如下结论：

(1)光伏电站和水电站联合运行可以减小光伏出力不确定性和波动性带来的负面影响，此外，联合系统各时段发电量跟踪电网给定的负荷过程线，保证了电网的安全稳定运行。同时，通过减少不同季节不同典型日联合系统的总弃电且增加总发电量，联合系统能够尽可能提高可再生能源的并网电量。

(2)本发明所提模型以水电机组为基本调度单元，充分考虑了机组的各种复杂约束，包括开停机持续时间约束以及机组振动区约束等，这些约束能够保证机组的安全运行，使所得到的水光系统调度方案更具现实性和可执行性。

(3)功率平衡约束中的置信水平越低，负荷不平衡率越高，越有利于光伏发电和水力发电的并网，但是与此同时，却使得电网的安全稳定性能降低。因此，电网调度中心与发电公司应提前协商合适的功率不平衡率，运营商应平衡弃电、发电收益及相关调度风险，确定水光联合发电系统的运行调度策略。

本发明的硬件实现，可以直接采用现有的智能设备，包括但不限于工控机、PC机、智能手机、手持单机、落地式单机等。其输入设备优选采用屏幕键盘，其数据存储和计算模块采用现有的存储器、计算器、控制器，其内部通信模块采用现有的通信端口和协议，其远程通信采用现有的gprs网络、万维互联网等。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。