多源电网协调实时控制技术综述

戴丽媛，徐泰山，汪马翔,王昊昊，段 慧

(1.河海大学 能源与电气学院，江苏南京210096；2.国电南瑞科技股份有限公司，江苏南京211106)

多源电网协调实时控制技术综述

戴丽媛1，徐泰山2，汪马翔2,王昊昊2，段 慧2

(1.河海大学 能源与电气学院，江苏南京210096；2.国电南瑞科技股份有限公司，江苏南京211106)

在能源结构调整的大环境下，针对风电与光伏发展的现状和特高压交直流建设进程，讨论了中国目前弃风、弃光量大的原因。结合实际电厂的AGC测试数据，总结与对比了风电、光伏、水电、火电各类电源并网的调节特性及其量化数据。在实际测试数据的基础上分析了多源电网协调实时控制技术的可行性，探讨了多源并网实时控制技术，重点阐述了风、火电分层优化控制技术；风、火、水电联合优化调度策略；风、光、储互补性控制策略以及计及网络约束与电量交易计划的实时控制方法的研究成果，展现了多源电网协调控制的优势，为大规模风电、光伏、水电、火电协调外送系统的规划、设计以及运行提供了技术支持，对我国新能源外送的实时控制具有借鉴和参考价值。

网架结构；调节特性；多源协调；实时控制

0 引言

据国家统计局数据显示，2015年全国总发电量为5.618×1013kW·h，其中，火电、水电、风电、光伏累计发电量分别为4.2102×1013kW·h、9.96×1012kW·h、1.863×1012kW·h、4×1011kW·h，分别占总发电量的74.94%、17.73%、3.32%、0.712%。《2015～2030年电力工业发展展望》预计2030年火电装机容量1.186×1010kW，发电量为4.757×1013kW·h，占总发电量的50.42%。水电装机容量4.5×109kW，电量1.59×1013kW·h，占总发电量16.8%。风电装机容量5×109kW，发电量1×1013kW·h，占总发电量的10.6%。光伏装机容量为3.5×109kW，发电量为3.6×1012kW·h，占总发电量的3.816%[1]，未来清洁能源的装机容量与发电量所占比例将不断上升，能源结构将不断优化。

2015年底，电网基本建成以特高压电网为主网架、各级交直流电网协调发展的格局，各省网和各区域内跨省电网已基本实现交直流互联。未来，中国特高压电网继续加速发展。在“十三五”期间将国家电网优化为西部、东部两个特高压同步电网，形成送、受端结构清晰，交、直流协调发展的电网格局[2]。

1 风电、光伏消纳现状

根据国家能源局数据显示，由于目前成本与技术的原因，弃风、弃光现象严重[3]，2016年一季度弃风量达到1.92×1011kW·h，平均弃风率达到26%；弃光量达到1.9×1010kW·h，平均弃光率达到16.1%。特别在大量风光资源集中的西北地区，弃风、弃光现象尤为严重。一方面，现有的西电东送输电通道制约了风光资源的送出；另一方面，已有的实时控制技术难以充分发挥电网对风光资源的接纳能力，从而导致弃风、弃光比例较大[4]。

2 各类电源的特性分析

2.1 火电机组的调节特性

江苏国电泰州发电有限公司“二次再热”示范工程4号机组为国内首台106kW超超临界二次再热机组，通过对其进行AGC性能测试，测得4号机组AGC平均速率为1.87×104kW/min，优于1.5%Pe/min的考核标准。负荷调节精度为2.7 kW，优于考核标准0.5%。

国电常州#2机组容量为6×105kW，在4.5～6×105kW负荷段进行AGC测试，测试结果显示调节速率为 1.32～1.44×105kW/min，调节误差低于0.5%的装机容量。火电厂AGC各项指标的考核与测试结果如表1所示。

表1 火电厂AGC各项指标的考核标准与测试结果

2.2 水电机组的调节特性

通过南瑞公司的SSJ-3000型水电厂计算机监控系统对某水电厂安装的5台单机容量3.5×105kW·h的大型混流式水轮发电机组进行测试，其中调节速率的V计算公式和调节精度e的计算公式为：

V=|ΔP/ΔT|

(1)

(2)

式中：z为调节目标指令；p为实际负荷；Pn为机组额定负荷；t2为调节结束时间；T0为精度统计计算时间。

结果表明机组的调节速率为5×105kW/min，达到142.86%Pe/min，调节误差为7.8×104kW(2.2%的装机容量)符合并网要求[5]。

通过对银盘水电厂4台1.5×105kW轴流转桨式水轮发电机组的测试，发现AGC调节速率达1.25×105kW/min(83.3%Pe/min)，AGC调节精度为3×103kW(2%Pe)，达到了华中电网两个细则考核要求[6]。

根据《华中区域并网发电厂辅助服务管理实施细则》和《华中区域发电厂并网运行管理实施细则》的规定[7]，水电厂AGC各项指标的考核标准与测试结果如表2所示。

表2 水电厂AGC各项指标的考核标准与测试结果

2.3 风电场的预测与调节特性

2.3.1 超短期风电场出力预测精度研究

超短期风功率预测有助于优化调频及旋转备用容量，以及在线优化机组组合与负荷调度[8]。

(1)国内风电预测现状

国内风电预测研究起步较晚，《风电场接入电力系统技术规定》中规定超短期风电场风电功率预测误差不大于25%[9]。文献[10]以高阶Volterra级数时间序列预测方法为工具，结合实际风电场数据，对风电功率进行5～60 min预测，10 min风电预测偏差较小，为10.21%。国内也有有一些较好的风电预测软件广泛应用于工程中[11]。

(2)国外风电预测现状

德国太阳能技术研究所开发的风电管理系统(WPMS)是目前商业化运行最为成熟的系统，该系统对于单个风电场的预测误差大约为15%[12]。文献[13]中通过对风电机组的SCADA数据进行分析，采用回归型支持向量机(SVR)算法[14]，对单台风机以及风电场的出力进行超短期预测。单台机组预测误差精度指标eMAE和eRMSE分别为4.2%和5.4%；考虑到风电机组的分布不同，整个电场的预测误差精度指标eMAE和eRMSE分别为1.794%和2.483%，该预测精度远远高于现有的预测模型。其中：

(3)

(4)

式中：N为预测次数；Pcap为机组装机容量；x(i)为实际出力；x′(i)为预测出力。

考虑到海上和内陆风电场的差异性，文献[15]中以德国气象部门提供的气象服务数据为基础，建立神经网络预测模型(ANN)，对海上风电场一年的数据进行训练，结果显示其超短期预测误差标准RMSE(均方根误差)为17.07%，优于其他预测方法。

2.3.2 超短期风电场出力调节性能的研究

在国家标准委发布的《风电场接入电力系统技术规定》中要求风电场能够响应调度部门指令自动进行有功功率调节。《风电场接入电力系统技术规定》中指出，30～150MW风电场1min有功功率变化最大限值为装机容量10%。以下是对两个风电场进行的测试。

青海海西110kV三峡锡铁山风电场总装机容量为99MW，共66台风机，均为金风生产，额定容量为1.5×103kW，电站通过110kV峡坪线上网。经过测试测出有功功率调节上升和下降响应速度5×103kW/min(5.05% 装机容量/min)。全站有功功率始终能够准确跟踪全站有功功率目标值，误差为0.2MW(0.2%装机容量)。结果显示，风电场具有较好的调节速率与调节精度。风电场AGC各项指标的考核标准与测试结果如表3所示。

表3 风电场AGC各项指标的考核标准与测试结果

2.4 光伏电站的预测与调节特性

2.4.1 超短期光伏电站出力预测精度

(1)国内光伏电站预测现状

光伏电站出力的预测对光伏并网具有重要意义，我国《光伏发电站接入电力系统技术规定》中要求光伏电站发电时段(不含出力受控时段)的超短期预测平均相对误差小于10%，合格率应大于85%。文献[16]基于全天空云图，利用数字图像处理技术提取与辐射相关的图像特征；以大气层外辐射、大气质量、图像亮度和云量作为输入，地表辐射为输出，构建径向奇函数神经网络预测模型。将预测数据通过光电转化模块进行转化，得到光伏电站预测数据。结果表明采用云图预测得到的光伏预测出力平均相对误差可为3.115%。国内目前比较成熟的光伏预测系统有国电南瑞NSF3200光伏功率预测系统软件和木联能光功率预测系统，均已在多个光伏电站投入使用。

(2)国外光伏电站预测现状

通过思想政治教育工作者组织的各种社团活动和学生集体活动可以培养学生吃苦耐劳和乐于奉献的精神，作者认为培养学生的团队合作意识和攻克学习难关的勇气也非常重要，这就需要专业教师的配合。鼓励教师指导大学生参加各类创新活动和知识竞赛，制定奖励制度对有指导学生获奖的教师给予鼓励，对参与教师科研的学生给予政策支持和奖励，在学生参与学术学习和研究的过程中，经历刻苦学习、攻克难关、收获成果的艰辛和幸福过程中，建立团队合作意识，培养为集体奉献的“服务”意识同时融入育人的理念，这样的影响方式能够取得更好的成效，这种经历对学生将来的工作生活都将产生巨大的正向意义。

国外预测精度普遍优于国内，文献[17]建立了一个多层感知器的神经网络模型(MLP)[18]来预测光伏电站的出力，分别采用普通神经网络模型、优化神经网络模型、随机神经网络模型三种预测方案。预测结果显示其RMSE(均方根误差)最大为8.46%，最小为4.46%。文献[19]提出了一种人工神经网络和小波分解法相结合的模型，首先通过对太阳辐照度和气象变量数据进行有用信息的分离，再由人工神经网络建立光伏电站功率预测模型对光伏电站功率在晴天、多云、阴天、下雨4种模式下进行预测。不同天气误差精度如表4所示。

表4 不同天气误差精度

结果精度高于单纯的人工神经网络模型。其中eRMSE和eMAE指标参考风电场精度计算公式，eMAPE计算公式为：

(5)

式中：n为预测次数；PM(i)为实际出力；Pf(i)为预测出力。

2.4.2 光伏电站调节特性

竞峰德令哈光伏电站总装机容量为20MW，单台容量为5.5×102kW，通过35kV竞松线上网，属于中型光伏电站。对其进行有功功率自动调节测试，升功率与降功率响应速度为1×103kW/min(5% 装机容量/min)，测试误差为3×102kW(1.5% 装机容量/min)以内，测试结果显示该电站能够正确响应调度下发命令，符合国家标准。

中广核光伏电站总装机容量为3×104kW，单台容量为5.5×102kW，电站通过35kV广瑄线上网，属于中型光伏电站。测试结果得出升功率与降功率均为1×103kW/min(3.3% 装机容量/min)，测试误差为3×102kW(1% 装机容量/min)以内。AGC系统能够正确的接收调度指令，能够迅速准确和稳定的执行调度主站的有功功率控制任务。光伏电站AGC各项指标考核要求与测试结果如表5所示。

表5 光伏电站AGC各项指标的考核要求与测试结果

3 多源并网实时控制策略

3.1 多源协调控制的可行性

多源协调的实时控制必须考虑到各种电源各自的出力特性，风电资源具有间歇性和波动性的特点[20]，光伏并网发电系统的发电量随日光照射角度与强度的变化而变化[21]。但太阳能与风能在时间上具有很强的互补性，风光互补混合供电系统是可再生能源独立供电系统的一种重要形式[22]，与独立风力发电或者光伏发电相比，风光互补供电系统能使电力输出更加可靠平稳[23]。火电厂出力具有较好的调节能力，出力平滑，能够用来补偿新能源出力的波动性，进行系统功率的平衡[24]。水资源存在丰水期和枯水期，导致其具有周期性，响应电量受水量等自然因素的影响[25]。随着多源协调控制技术的发展，多源协调发电将比单一能源发电具有更多的经济和环境效益，更能促进电网安全稳定运行[26]。

3.2 多源协调实时控制技术

3.2.1 风、火协调外送有功功率实时控制技术

文献[27]以优先利用风能资源、提高电力通道利用率的原则，提出了风火“打捆”外送的有功控制策略。其目标是控制“打捆”外送断面不超过稳定限额、减少线路功率波动、优先利用风能资源以及充分利用输电通道。

当风速增加时，火电与风电共同进行调节，风电根据风功率预测结果和交直流外送通道的断面裕度进行超前控制，火电根据实际运行状况进行校正控制。风火电“打捆”外送协调控制框图，如图1所示。

该方案单纯考虑以新能源出力最大化为目标，当新能源渗透率不断提高，火电机组需要工作在非最佳煤耗点来消纳新能源和提供备用容量，这不仅大大增加了火电机组的成本，且影响火电机组的运行寿命。所以该方案仅适合新能源占比不大的情况，随着新能源占比增大，该方案必须随之改进。

图1 风火电“打捆”外送协调控制框图

3.2.2 风、火电分层优化控制技术

文献[28]针对中国“三北”地区风火联运系统的特点，提出了在调度中心和源端发电单元之间建立有功优化运行层，对局部分散的风电场和火电机组进行协调控制。其目标为使系统具有响应外部调度运行指令的能力，在保障电源端系统稳定的基础上提高风电的利用率。

风火协调层根据调度中心指令协调风电场集群和火电机组的出力。集群风电协调层根据风火协调层的控制指令，进行内部优化后将控制指令下发到各个风电场；集群风电协调层实时向风火协调层反馈一个有功控制偏差，仅控制偏差小于一定值时，才能进行下一周期的调节。通过风电场内部的优化和火电厂的配合控制，平滑整个出力的波动性，并且提升风电消纳空间。风、火电分层优化控制模型如图2所示。

图2 风、火电分层优化控制模型

该方案适用于源端系统能够判定风电是否能够参与并网的能力，并且能够在风火集群电厂中优化分配发电任务。此外，当发生外送通道越限、系统不稳定、风机故障时，能够进行紧急控制来减少事故的危害，因此该方案对系统的控制与检测能力具有较高的要求。

3.2.3 风、火、水电联合优化调度策略

将风电引入水火调度系统中，针对风力发电的波动性和不稳定性，文献[29]提出了风、火、水电联合优化调度策略，建立了以风电上网电量最大，火电发电量最小，出力稳定，水电发电流量最小为目标的模型。

(6)

考虑了电量平衡约束、水量平衡约束、蓄水量约束、下泄流量约束、长期调度约束、水电站出力约束、风电场出力约束、火电厂出力约束、火电厂出力稳定约束与非负约束条件。模型采用权重法将多目标函数转化成为单目标，通过罚函数法转化为无约束条件问题，运用压缩因子的粒子群算法进行单目标优化。该策略以风电出力最大，火电承担基荷，平稳出力，再由水电补偿剩余负荷，将风电、火电与水电调度相结合，以补偿风电的不均匀性和随机性。风、火、水联合系统控制模型，如图3所示。

图3 风、火、水联合系统控制模型

通过对算例进行优化后，风电及水电上网的电量增加，火电发电量减少；火电出力平稳，风电出力缺额增加，弃风量减少。由于需要补偿风电场波动，梯级水电站出力建议曲线波动增加，因此该方案适用于具有较好调节能力的水电站，能够响应系统调度指令，及时调整水电站出力。

3.2.4 风、光、储互补性控制策略

为改善风光储联合系统输出特性和降低储能电站功率补偿压力，文献[30]提出了一种在线滚动优化和有功实时控制相结合的协调优化控制方法。以总的平均功率偏差最小、储能电站充放电次数最小和储能电站剩余电量最大为目标函数的优化模型，来实现功率的精确跟踪，提高储能站的运行寿命和下一个控制时段的功率补偿能力。

(1) 总平均功率偏差最小，其目标函数f1(x)

(7)

(2) 充放电次数最小，其目标函数f2(x)

minf2(x)=minNb

(8)

(3)控制时段末期剩余电量最大，其目标函数f3(x)

maxf3(x)=maxQSOC(N)

(9)

考虑了储能电站容量和功率约束、风电场出力约束、光伏电站约束的约束条件，通过非支配排序遗传算法求解，给出了风、光、储分钟级的计划出力曲线。

有功实时控制实现风、光计划出力微调和储能电站实时控制，风、光计划出力微调模块根据实时风速和光照等信息，平衡计划超额；储能电站动态给出功率上限，提高了应对风/光爬坡的能力。风光储联合系统控制模型，如图4所示。

图4 风光储联合系统控制模型

结果表明，该控制方法使储能电站在较低的充放电次数下，与风/光配合协调控制，提高联合系统跟踪计划出力的能力。但是该控制方法为了使输出功率较好跟踪计划曲线，需要加大对储能电站的投资，因此适用于风电与光伏波动不剧烈的场景下。

3.3 计及网络约束的新能源并网功率实时控制方法

不计及输电网络的拓扑结构，单纯考虑多源之间协调控制以实现新能源的消纳，这类方法没有考虑到电源与负荷的分布，以及输电通道传输能力的限制。在实现多种电源协调控制时，必须引入网络约束，才能保证整个电力系统的安全稳定。

3.3.1 考虑预测调节性能和安全约束的新能源并网功率控制方法

文献[31]提出了一种基于预测调节性能和安全约束的新能源并网控制方法，该方法以新能源电站的历史运行信息为基础，计算得到其预测精度和调节性能指标；并依据当前时刻新能源电站并网有功功率控制对电网安全稳定裕度变化的控制性能代价比指标的相近程度，将新能源电站分成多个电站群，从而解决按接入输电通道的不同对新能源电站进行分群，不能真实反映电网当前时刻的暂态和动态安全稳定特性的问题。

当系统需要降低有功功率时，综合考虑有功功率执行的下限值以及预测精度，优先降低安全稳定控制性能代价比小的新能源电站群的并网功率。当系统需要增加有功功率时，综合考虑新能源电站的并网有功功率调控指令执行值的上限，优先增加其中预测精度和调节性能指标的综合性能指标大的新能源电站的并网有功功率。

该控制方法在改变相同幅度出力的基础上，保障了系统的稳定性，并且提高了新能源电站并网有功功率控制的实时性、可靠性和精度，以及新能源电站提升并网有功功率预测和控制技术装备水平的主动性。

3.3.2 计及电量交易计划的电厂并网有功功率实施控制方法

为应对市场化交易电量规模、主体的快速增长与变化，文献[32]提出了一种计及电量交易计划的发电厂并网有功功率实时控制方法。该方法在进行多源系统实时控制时分别考虑了发电厂单位发电量的经济环保性能指标、发电厂的电量交易计划执行率指标、发电厂的并网有功功率控制性能指标和间歇性新能源电站的并网有功功率的预测性能指标。

该优化模型考虑的约束条件包括机组的出力上下限约束，爬坡约束、计及损耗的电量平衡约束，网络安全约束以及有功功率备用约束。以各机组出力为决策变量，采用线性规划法求解，得到并网有功功率的调控指令执行值。该方案在满足电量交易计划执行的基础上，保证单位发电量的经济环保综合代价最低，还能够为发电厂提高并网有功功率控制水平和间歇性新能源电站提高并网有功功率的预测精度提供自发促进力；有功功率平衡约束中引入实时网损系数，提高了有功功率平衡的精度；在得不到最优解时，应用临时松弛有功备用的计算策略，提高了发电厂并网有功功率实时控制决策优化的可靠性。

4 结论

风电、光伏与水电具有优于火电机组的调节速率，特别是水电，调节速率更快；但在调节精度方面逊色于传统的火电机组。同时风电、光伏与水电出力受限于自然因素，风电与光伏的实时控制更依赖于对其出力的精准预测。虽然目前的预测技术不断提高，但依然存在一定的误差。多源协调实时控制技术中多以风电或光伏出力最大化为目标，为平抑其功率的波动性，需要启停火电机组或控制储能电池的充放电，这对系统的安全性与经济性带来不良影响。

为降低系统调节对火电的依赖性，且进一步加强系统对新能源的消纳能力，还需要开展以下的研究。首先是针对风电与光伏出力预测技术的研究，提高预测精度；其次通过新能源电场内部与新能源电场之间的协调控制技术来稳定整体的出力，提高控制精度；同时研究廉价与高效的储能装置参与到系统的有功功率调节过程中；最后加快特高压网架的建设，提高大规模新能源的跨区送出能力。

多源电网协调实时控制技术的研究，对中国西电东送工程，特别是对山西、甘肃等地区新能源电力大规模外送具有理论价值，对于其他正在建设和即将建设的新能源电站的并网控制也有借鉴意义。

[1]中国电力.2015～2030年电力工业发展展望[EB/OL].http://www.chinapower.com.cn/informationzxbg/20160106/16229.html,2016-01-06.

[2]国务院国有资产监管委员会.国家电网公司发布“十三五”电网发展规划研究成果 [EB/OL].http://www.sasac.gov.cn/n86114/n326638/c2161123/content.html,2015-12-22.

[3]李春曦,王佳,叶学民,等.我国新能源发展现状及前景[J].电力科学与工程,2012,28(4):1-8.

[4]武钢.加快西部电力通道建设 西电东送缓解雾霾影响[J].国家电网,2014(3):48-50.

[5]倪宏伟,盛锴,李正家,等.水电厂AGC控制系统性能分析及其优化应用[J].湖南电力,2016，36(1):43-45.

[6]唐亚波.提高水电厂AGC调节性能的技术措施[J].中国科技博览,2014(14):62-62.

[7]张强,朱华林,蒋刚雪.水电站AGC与AVC联合优化机组功率分配的思考[J].水电自动化与大坝监测, 2014, 38(1):35-38.

[8]卢鹏铭,温步瀛,江岳文.基于多时间尺度协调机组组合的含风电系统旋转备用优化研究[J].电力系统保护与控制,2015,43(5):94-100.

[9]GB/Z 19963-2011,风电场接入电力系统技术规定[S]．北京：中国标准出版社,2011.

[10]王松岩,李碧君,于继来,等.风速与风电功率预测误差概率分布的时变特性分析[J].电网技术,2013, 37(4):967-973.

[11]薛禹胜,郁琛,赵俊华,等.关于短期及超短期风电功率预测的评述[J].电力系统自动化,2015, 39(6):141-150.

[12]风电功率预测．风电功率预测系统简介[EB/OL]．http://wenku. baidu.com/link?url=vBeYjoZF MdO3O1d7jW9OL16xF3u9ha3SKj4cl8RK9ZDcIakzMC C5Ymznh6z70MYFyMd8OkwQ7wxXrGD iEq733ND9_QGezfAuL9tS5sKp7，2014-07-17．

[13]FANG R, WANG Y, SHANG R, et al. The ultra-short term power prediction of wind farm considering operational condition of wind turbines[J]. International Journal of Hydrogen Energy, 2016, 41(35):15733-15739.

[14]AKBARI E, BUNTAT Z, ENZEVAEE A, et al. Analytical modeling and simulation of I-V characteristics in carbon nanotube based gas sensors using ANN and SVR methods[J]. Chemometrics & Intelligent Laboratory Systems, 2014, 137(10):173-180.

[15]KURT M, LANGE B. Development of short-term forecast quality for new offshore wind farms[C]// Journal of Physics Conference Series. 2014:223-231.

[16]陈志宝,丁杰,周海,等.地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型[J].中国电机工程学报,2015,35(3):561-567.

[17]GRADITI G, FERLITO S, ADINOLFI G. Comparison of Photovoltaic plant power production prediction methods using a large measured dataset[J]. Renewable Energy,2016,90(5):513-519.

[18]TATAR A, NASERI S, BAHADORI M, et al. Prediction of carbon dioxide solubility in ionic liquids using MLP and radial basis function (RBF) neural networks[J]. Journal of the Taiwan Institute of Chemical Engineers, 2015, 60(3):151-164.

[19]ZHU H, LI X, SUN Q, et al. A power prediction method for photovoltaic power plant based on wavelet decomposition and artificial neural networks[J]. Energies,2015,9(1):1-15.

[20]SIQUEIRA J A C, CANEPPELE F D L, SERAPHIM O J. Characteristics of hybrid systems for electricity generation and applications in wind-photovoltaic systems/ Características de Sistemas Híbridos de Geração de Energia Elétrica e Aplicações em Sistemas Eólicos Fotovoltaicos[J]. Philosophy, 2014, 8(1):84-96.

[21]杨卫东,薛峰,徐泰山,等.光伏并网发电系统对电网的影响及相关需求分析[J].水电自动化与大坝监测, 2009, 33(4):35-39.

[22]何勇琪,张建成.独立型风光互补系统中储能容量优化研究[J].电力科学与工程,2012,28(4):9-13.

[23]李莎.风光互补独立发电系统多目标优化设计[D].保定：华北电力大学,2012.

[24]梅柏杉,张德兰,陈瑢.火电机组一次调频的仿真研究[J].电力科学与工程, 2013,29(11):54-58.

[25]TU W, WANG Y, TANG Y. A numerical study on thermal-hydraulic characteristics of turbulent flow through a circular tube fitted with pipe inserts[J]. Applied Thermal Engineering,2016,101(5):413-421.

[26]段琴.风电集群有功功率智能分配策略研究[D].湘潭：湘潭大学,2012.

[27]陈振寰,陈永华,行舟,等.大型集群风电有功智能控制系统控制策略 (二)风火电“打捆”外送协调控制[J]. 电力系统自动化,2011,35(21):12-15.

[28]叶希,鲁宗相,乔颖,等.风火联运源端系统有功优化运行分层协调思路[J].电力系统自动化,2014, 38(20):1-8.

[29]杨晓萍,王文坚,薛斌,等.风、火、水电短期联合优化调度研究[J].水力发电学报,2013,32(4):199-203.

[30]戚永志,刘玉田.风光储联合系统输出功率滚动优化与实时控制[J].电工技术学报, 2014, 29(8):265-273.

[31]徐泰山,汪宁渤,马明,等.基于预测调节性能和安全约束的新能源并网功率控制方法[P].中国专利：103762620A,2014.

[32]汤伟，王漪，于继平，等.编制直调火力发电单元月度电能交易计划的综合耗量优化法[J].中国电机工程学报，2009，29(25)：64-70.

A Survey of Real Time Control Technology for Multi-source Power Grid Coordination

DAI Liyuan1, XU Taishan2, WANG Maxiang2, WANG Haohao2, DUAN Hui2

(1.School of Energy and Electrical Engineering Hohai University, Nanjing 210096, China;2.Nari Technology Development Limited Company, Nanjing 211106, China)

In the environment of energy structures adjustment, the reasons for wind and photovoltaic curtailment phenomenon are discussed according to the current situation of wind power and photovoltaic development and the current process of the ultra high voltage main grid construction. Combined with the actual test data of a power plant, the regulation characteristics and quantitative data of multiple power supply are summarized. Feasibility and reliability of the multi sources coordinated real-time control technology are analyzed based on the measured data. And then several real-time control technologies are elaborated, which include the optimization and control technology of wind and thermal power, joint optimization scheduling strategy of wind, thermal and hydropower, complementary control strategy of wind, thermal and storage, and the real-time control methods considering network constraint and power transaction scheme. The results show the advantages of multi-source coordinated control which provides technical support for the planning, design and operation of large-scale wind power, photovoltaic, hydropower and thermal power coordination system. The research in this paper has a reference value for the construction of China′s new energy power station and real-time control of new energy transmission.

grid structure；regulation characteristics；multi source coordination；real-time control

甘景福(1973-)，男，高级工程师，研究方向为变电站运行与维护。

10.3969/j.ISSN.1672-0792.2017.05.004

2016-10-31。

TM761

A

1672-0792(2017)05-0016-08