基于异质能源多时间尺度互补的动态经济调度策略

刘乔波，谢平平，欧阳金鑫，朱继忠，熊小伏，禤培正

(1. 重庆大学 输配电装备及系统安全与新技术国家重点实验室，重庆 400044；2. 南方电网科学研究院，广东 广州 510663)

0 引言

随着环境问题和能源枯竭问题的日益加剧，风能和太阳能等可再生能源得到了极大的发展，所占能源比重大幅上升。然而，由于风能和太阳能具有间歇性、波动性、随机性以及反调峰特性[1-3]，大规模新能源并网给电力系统的经济调度带来了严重的挑战[4-8]。

异质能源是指能源种类和出力特性不同的能源。风光水火等异质能源在出力时空特性以及调节能力上具有一定的互补性，且其互补特性的强弱与时间尺度有关[9]。充分利用异质能源之间的互补特性形成混合系统联合运行，可有效地缓解单一风力或光伏发电带来的波动性和反调峰特性[10-13]。在混合系统短期调度方面，文献[14]引入环境污染惩罚成本和备用容量惩罚成本，建立了含有风光互补电力的动态经济调度模型；文献[15]将新能源和常规电源打捆调度，提出了计及风、光、水、火4种能源含三层调度模型的日前联合调度方案；文献[16]通过提取不同频率下的风光出力分量，制定各类补偿电站出力计划，提出风光水气储联合系统日前调度策略。然而，现有文献多是针对单一日前时间尺度下互补调度策略的研究，鲜有研究日内时间尺度的互补调度决策，由于日前风光预测存在较大偏差[17]，实际情况下互补系统的互补效果往往大打折扣，日前计划确定的混合电源出力对实际负荷曲线的平滑效果也十分有限，从而导致调度压力和发电费用的增加。

目前，国内传统短期调度主要采用日前调度计划和自动发电控制(AGC)相结合的调度方式，时间尺度跨度大、调度模式较粗放，难以适应大规模新能源接入后的电网调度[17]，现有一些研究通过多时间尺度调度计划的协调配合来提高电网对新能源的消纳能力[18-19]。文献[17]根据风电预测精度随时间尺度逐级提高的特性，提出了多时间尺度协调的有功调度模式；文献[20]将风电和负荷预测值用模糊参数表示，建立了多时间尺度下基于模糊机会约束的动态经济调度模型；文献[21]建立了多时间尺度下协调机组组合的含并网风电电力系统旋转备用预留容量的优化模型。然而，上述文献几乎都只是针对含风电简单混合系统的多时间尺度调度模型，极少考虑光伏，没有利用能源间的互补特性，同时在弃风弃光约束的处理上也比较简单。

基于上述分析，本文提出风光水火等多种异质能源多时间尺度互补的动态经济调度策略。首先，利用异质能源间的互补特性将风光水打捆成虚拟电源VP(Virtual Power)，并定义负荷跟踪指标使VP出力能很好地追踪负荷曲线。同时，建立含日前24 h计划、日内4 h滚动计划以及实时15 min计划在内的多时间尺度互补协同调度模型，设置递进修正的弃风弃光约束，使得前一尺度调度计划中风光消纳困难的时段在下一尺度调度计划中具有更大的弃风弃光上调裕度。利用不断更新的预测信息，考虑不同时间尺度下的互补特性，滚动修正水电、火电调度计划和弃风弃光约束，从而保持VP对负荷的良好追踪，有效地提升互补系统实际的互补和平抑效果，并逐级减轻火电调度压力，最终达到兼顾系统调节效益、环保效益以及经济效益的目的。

1 互补特性分析

1.1 多种异质能源互补特性分析

风光水火等多种异质能源之间的互补特性包括出力时空特性和调节能力2个方面，具体关系如图1所示。

图1 多种异质能源互补特性关系图Fig.1 Complementary characteristics of various heterogeneous energies

风电和光伏出力具有天然的时空互补性。在时间上，风、光这2种能源在各种时间尺度上均具有良好的互补特性。从月时间尺度来看，冬季风能一般较强，太阳能较弱，而夏季风能较弱，太阳能较强，因此夏、冬这2季风光互补特性较好；从日时间尺度来看，晴天太阳能充足，风能较弱，而阴雨天则恰好相反；从小时时间尺度来看，白天光伏电站出力较大，风电机组出力较小，而夜间光伏电站出力为0，风电机组出力较大。在空间上，中国北部大陆和东部沿海广域范围内分布的风能和太阳能具有良好的各时间尺度下的空间互补性，而且2种可再生能源分散的面积越大，日、小时级别时间尺度下的空间互补性就越强[9]。

风电和水电在时间上也呈现良好的互补特性。在我国内陆如西北、华北和东北等地区，往往冬、春季风能丰富，水资源短缺，而夏、秋季则水资源丰富，风能贫乏，构建风水互补系统可以在充分利用风电资源的同时提高水电的调峰能力[22]。

在调节能力方面，各异质能源也形成良好互补。风电、光伏出力主要与环境温度、太阳辐射以及天气变化有关，故其呈现明显的日循环和季循环特征，并具有较强的间歇性与波动性，可控性差。而水电和火电则具有较强的可控性，水电的调节库容使其可在一定范围内自由调节，并不完全受自然降水、河道径流的影响，而火电机组也能通过启停调峰和压出力调峰来应对风光波动。此外，在调解速率方面，水电和火电也具有互补性。调整指令发出后，水电机组通常可在3 s之内快速响应，且调节速率快，可达每秒1%～2%Pe(Pe为额定功率)。而火电机组响应延迟久，调节方向不易改变，调节速率慢，仅为每分钟1.5%～3%Pe[23]。基于此特性，火电机组可用于承担基荷；水电机组则可做快速调节机组，平抑风光波动。

综上所述，利用多种异质能源间的互补特性，将其配置为VP，并合理安排调度方式，将产生较大的综合效益。

1.2 负荷跟踪指标

从上述异质能源互补特性的分析可知，风电和光伏出力具有良好的时空互补性，且水电可控性强、调节速率快，可以快速调节风光出力波动，故从出力时空特性和调节能力两方面综合考虑，将风、光、水这3种能源配置为VP，即风光水电站。为了评价VP出力对负荷曲线的跟踪能力，定义负荷跟踪指标Nr，Nr越小，表明VP出力曲线对负荷曲线的跟踪和平滑效果越好。通过优化，使VP出力曲线与负荷曲线的波动基本一致，达到削峰填谷的目的。经VP平抑后的负荷曲线称为优化负荷曲线Pr，其值等于在负荷曲线上扣除VP的工作位置。

Nr=m1Dt+m2Ds+m3Dc

(1)

(2)

Pv.t=Pw.t+Pp.t+Ph.t

(3)

(4)

Pr.t=PL .t-Pv.t

(5)

(6)

由于风电和光伏出力的可控性差，除少数负荷在低谷时段需适当弃风弃光外，优化VP出力几乎等同于优化水电出力。使VP与常规火电站一起参与系统调度，VP始终保持开机状态，并且当负荷一定时，VP的出力保持不变。

2 滚动调度模型基本架构

由于互补系统的互补效果以及VP对负荷的跟踪能力随时间步长的减少而提高，故本文设计了含日前24 h计划、日内4 h滚动计划和实时15 min计划在内的3种时间尺度的调度计划。

日前24 h计划在每日24∶00制定一次，根据日前24 h共96个时段的风、光及负荷的短期预测值，利用多种异质能源的互补特性，通过负荷跟踪指标Nr安排水电机组出力，在此基础上进一步安排火电机组的启停机计划和大致出力计划。

日内4 h滚动计划每15 min滚动制定一次，在日前24 h计划的基础上，依据最新上报的未来4 h风、光及负荷超短期预测值，在保证VP对负荷良好追踪的前提下，对[t+1，t+17]时段的发电计划进行调整，同时为了避免反复地调整日内滚动计划，仅对[t+16，t+17]时段的水电、火电出力和机组组合状态进行实际在线修正控制。

实时15 min计划也是每15 min滚动制定一次，在日内4 h滚动计划确定的机组出力值的基础上，依据最新的未来15 min实时预测值，对下一个调度时段(未来15 min)的机组出力值进行在线修正。

3种时间尺度的调度计划如图1所示。

图2 各时间尺度调度计划Fig.2 Dispatch plans with different time scales

3 各时间尺度调度模型及求解

3.1 日前24 h计划

日前24 h计划分为两层，即VP优化调度层和火电优化调度层，每层需要遵循一个目标函数。第一层以负荷跟踪指标Nr最小为目标函数，得到VP出力曲线和日前优化负荷曲线Pr.24 h。然后，在Pr.24 h上安排常规火电的工作位置，以火电机组总发电成本最低为第二层的目标函数。

目标函数如下：

minNr=m1Dt+m2Ds+m3Dc

(7)

Ui.t(1-Ui.t-1)Si]

(8)

约束条件如下。

a. 功率平衡约束。

(9)

b. 机组有功出力约束。

(10)

其中，Pw.max为风电机组的出力上限；Pp.max为光伏电站的出力上限；Pmin.h和Ph.max分别为水电机组的出力下限和出力上限；Pmin.i和Pmax .i分别为火电机组i的出力下限和出力上限。

c. 机组爬坡能力约束。

(11)

其中，Ru.i、Rd.i分别为火电机组i的爬坡速率和滑坡速率。

d. 机组最小开停机时间约束。

(12)

e. 弃风、弃光约束。

(13)

f. 系统旋转备用约束。

Rst=Rt.st+Rh.st≥αPw.t+βPp.t+γPL .t

(14)

其中，Rst为t时段系统所能增加的旋转备用总容量；Rt.st、Rh.st分别为t时段火电机组和水电机组所能增加的旋转备用量；α为系统风电出力预测误差对旋转备用的需求；β为光伏出力预测误差对旋转备用的需求；γ为负荷预测误差对旋转备用的需求。

3.2 日内4 h滚动计划

对于当前时段t，依据最新未来4 h风、光及负荷超短期预测值，在保证VP追踪能力的前提下，重新规划[t+1，t+17]时段水电和火电机组出力及机组组合状态。同时，为了避免日内滚动计划反复调节，仅对[t+16，t+17]时段进行实际调整。

日内4 h滚动计划仍包含VP优化调度层和火电优化调度层两层计划。但是，由于本时间尺度较小，周期较短，异质能源互补性的全局性明显次于日前24 h调度计划，若继续以[t+1，t+17]时段内Nr最小值作为VP优化调度层的目标函数，将会使求出的该时段的日内4 h优化负荷曲线Pr.4 h.T与该时段的日前24 h优化负荷曲线Pr.24 h.T出现较大偏差，从而导致火电调度计划的大幅变动。基于此，VP优化调度层直接以本时段的Pr.4 h.T与Pr.24 h.T相同为目标函数来修正水电出力，超出水电调节范围的才更改Pr.4 h.T即调整火电出力计划。

火电优化调度层以本时段内火电出力调整成本和启停成本最低为目标函数。火电机组组合状态的微调主要是按照优先顺序法确定的机组开机优先权来安排中小火电机组的快速启停。

目标函数如下：

Pr.4 h .T=Pr.24 h .T

(15)

(16)

约束条件如下。

a. 弃风、弃光约束。

(17)

其中，Ww.24 h .T、Wp.24 h .T分别为日前计划在[t+1，t+17]时段内所确定的弃风、弃光容量；ΔWw.4 h .T、ΔWp.4 h .T分别为日内滚动计划在该时段内所允许增加的弃风、弃光容量调整量；λ1、λ2为调整系数，按需求设置；C2、C2为常数。

由于日前计划中弃风、弃光量越多的时段，实际调度中越容易出现较强的反调峰特性，风光消纳越容易出现困难，通过这样的修正，可以使得日前计划中弃风、弃光量更大的时段，在日内4 h滚动计划中具有更大的弃风、弃光上调裕度，有效避免可能出现的风光消纳困难的情况，从而优化互补系统的实际互补和平抑效果，减少火电出力的波动，提升系统运行的经济性和安全性。

b. 机组最小开停机时间约束。

启停时间小于4 h的机组才参与启停，即：

(18)

其中，Tstart.i和Tstop.i分别为机组i的启动、停止时间。

其余约束与日前24 h计划类似。

3.3 实时15 min计划

同样地，实时15 min计划通过令下一调度时段的实时15 min优化负荷曲线的取值Pr.min .t与日内 4 h 优化负荷曲线的取值Pr.4 h .t相同来调整VP出力，同时，由于上一时间尺度下的超短期预测精度已经较高，故本时间尺度下水电和火电出力的调整量较小，且机组组合状态不发生调整。此时以火电机组实时调整成本最小为目标，且无机组启停费用项。

目标函数如下：

Pr.min .t=Pr.4 h.t

(19)

(20)

弃风、弃光约束如下：

(21)

其中，Pr.min .t、Pr.4 h .t分别为t时段实时15 min和日内4 h 优化负荷曲线的值；Ww.4 h .t、Wp.4 h .t分别为日内4 h滚动计划在t时段所确定的弃风和弃光容量；ΔWw.min.t、ΔWp.min.t分别为实时15 min调度计划在t时段所允许增加的弃风、弃光容量调整量；λ3、λ4为调整系数，按需求设置；C3、C4为常数。

由于ΔWw.min .t和ΔWp.min .t对应的是时间跨度为1个时间点(15 min)的弃风、弃光调整量，而ΔWw.4 h .T、ΔWp.4 h .T对应的是时间跨度为16个时间点(4 h)的弃风、弃光调整量，因此实时15 min计划的C3、C4应比日内4 h计划的C2、C2的值小。一般可以按照时间跨度的比例确定C3、C4与C2、C2的取值比例，同时考虑到实时调度阶段弃风、弃光的需求可能更为急迫，可以适当为C3、C4的取值保留一定的裕度。

其余约束与日前24 h计划类似。

3.4 模型求解

动态经济调度模型的求解主要包括2个部分：VP优化调度层的求解，火电机组滚动优化调度层的求解。首先通过萤火虫算法(FA)[25]完成日前24 h计划的第一层优化，即VP的优化调度，求取使负荷跟踪度Nr最小的水电机组的出力曲线，基本步骤如图3所示。

图3 算法流程图Fig.3 Flowchart of algorithm

完成VP优化调度层的求解后，再采用优先顺序法求取各机组的启停机顺序，然后通过粒子群优化(PSO)算法的滚动计算求解得出多种时间尺度调度计划下火电机组的机组组合状态、工作位置、发电总费用等，具体流程如下。

a. 采用PSO算法对日前调度模型进行求解：首先随机初始化火电机组所有时段启停状态的初代种群；评价每个粒子的适应度值式(8)，并得到当前个体最优位置和适应度值；更新粒子速度、个体最优位置和全局最优位置；满足迭代次数，则停止搜索，输出日前调度计划的机组组合状态、工作位置和发电总费用，否则返回继续搜索。

b. 将日前调度计划求得的机组组合状态和工作位置直接代入日内滚动模型中作为输入量，以式(16)作为适应度值函数，仍采用PSO算法求解得到快速启停机组的机组状态、各机组工作位置以及调整费用。

c. 将日内滚动计划求得的机组组合状态和工作位置直接代入实时调度模型中作为输入量，以式(20)作为适应度值函数，继续采用PSO算法优化求解得到所有机组的工作位置以及调整费用。

4 算例分析

图4 负荷预测曲线Fig.4 Predictive curves of load

图5 风电出力预测曲线Fig.5 Predictive curves of wind power

图6 光伏出力预测曲线Fig.6 Predictive curves of photovoltaic power

以某地区为例，该地区共有26台火电机组，机组参数见附录中表A1，总装机容量为3 105 MW；水电总装机容量为1 500 MW，水电机组出力下限为50 MW， 上限为1 500 MW；风电总装机容量为1 400 MW；光伏总装机容量为800 MW。图4 — 6分别为该地区电网某夏季典型日上报的各时间尺度下负荷、风电及光伏功率预测曲线。负荷跟踪指标权重系数m1=4、m2=4、m3=1。允许的最大弃风率δ2=0.05[26]，弃风调整系数λ1=λ3=0.1，由于光伏出力的不确定性较风电出力的不确定性更小，且光伏仅在白天出力，为了更好地利用风、光出力的互补性，应尽可能多地消纳光伏出力，因此，令最大弃光率和弃光调整量适当小于最大弃风率和弃风调整量，最大弃光率δ2=0.03，弃光调整系数λ2=λ4=0.06，常数项C1=10 MW·h，C2=6 MW·h，C3=1 MW·h，C4=0.6 MW·h。

4.1 优化调度结果

首先，对一天24 h连续的日前-日内-实时调度结果进行分析。

在日前24 h计划中，首先以式(7)为目标函数求出使Nr最小的VP出力，负荷曲线扣除VP出力后进一步得到日前优化负荷曲线Pr.24 h，即火电出力曲线；接着，在Pr.24 h的位置以式(8)为目标函数安排26台火电机组的工作位置，完成日前24 h计划的第二层优化；然后，利用日内4 h滚动调度和实时15 min 调度计划对日前调度结果进行递进修正，最终的调度结果如图7所示。从图中可以看出，通过多时段滚动修正，VP出力曲线可以很好地跟踪负荷曲线，使得火电出力曲线在大部分时段非常平滑，只在30 —40时间点之间出现较明显的凸起，主要原因是此时段为负荷高峰期，而风电和光伏出力较弱，水电出力上调至最大值仍无法填补功率缺额，故只能上调火电出力。

图7 24 h连续的日前-日内-实时调度结果Fig.7 Day-ahead，intra-day and real-time dispatch results in 24 h

图8显示了经过递进修正后的各时间尺度调度计划下的弃风、弃光情况。88—96时间点为深夜负荷低谷期，光伏出力为0，但风电出力大幅增加，具有强烈的反调峰特性，超过了水电的调节极限，日前24 h计划确定的弃风容量已达弃风约束上限。在日内4 h滚动计划和实时15 min计划中，此时段的风电出力预测值进一步增大，通过式(17)和式(21)对弃风、弃光约束进行上调修正后，实际的弃风量较日前计划略微增加，避免了风光消纳困难的情况，减少了火电出力的波动，通过少量风电的牺牲换取了互补系统互补效果和平抑效果的提升。

图8 不同时间尺度调度计划下的弃风情况Fig.8 Wind curtailment of different time-scale dispatch plan

为进一步分析不同时间尺度计划下火电机组的调节情况，选取第32个时间点进行具体分析。该时间点的风、光及负荷日内4 h超短期预测值较日前24 h短期预测值的偏差量分别为-48.3%、-41.2%、6.9%，而实时15 min预测值相较于日内4 h超短期预测值的偏差量分别为-14.3%、-12.5%、1.27%。

在日内4 h滚动计划中，为了填补较大的功率缺额，首先应调用优先级更高的水电机组，上调水电机组出力至其上限后，剩余303 MW的功率缺额需通过火电机组填补，26台火电机组的出力调整情况如表1所示。由于将日前24 h计划中所有开机机组出力上调至其最大调节速率也无法填补功率缺额，故应按已求出的机组启停顺序表，新开经济性较好的13号快速启停机组，同时，其余已开机机组均达到其调节极限。

表1 第32个时间点火电机组在各时间尺度下的出力及调整值Table 1 Output and adjustment power of thermal power units during 32nd period with different time scales

在实时15 min调度计划中，由于功率缺额进一步增大，故需要继续上调火电机组出力。由于此时预测偏差量较小，无需开启新机组，只需上调已开启机组出力即可。优先将经济性最好的17、18号机组增出力至满发，再增加19号机组出力至满足功率缺额。实时15 min计划调整量比日内4 h滚动计划的功率调整量小，符合实际情况。通过各时间尺度调度计划的递进协调，实现了预测偏差量的逐级消纳，减轻了调度人员及AGC机组的调节负担。

4.2 与其他互补调度模型的对比分析

为了分析本文所提互补调度模型的优越性，将其与另外3种互补调度模型进行对比研究。

调度模型A：多时段风光全消纳模型。采用本文所提多时间尺度滚动调度模型，但风光全消纳。

调度模型B：日前调度风光全消纳模型。仅采用本文所提日前24 h调度模型对各种能源进行配置，且风光全消纳。

调度模型C：日前调度弃风弃光模型。仅采用本文所提日前24 h调度模型对各种能源进行配置，但适当弃风、弃光。

各种调度模式下VP对负荷曲线的追踪情况以及火电机组出力曲线分别如图9、图10所示。可以看出，本文所提调度模型中VP对负荷的追踪最好，相应的火电机组出力曲线也最平滑。同样采用多时间尺度滚动调度模型的模型A与本文所提调度模型的曲线走势基本一致，但由于未适当弃风、弃光，其火电机组出力曲线在第90个时间点之后出现明显缺口。同时，由于未进行滚动修正，模型B和C中VP的追踪情况很差，火电机组出力曲线波动剧烈，其中，未适当弃风、弃光的模型B最差。

图9 各调度模型下VP出力情况Fig.9 Output power of VP in each dispatch model

图10 各调度模型下火电出力曲线Fig.10 Output power of thermal power units in each dispatch model

图11—13给出了4种调度模型下水电和火电的功率调整量，调整量是当前尺度调度计划相对于前一尺度调度计划而言的。可以看出，本文所提调度模型的火电调整量最小，2种时间尺度的调度计划中，水电机组均承担了大部分的调节任务，且实时15 min计划中水电、火电出力调整量要明显小于日内4 h滚动计划中的调整量，实现了递进调节。模型A与本文所提调度模型的调整量接近，但由于未适当弃风、弃光，深夜负荷低谷时段的火电调整量明显增大。模型B和C中无多时间尺度递进调节，没有对日前计划确定的水电出力进行修正，仅依靠AGC机组参与快速调节，故只有火电调整量，且调整量均很大。

图11 本文所提调度模型下水电、火电功率调整情况Fig.11 Power adjustment of hydropower and thermal power units in proposed dispatch model

图12 调度模型A下水电、火电功率调整情况Fig.12 Power adjustment of hydropower and thermal power units in dispatch model A

图13 调度模型B、C下水电和火电功率调整情况Fig.13 Power adjustment of hydropower and thermal power units in dispatch model B and C

表2比较了本文所提调度模型与调度模型A、B、C的弃风、弃光量和发电费用。可以看出，本文所提调度模型的发电费用最少，模型B的发电费用最多。尽管弃风容量非常接近，包含多时段滚动计划的本文调度模型的发电费用明显低于仅含日前调度的调度模型C。同时，对比本文调度模型和模型A可知，少量的弃风可以带来发电费用的明显降低，更有利于系统运行的经济性。

表2 各调度模型的弃风、弃光指标和发电总费用比较Table 2 Comparison of wind curtailment，solar curtailment and generation costs among four dispatch models

4.3 负荷跟踪指标权重系数影响分析

为了分析权重系数对负荷跟踪指标优化结果的影响，选取不同负荷跟踪指标权重系数的组合对Nr进行优化，并求出相应的相对波动率Dt、负荷波动标准差Ds、负荷功率变化率Dc以及日前24 h调度计划的发电费用Ccost和弃风容量(弃光容量均为0)等指标，如表3所示。

表3 不同负荷跟踪指标权重系数组合下的优化结果Table 3 Optimization results with different combination of load tracking index weight coefficients

可以看出，m1、m2、m3分别取4、4、1时，优化结果最好。分析表3数据可知，单独增加某一指标的权重，可适当减小该指标的优化结果，但同时会略微恶化另2个指标的优化结果。若同时增加2个指标的权重，则可适当减小该2个指标的值，优化结果较单独增加1个指标权重的结果更好。但权重系数也不是越大越好，不论是单独增加1个还是同时增加2个指标的权重，当权重系数继续增加到8时，优化结果都反而不如为4时好。进一步分析可知Dt和Ds对发电费用的影响较大，这2个指标越小则发电费用越小，Dt对弃风容量的影响也较大，Dt越小，弃风容量越小。

同时也可以看出，权重系数的变化对优化结果的影响较小。

5 结论

针对目前单一的互补系统日前调度模型难以保证互补系统实际的互补及平抑效果的问题，本文提出了基于异质能源多时间尺度互补的动态经济调度策略，该策略具有如下特点。

a. 利用负荷跟踪指标，VP可以很好地跟踪负荷曲线的波动，从而有效地平抑火电机组出力曲线。

b. 通过设置递进修正的弃风、弃光约束，使前一尺度调度计划中弃风、弃光容量更多的时段在下一尺度调度计划中具有更大的弃风、弃光上调裕度，有效地避免可能出现的风光消纳困难的情况，缓解间歇性电源的反调峰特性，以少量的弃风、弃光换取VP互补效果和追踪能力的最大化。

c. 通过日内多时间尺度的互补调度计划，滚动修正水电和火电出力，能够保持VP对负荷的良好追踪，从而保证互补系统实际的互补和平抑效果。同时，也实现了火电机组的递进调节，有效地减轻了调度人员及AGC机组的调节负担。

整个调度计划将异质能源互补发电与多时间尺度调度计划有效地结合，实现了调节效益、环保效益和经济效益的最大化，为多种新能源并网问题提供了有价值的解决方案。

附录见本刊网络版(http:∥www.epae.cn)。

参考文献：

[1] 肖创英，汪宁渤，陟晶，等. 甘肃酒泉风电出力特性分析[J]. 电力系统自动化，2010，34(17)：64-67.

XIAO Chuangying，WANG Ningbo，ZHI Jing，et al. Power characteristics of Jiuquan wind power base[J]. Automation of Electric Power Systems，2010，34(17)：64-67.

[2] 汪宁渤. 甘肃酒泉千万千瓦风电基地面临的挑战与应对措施[J]. 电网与清洁能源，2009，30(7)：43-47.

WANG Ningbo. Challenges and countermeasures of Jiuquan 10 million kilowatts wind power base in Gansu[J]. Power System and Clean Energy，2009，30(7)：43-47.

[3] 温步瀛，卢鹏铭. 考虑季节差异性的不同时间尺度含风电系统旋转备用优化研究[J]. 电工电能新技术，2015，34(7)：45-52.

WEN Buying，LU Pengming. Spinning reserve optimization of power system with grid connected wind power at different time scales considering seasonal difference[J]. Advanced Technology of Electrical Engineering and Energy，2015，34(7)：45-52.

[4] 李茜，刘天琪，何川，等. 含风电系统的有功和备用协调优化方法[J]. 电力自动化设备，2016，36(7)：7-14.

LI Qian，LIU Tianqi，HE Chuan，et al. Coordinated optimization of active power and reserve capacity for power grid with wind farm[J]. Electric Power Automation Equipment，2016，36(7)：7-14.

[5] 刘立阳，孟绍良，吴军基. 基于风电预测误差区间的动态经济调度[J]. 电力自动化设备，2016，36(9)：87-92.

LIU Liyang，MENG Shaoliang，WU Junji. Dynamic economic dis-patch based on wind power forecast error interval[J]. Electric Power Automation Equipment，2016，36(9)：87-92.

[6] STURT A，STRBAC G. Efficient stochastic scheduling for simulation of wind-integrated power systems[J]. IEEE Transactions on Power Systems，2012，27(1)：323-334.

[7] SILVA A M L L D，SALES W S，MANSO L A D F，et al. Long-term probabilistic evaluation of operating reserve requirements with renewable sources[J]. IEEE Transactions on Power Systems，2010，25(1):106-116.

[8] DENNY E，O’MALLEY M. Wind generation，power system opera-tion，and emissions reduction[J]. IEEE Transactions on Power Systems，2006，21(1):341-347.

[9] 刘怡，肖立业，Haifeng WANG，等. 中国广域范围内大规模太阳能和风能各时间尺度下的时空互补特性研究[J]. 中国电机工程学报，2013，33(25)：20-26.

LIU Yi，XIAO Liye，Haifeng WANG，et al. Temporospatial complementarities between China’s wide-area wind and solar energy at different time scales[J]. Proceedings of the CSEE，2013，33(25)：20-26.

[10] 牛林华，龚庆武，黄炳翔，等. 大规模风电入网下的风气火电力系统联合优化调度[J]. 电力自动化设备，2015，35(11)：52-58.

NIU Linhua，GONG Qingwu，HUANG Bingxiang，et al. Optimal dispatch of wind-gas-coal power generation system with large-scale wind farm[J]. Electric Power Automation Equipment，2015，35(11)：52-58.

[11] YANG H，LU L，ZHOU W. A novel optimization sizing model for hybrid solar-wind power generation system[J]. Solar Energy，2007，81(1)：76-84.

[12] KAABECHE A，BELHAMEL M，IBTIOUEN R. Sizing optimization of grid-independent hybrid photovoltaic/wind power generation system[J]. Energy，2011，36(2)：1214-1222.

[13] RASOUL A，TAHER N，ALIREZA R，et al. Probabilistic multi-objective wind-thermal economic emission dispatch based on point estimated method[J]. Energy，2012(37)：322-335.

[14] 林虹江，周步祥，胡庆有，等. 基于风光互补电力入网的电力系统动态经济调度[J]. 可再生能源，2014，32(11)：1671-1677.

LIN Hongjiang，ZHOU Buxiang，HU Qingyou，et al. Dynamic economic dispatch of power system with wind-PV power connected to grid[J]. Renewable Energy Resources，2014，32(11)：1671-1677.

[15] 曾雪婷，刘天琪，李茜，等. 基于虚拟电源配置策略的风光水火多源互补短期优化调度[J]. 电网技术，2016，40(5)：1379-1386.

ZENG Xueting，LIU Tianqi，LI Qian，et al. Short-term complemen-tary optimal dispatch model of multi-source hybrid power system based on virtual power configuration strategy[J]. Power System Technology，2016，40(5)：1379-1386.

[16] 马静，石建磊，李文泉，等. 基于功率多频率尺度分析的风光水气储联合系统日前调度策略[J]. 电网技术，2013，37(6)：1491-1498.

MA Jing，SHI Jianlei，LI Wenquan，et al. A day-ahead dispatching strategy for power pool composed of wind farms，photovoltaic generations，pumped-storage power stations，gas turbine power plants and energy storage[J]. Power System Technology，2013，37(6)：1491-1498.

[17] 张伯明，吴文传，郑太一，等. 消纳大规模风电的多时间尺度协调的有功调度系统设计[J]. 电力系统自动化，2011，35(1)：1-6.

ZHANG Boming，WU Wenchuan，ZHENG Taiyi，et al. Design of a multi-time scale coordinated active power dispatching system for accommodating large scale wind power penetration[J]. Automation of Electric Power Systems，2011，35(1)：1-6.

[18] 王魁，张步涵，闫大威，等. 含大规模风电的电力系统多时间尺度滚动协调调度方法研究[J]. 电网技术，2014，38(9)：2434-2440.

WANG Kui，ZHANG Buhan，YAN Dawei，et al. A multi-time scale rolling coordination scheduling method for power grid integrated with large scale wind farm[J]. Power System Technology，2014，38(9)：2434-2440.

[19] 黄杨，胡伟，闵勇，等. 考虑日前计划的风储联合系统多目标协调调度[J]. 中国电机工程学报，2014，34(28)：4743-4751.

HUANG Yang，HU Wei，MIN Yong，et al. Multi-objective coordinative dispatch for wind-storage combined systems considering day-ahead generation schedules[J]. Proceedings of the CSEE，2014，34(28)：4743-4751.

[20] 翟俊义，任建文，周明，等. 含风电电力系统的多时间尺度模糊机会约束动态经济调度模型[J]. 电网技术，2016，40(4)：1094-1099.

ZHAI Junyi，REN Jianwen，ZHOU Ming，et al. Multi-time scale fuzzy chance constrained dynamic economic dispatch model for power system with wind power[J]. Power System Technology，2016，40(4)：1094-1099.

[21] 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.

LU Pengming，WEN Buying，JIANG Yuewen. Study on optimization of spinning reserve in wind power integrated power system based on multiple timescale and unit commitment coordination[J]. Power System Protection and Control，2015，43(5)：94-100.

[22] 翁莎莎，云天吉. 基于AGC的风力、水力互补发电系统的研究[J]. 新能源，2011，10(31)：53-55.

WENG Shasha，YUN Tianji. Research on wind and hydro power complementary generation system based on AGC[J]. New Energy，2011，10(31)：53-55.

[23] 宋兆星，骆意，李国胜. 发电机组类型对 AGC 运行性能的影响及对策[J]. 电网技术，2005，29(18)：17-21.

SONG Zhaoxing，LUO Yi，LI Guosheng. The influence and counter measure of generating unit’s type on AGC operation performance[J]. Power System Technology，2005，29(18)：17-21.

[24] 徐林，阮新波，张步涵，等. 风光蓄互补发电系统容量的改进优化配置方法[J]. 中国电机工程学报，2012，32(25)：88-98.

XU Lin，RUAN Xinbo，ZHANG Buhan，et al. An improved optimal sizing method for wind-solar-battery hybrid power system[J]. Proceedings of the CSEE，2012，32(25)：88-98.

[25] 刘文学，梁军，贠志皓，等. 考虑节能减排的多目标模糊机会约束动态经济调度[J]. 电工技术学报，2016，31(1)：62-70.

LIU Wenxue，LIANG Jun，YUN Zhihao，et al. Multi-objective fuzzy chance constrained dynamic economic dispatch considering energy saving and emission reduction[J]. Transactions of China Eletrotechnical Society，2016，31(1)：62-70.

[26] 董文略，王群，杨莉. 含风光水的虚拟电厂与配电公司协调调度模型[J]. 电力系统自动化，2015，39(9)：75-82.

DONG Wenlüe，WANG Qun，YANG Li. A coordinated dispatching model for a distribution utility and virtual power plants with wind/photovoltaic/hydro generators[J]. Automation of Electric Power System，2015，39(9)：75-82.