风光水发电系统联合调度规则提取

沈 筱，方国华，谭乔凤，闻 昕

(河海大学水利水电学院，江苏 南京 210098)

清洁能源的开发利用越来越受到国内外的关注，但风能、太阳能等清洁能源具有随机波动性[1]，这类电源的并网发电将对电网的稳定产生冲击，对电能质量产生不良影响[2]。为此，国内外已有大量研究针对可再生能源的互补开发利用。李劲彬等基于频谱分析确定风能、太阳能接入容量的最佳配比，提高可再生能源发电系统的经济效益[3]。Ming等建立长期与短期调度决策相结合的嵌套模型，确定接入水电站的光伏电站的最佳规模[4]。陈丽媛等建立最低成本的优化模型，提出风光水互补发电系统的调度策略[5]。目前，针对水库群与其他多种可再生能源结合形成的互补系统的调度决策，国内外相关研究较少。

本文在前人研究的基础上，研究梯级水库群接入光伏电站、风电场后的调度规则。以雅砻江下游梯级水库群为例，在确定性优化模型计算结果的基础上，基于GRA分析结果确定各时期影响因子，应用BP人工神经网络提取调度规则。

1 多能互补优化调度模型

1.1 目标函数

建立以风光水发电系统发电量最大为目标的模型，目标函数为：

(1)

1.2 约束条件

水量平衡约束Vi，t+1=Vi，t+(Ii，t-QFi，t-qi，t)Δt

(2)

(3)

(4)

(5)

梯级水库之间的水力联系Ii+1，t=QJi，t+Qi，t

(6)

(7)

(8)

2 调度规则提取

2.1 决策变量和影响因子

水库调度规则的决策变量一般选择时段的下泄流量、时段的出力或者时段末的水库蓄水量，从调度规则的有效性检验结果看，以时段末的水库蓄水量为决策变量较好[6]。本文选择时段末的水库蓄水量为决策变量，初定水库自身所处的状态(时段初的水库蓄水量和入库流量)、与该水库有联系的其他水库所处的状态、接入各水电站的风电场以及光伏电站的平均出力作为影响因子。

2.2 灰色关联分析确定影响因子

灰色关联分析是根据因素之间发展趋势的相似或相异程度衡量因素间关联程度的一种方法。灰色关联度可找出系统中各影响因素的主次关系，为系统决策提供信息，即使在数据量不充足的情况下仍能反应系统内部演变的规律。对于水库调度规则的提取，基于灰色关联分析结果可筛选影响因子[7]。

灰色关联分析一般需要以下步骤[8]：①确定参考数列与比较数列，由决策变量(时段末的水库蓄水量)组成参考数列，影响因子组成比较数列；②无量纲化处理初始序列；③计算关联系数；④计算关联度；⑤关联度排序，将关联度从小到大排列，关联度越大，该比较数列对参考数列的影响越大。

2.3 基于BP人工神经网络工具箱的调度规则提取

BP人工神经网络是采用误差逆传播算法进行误差校正的多层前馈网络，由输入层、隐含层和输出层组成[9]。本文使用Matlab中神经网络工具箱进行神经网络的创建、训练和预测，将数据样本分为训练样本和测试样本，训练网络并提取优化调度下的水库群调度规则。隐层结点数可根据经验公式s=2a+1 取值(a为输入层结点数)[10]。

3 实例研究

3.1 雅砻江下游梯级水库群

以雅砻江下游梯级水库群为实例研究对象。下游河段从锦屏一级至江口共有5级开发，依次为锦屏一级(3 600 MW)、锦屏二级(4 800 MW)、官地(2 400 MW)、二滩(3 300 MW)以及桐子林(600 MW)。其中，锦屏一级、二滩水电站水库分别具有年调节、季调节能力，其余仅进行日调节。本文以锦屏一级和官地为典型工程，考虑接入其周边全部风能、太阳能资源。

本文选用1953年～2011年逐月径流数据。为了与水文资料尺度相匹配，风电、光电出力数据以月为尺度，分别按各水电站装机容量控制其送出能力。由于水电具有较好的调节性能，本文假设系统优先送出风电、光电。以风光水互补系统多年平均年发电量最大为目标，运用动态规划逐次逼近法(DPSA)得到梯级水库群长系列优化调度结果。动态规划逐次逼近法(DPSA)将多维问题转化为多个一维问题进行求解，降低了算法的时间复杂度和空间复杂度[11]。

3.2 优化调度结果

运用DPSA求解多能互补优化调度模型得到系统最优调度轨迹。由图3可知，风电、光电呈现“冬春季大，夏秋季小”的规律，水电、风电以及光电的自身出力存在季节上的互补。由图1至图4可知，风光水联合优化下，供水阶段，锦屏一级、二滩水电站水库水位略有提高，非汛期水库可增加蓄水，提高水电出力；蓄水阶段，由于系统优先送出风电与光电，且受到外送通道的限制，汛期锦屏一级水电出力受限；供水期结束时，水库水位更低，水电出力较未接入风光时有所提高，增加水电出力。

图1 接入风、光前后锦屏一级水库多年平均月末水位

图2 接入风、光前后二滩水库多年平均月末水位

表1 锦屏一级水电站水库逐月关联度计算结果以及影响因子选取结果

图3 接入风、光前后锦屏一级水电站多年平均出力

图4 接入风、光前后二滩水电站多年平均出力

3.3 基于优化调度的调度规则提取

3.3.1决策变量与影响因子选择

根据灰色关联分析计算影响因子和决策变量之间的关联程度，由此确定各发电阶段的影响因子。由于篇幅限制，以锦屏一级水电站水库为例列出影响因子选取结果见表1。

3.3.2调度规则提取

分别以1953年～2002年、2003年～2011年的多能互补优化调度模型求解结果为训练样本、检验样本，通过Matlab神经网络工具箱实现BPANN训练过程，将样本数据带入训练好的模型中得到拟合结果。为提高网络的泛化能力、防止过拟合，将网络的拟合误差控制在10%以内，本文用BP人工神经网络拟合得到的时段末水库蓄水量与DPSA优化调度结果间的相对误差来表示[12]。

由于篇幅原因，锦屏一级、二滩BPANN网络拟合结果以4月为例进行说明，如表2所示。由表2可知，该BP人工神经网络调度规则合格率较高，且检验期平均误差小于4%，对水库最优运行轨迹的拟合效果较好，可满足实际调度的需求。

表2 锦屏一级、二滩4月BPANN网络拟合结果

3.4 不同调度方案对比分析

在本文提取得到的调度规则的基础上，以各水电站自身约束、外送通道限制等约束为基本约束，以优化调度的BPANN模拟水库时段末蓄水量为基本条件，对雅砻江下游水库群进行长系列模拟调度。

比较4种调度方案结果，可分析得到风光水互补系统的优越性和调度规则的有效性。具体方案如下：方案1，风光水联合优化调度，即多能互补优化调度模型求解结果；方案2，调度规则模拟调度，在方案1结果的基础上进行模拟调度；方案3，水库常规调度与风电、光电直接输出；方案4，水库优化调度与风电、光电直接输出。其中，方案3、4未进行风光水联合调度，且系统优先送出风电与光电。

对于4种调度方案，计算雅砻江下游水库群、风电场以及光伏电站的多年平均总发电量。由表3可知，风光水联合优化调度方案下的系统总发电量最大，达到872.80亿kW·h，与水库优化调度与风电、光电直接输出方案相比，提高2.68亿kW·h，水库常规调度与风电、光电直接输出时，系统多年平均总发电量最小；这是由于考虑水电、风电与光电在季节上的互补运行后，非汛期水库可蓄更多的水，以便提高汛期的发电量。调度规则模拟调度方案下的系统总发电量小于风光水联合优化调度，降低了6.16亿kW·h，即减少了0.70%；与水库常规调度与风电、光电直接输出方案比较，提高了28.35亿kW·h，即增加了3.38%。因此，风光水联合优化调度基础上提取的调度规则，可较好地保持联合优化调度的发电效益。

表3 四种调度方案下的系统多年平均年发电量对比

4 结 论

本文在确定性优化的基础上，提取风光水互补系统的调度规则。以雅砻江下游梯级水库群为研究对象，建立了以系统总发电量最大为目标的确定性优化模型，采用DPSA获得最优调度轨迹，利用GRA确定各时期影响因子，应用BP人工神经网络提取调度规则：风光水联合优化调度下系统的发电量最高，这是由于水电、风电和光电在季节上存在互补性，风电和光电可弥补水电在非汛期的发电不足；调度规则模拟下系统发电量较水库常规调度与风电、光电直接输出方案提高3.38%，但低于风光水联合优化调度方案0.70%。因此，在风光水联合优化调度基础上提取的调度规则可行，且能较好地保持确定性优化调度的发电效益，为风光水互补系统实际优化运行提供依据。本文仍存在一些不足，如仅选用BP人工神经网络方法，在今后研究中需进一步探讨其他方法在提取风光水互补系统的调度规则上的应用。