能源转型背景下电力系统不确定性及应对方法综述

徐潇源，王 晗，严 正，鲁卓欣，康重庆，谢开贵

（1.电力传输与功率变换控制教育部重点实验室（上海交通大学），上海市 200240；2.电力系统及大型发电设备安全控制和仿真国家重点实验室（清华大学），北京市 100084；3.输配电装备及系统安全与新技术国家重点实验室（重庆大学），重庆市 400044）

0 引言

传统化石能源的大量使用，不仅使得其储量大幅下降，还导致生态和气候环境持续恶化。走清洁化发展道路，大力发展可再生能源，实现能源结构转型已经成为全球共识。2020年12月，国务院新闻办公室发布《新时代的中国能源发展》白皮书，清晰描绘了中国2030年实现“碳达峰”、2060年实现“碳中和”的路线图，为推动中国能源生产和消费的低碳化转型指明了方向。

在能源结构低碳化转型的背景下，构建以新能源为主体的新型电力系统将成为实现“碳达峰”“碳中和”目标的重要手段，这使得电力系统从确定性系统向强不确定性系统转变。在电源侧，高比例可再生能源成为新型电力系统的主要特征；不同于常规水电、火电，可再生能源发电受到气象条件与环境因素的影响，其出力表现出间歇性与波动性的特点；大规模可再生能源接入使得电力系统运行具有显著不确定性。在负荷侧，随着电动汽车的广泛接入，供需互动的日益频繁，以及用户侧光伏与储能的发展，负荷表现出主动性和复杂性的特征。在电网侧，输电网受到随机源荷的影响，会出现大范围潮流波动；配电网由被动配电网向主动配电网发展，但是受限于有限量测信息，存在“弱可观系统-强随机状态-高控制要求”的突出矛盾。

因此，相比于传统电力系统中变化较为规律的不确定性因素，能源转型下的电力系统不确定性因素显著增加，传统确定性分析方法已经不能满足电力系统的发展需求，关于电力系统不确定性的研究得到了广泛关注。目前，已有较多文献研究了各种不确定性应对方法与手段，包括不确定性因素建模、考虑不确定性因素的电力系统分析、控制以及调度、采用电化学储能、电制氢等手段降低不确定性因素的影响等。考虑到不确定性对能源转型研究带来的挑战，文献［1］揭示了电力系统中各类不确定性因素的本质，梳理了关于电力系统不确定性的研究方法，在宏观层面提出了未来研究方向。本文则在上文基础上，针对能源转型下的强随机性电力系统运行这一具体问题，从不确定性建模、分析与应对等各方面总结已有成果、阐述研究难点、探讨未来研究方向。不同于已有的关于电力系统不确定性的综述性文献［2-3］，本文并非详细介绍某类方法，而是主要探讨各类方法背后的科学问题与数学方法，提出应对不确定性的方法和手段。

本文主要从不确定性因素建模、不确定性因素影响评估、不确定性环境下决策以及不确定性平抑措施等4个方面阐述能源转型下电力系统不确定性及其应对措施。首先，总结不确定性因素建模的主要方法与未来研究重点；其次，从考虑不确定性因素的电力系统分析和关键不确定性因素辨识两方面，探讨不确定性因素影响评估的关键技术；然后，分别针对不确定性环境下的电力系统调度问题以及数据驱动的系统状态感知与优化问题，阐述基于解析数学模型的优化理论以及人工智能技术的应用场景及其各自特点；最后，讨论降低不确定性因素影响的主要手段，包括储能应用、供需互动、多能互补以及电力网-交通网协调运行。

1 不确定性因素建模

不确定性因素建模是分析电力系统不确定性的基础。不确定性的认知程度可划分为随机性、模糊性、无知3个方面［1］，本文主要研究在电力系统分析中讨论最为广泛的随机性。随机性层面的不确定性因素刻画方法主要包括统计型不确定性表征方法（可给出概率分布函数）和场景型不确定性表征方法（可给出波动区间）［4］。在电力系统中，较多采用统计型不确定性表征方法，即概率分布函数，表示源-网-荷各环节中的不确定性因素。概率分布建模需要解决两方面的问题：①单个随机变量建模；②多个随机变量联合建模。

单个随机变量建模主要分为参数与非参数方法。参数方法是最为常用的不确定性因素建模方式，例如，采用高斯分布表示负荷预测误差，采用威布尔分布表示风速概率分布等等［5］。考虑到参数方法可能无法准确表示随机变量的复杂概率特征，有研究采用核密度估计等非参数方法建立风电、光伏发电功率的概率分布函数［6-7］。相比于参数方法，非参数方法不依赖于特定的概率分布函数，而是基于历史数据刻画不确定性因素的统计特征，因此能够更加准确地表示可再生能源发电功率的上下界、多峰分布等特征。

除了对单个随机变量进行建模外，还需要考虑不同随机变量之间的相关性：处于相邻位置的风电场受到相近气象因素的影响，其出力表现出很强的时空相关性；处于相邻节点的用户可能具有相似的用电行为，负荷之间也呈现出一定的相关性。随机变量之间相关性的建模方式包括线性相关系数、秩相关系数、Copula函数等等［8］。其中Copula函数可以详细刻画非正态随机变量之间的相依关系，成为随机变量联合概率分布建模的常用手段。

近十年来，电力系统不确定性因素建模得到了长足发展，各种统计学方法被应用于可再生能源发电、电动汽车充电负荷的建模与评估，准确揭示了随机性源荷的宏观统计行为。需要说明的是，不确定性因素建模需要考虑其在中长期、短期以及超短期时间尺度上所表现出的统计特征差异性，以准确反映不确定性因素在不同时间尺度上对电力系统的影响。在上述已有研究的基础上，关于不确定性因素建模，可从以下几方面进一步开展研究。

1）源荷概率预测

概率预测技术分为区间预测和密度预测，前者给出在某个置信度下可再生能源发电功率或者负荷的置信区间［9］，后者则是预测未来时刻出力的概率密度函数或累积分布函数。密度预测相比于区间预测能给出更多的参考信息，常用的密度预测方法包括分位数回归、核密度估计等等［10］。与其他不确定性因素建模方法的明显区别在于：传统建模方法是针对历史数据的分析，而概率预测力求获得未来短期时间内不确定性因素的变化特征，因此概率预测更加适用于电力系统的短期运行问题。

尽管目前已有大量文献针对风电、光伏发电、负荷概率预测问题开展了相关研究［11-13］，但概率预测本身还存在若干问题有待解决：分位数回归方法存在分位数交叉问题，即分位数预测值不随相应的概率值增加而增加［14］；核密度估计的密度泄露（density leakage）现象［15］，导致出现预测值超过随机变量取值范围的问题；考虑源荷时空相关性的高维概率预测的技术瓶颈仍未突破等等。随着可再生能源以及主动负荷在电力系统中渗透率的提高，攻克上述技术难题、提高概率预测的准确性与可靠性，对电力系统运行与控制具有重要意义。

2）元件随机故障建模

相比于源荷功率波动，线路、发电机、变压器等电力系统元件的随机故障对系统运行的影响更为显著，同时其不确定性更加难以刻画。在现有研究中，一般采用离散概率分布函数表示元件的随机故障。文献［16］指出元件故障的统计指标难以准确表达实际运行中线路出现故障的可能性，因此其采用模糊数学表示架空线的运行不确定性。

针对元件故障建模，一种可行的思路是并非直接建立其概率分布模型，而是基于元件故障历史数据建立其概率分布的模糊集，然后解决考虑元件故障的随机优化问题，以应对元件故障对电力系统运行的影响［17］。另外，随着微气象监测系统的发展，能够获得电力系统运行的环境与气象因素，因此可构建元件故障概率与自身运行状态、周边运行环境的详细模型，更加客观地建立元件故障的不确定性模型。该方法已经被用于极端条件下电网韧性的研究中，有望在未来得到更多的发展与应用。

3）分布式可再生能源建模

当前，不确定性因素的建模对象主要为集中式的风电、光伏发电以及主网负荷等等，对处于电网末端的分布式可再生能源关注较少。随着分布式可再生能源接入比例的不断提高，其对电力系统运行的影响不容忽视。相比于集中式可再生能源，分布式可再生能源发电的容量较小，出力变化规律复杂；同一配电网中分布式光伏发电受到相同气象因素的影响，其出力表现出空间上具有一致性、时间上具有复杂性的特征，传统大规模可再生能源发电功率建模方法难以应用于分布式光伏发电功率建模［18］。此外，值得关注的是，配电网中存在较多量测背后（behind-the-meter，BTM）的分布式光伏、用户侧储能，显著影响节点负荷的特性。对此，有学者研究了节点注入功率的发电-负荷分解、分布式光伏发电容量估计［19-20］等等问题，以辨识节点净注入功率所包含的各个成分，提高配电网运行水平。

2 不确定性因素影响评估

2.1 不确定性因素的影响

在构建电力系统源-网-荷不确定性因素模型后，量化评估上述不确定性因素对电力系统运行的影响则成为电力系统不确定性分析的关键。不确定性因素的影响具体包括如下几个方面。

1）经济性

高比例可再生能源电力系统的调度需要考虑系统运行不确定性的影响。可再生能源出力的间歇性、负荷的波动性等因素将直接影响机组启停机计划、出力分配以及备用容量留取，从而影响系统运行的经济性［21］。

2）安全性

源-网-荷各环节的不确定性特征将直接影响系统运行的安全性。元件随机故障、可再生能源出力随机波动使得系统运行中线路潮流过载以及节点电压越限的概率增加，进而影响系统内的安全供电［22］。

3）稳定性

不确定性因素将使得系统频率和节点电压的波动性增加，新能源机组在频率或电压波动显著的情况下容易脱网，从而影响系统稳定运行［23］。同时，不确定性因素将使得系统运行稳定性指标（如：静态电压稳定、暂态电压稳定）具有概率特征，系统运行稳定性的判别需要进一步考虑概率分布范围的边界，以保障极端场景下系统能够稳定运行。

2.2 考虑不确定性因素的电力系统分析

在高比例可再生能源电力系统中，源-网-荷各个环节的不确定性因素都会对电力系统运行产生影响，并且伴随着能源转型的过程，多种属性能源融合和复杂运行场景交织将使得电力系统运行的随机性和波动性特征更加凸显。在上述背景下，如何量化源-网-荷多重不确定性因素对电力系统运行状态的影响，是提升能源转型下电力系统运行感知能力的关键，同时也为采取相关不确定性应对手段提供参考。

目前，考虑不确定性因素的电力系统分析大多以概率分析为主，该过程以获得系统输出变量的概率统计特征为目标，量化输入不确定性因素对电力系统运行的影响。本文以概率潮流计算为例，对考虑不确定性因素的电力系统分析方法进行介绍，主要包括模拟法、近似法和解析法［24-27］。所论述的方法也可应用于状态估计［28］、概率静态电压稳定分析［29］、概率暂态分析［30］、概率小干扰稳定分析［31］等电力系统不确定性分析问题。

模拟法以蒙特卡洛模拟（Monte Carlo simulation，MCS）为基础，通过采样获得输入随机变量的样本，并将概率潮流方程转化为一系列的确定性潮流方程进行求解，从而获得输出随机变量的统计特征［32］。MCS方法计算简便，能够适用于复杂的实际问题，但计算效率低下，通常作为基准以检验其他概率潮流计算方法的准确性。近似法利用少量的输入随机变量和输出变量的样本对系统潮流模型进行近似，进而实现对概率潮流结果的估计。相比于MCS方法，近似法计算效率高，但对于复杂的不确定性分析问题较难获得输出随机变量的高阶统计矩，并且利用各阶矩信息得到的概率密度函数、累积分布函数与真实分布函数之间也存在一定误差。解析法将潮流方程在选取的基准运行点处进行线性化处理，略去其泰勒展开的二阶及二阶以上高阶项，从而将输出变量表示为输入变量的线性叠加。上述处理过程忽略了系统的非线性特性，因此解析法所得统计结果可能存在较大误差。

考虑上述3种方法在概率分析过程中的局限性，为快速、准确地获得系统输出变量的统计信息，近年来，基于代理模型的概率分析方法受到了广泛关注，其本质是采用代理模型替代MCS中的原始模型，在保证估计精度的同时，显著提高模拟法的计算效率。常用的代理模型构建方法包括随机响应面法［33-35］、广义多项式混沌法［36-38］等等。然而，随着大规模可再生能源接入，电力系统分析中的输入随机变量维度不断增加，传统基于多项式混沌展开的代理模型构建过程会遇到“维数灾”问题。针对上述问题，本文引入了3种可行的代理模型构建方法，包括稀疏多项式混沌展开（sparse polynomial chaos expansion，SPCE）、低 秩 逼 近（low-rank approximation，LRA）和 高 斯 过 程 回 归（Gaussian process regression，GPR）［39-41］，其 特 点 如 表1所 示。考虑随机问题的非线性程度不同，可以根据上述3种方法的特点建立合适的代理模型，以更好地进行考虑不确定性因素的电力系统分析。上述几种概率分析方法的分类及常用算法如图1所示。

表1 3种代理模型构建方法的特点Table 1 Characteristics of building methods for three surrogate models

图1 常用的概率分析方法Fig.1 General probabilistic analysis methods

随着未来能源转型过程中高效通信技术（如5G通信）、智能化数据处理技术、云边协同计算等先进技术的不断发展与应用，考虑不确定性因素的电力系统分析过程将具备由线下计算转为线上评测的可能，通过对高比例可再生能源电力系统的运行状态进行监测与感知，实时量化系统源-网-荷不确定性对系统运行的影响，进而为系统运行提供具有前瞻性和预见性的控制方案，最大限度地发挥不确定性因素量化评估的作用。

2.3 关键不确定性因素辨识

不确定性因素影响评估方法通常以系统运行状态变量的概率统计信息（如期望、方差、概率分布）作为输出结果，侧重于评估所有不确定性因素变化造成的影响，而无法量化分析单个输入随机变量或输入随机变量之间相互作用的影响，不利于运行人员采取针对性的调控手段。例如，对于含大规模分布式光伏发电的配电网，辨识对配电网运行具有显著影响的光伏电源，能够为储能配置节点提供指导信息，从而最大限度地利用储能促进光伏消纳。因此，有必要辨识显著影响系统运行的关键不确定性因素，并通过保留关键不确定性因素降低系统分析的复杂性。

灵敏度分析是一种定量评估系统输入量变化对输出量影响的方法，主要包括局部灵敏度分析（local sensitivity analysis，LSA）和全局灵敏度分析（global sensitivity analysis，GSA）。LSA一般用于线性或非线性程度较弱的系统，其计算简单且物理意义明确，一般可利用系统的传递函数计算输出变量对输入变量的偏导数作为局部灵敏度指标［42］。GSA可用于分析多个输入随机变量同时变化以及输入随机变量之间相互作用对系统输出的影响，输入随机变量的变化范围为整个定义域，并能够考虑输入随机变量的概率分布特性［43］。相较于传统LSA，GSA适用于非线性系统，并依据输出变量的统计量（例如方差）或概率分布特性构建全局灵敏度指标。

目前，GSA作为一种有效的灵敏度分析手段逐渐引起了国内外学者的关注，并在小干扰稳定分析［44］、关键参数辨识［45］等领域得到了初步应用。在关键不确定性因素辨识方面，文献［46］将基于方差的GSA方法应用于三相配电网潮流分析，定量评估了注入功率变化对潮流的影响；文献［35］计及可再生能源发电的相关性，利用基于方差的GSA方法分析了可再生能源出力波动性对电力系统静态电压稳定性的影响；文献［47-48］利用基于方差的GSA方法分析了孤岛微电网内源荷不确定因素对孤岛微电网潮流的影响。随着大规模可再生能源接入电网，GSA将成为不确定性因素辨识与降维的重要工具，但是目前GSA在实际系统中的应用仍需要解决如下2个问题：①GSA相关指标的计算均借助于MCS方法，计算效率难以满足实际工程的需求，需要进一步研究高效的GSA方法；②尚无统一指标评估输入变量间相关性对输出变量的影响，需要进一步研究考虑随机变量间相关性的GSA理论。

3 不确定性环境下决策

考虑不确定性因素的电力系统运行问题实际上为不确定性环境下的决策问题（decision-making under uncertainty）。对于电力系统调度问题，一般可建立其数学模型，并采用随机优化、鲁棒优化以及分布鲁棒优化等方法求解。对于无法建立解析数学模型的问题，例如弱可观系统运行问题，则可借助于数据驱动的方法感知其运行状态、优化其运行方式。

3.1 不确定性环境下的电力系统调度

在传统电力系统运行中，一般根据典型场景安排发电计划，并依据运行经验或者准则设定备用以应对不确定性因素的影响。可再生能源大规模接入使得电力系统运行方式复杂多变，出现了所谓“又多又少”问题：可再生能源发电较多时，需要解决其消纳问题；可再生能源发电较少时，需要保证电能供应充足。对此，一方面需要从源-网-荷-储多个层面提高电力系统运行灵活性；另一方面，需要采用考虑不确定性因素的决策方法以应对可再生能源发电的不确定性。当前，解决不确定性环境下电力系统调度问题的方法主要包括随机优化、鲁棒优化以及分布鲁棒优化。进一步，针对电力系统日前-日内的调度方式，两阶段随机/鲁棒/分布鲁棒优化方法广泛用于解决电力系调度问题。以随机机组组合为例，第一阶段优化问题考虑可再生能源发电与负荷的预测值，决策变量为日前的机组启停，第二阶段优化问题考虑可再生能源发电与负荷的预测误差，决策变量为日内的机组出力，其随着随机变量的具体实现而决定。

随机优化假设随机变量服从给定的概率分布，然后采用MCS方法或者解析变换，将随机优化问题转化为确定性优化问题进行求解［49］。随机优化的主要问题是样本外表现较差，如果可再生能源发电的实际出力与随机优化建模中的预设场景相差较大，则会导致日前决定的调度计划在电力系统实际运行中表现较差。另一方面的问题是随机优化中的场景设置问题：若场景个数过少，则无法准确体现可再生能源发电的复杂不确定性；若场景个数过多，则会使优化问题规模过大。

不同于随机优化，鲁棒优化不需要建立随机变量的概率分布模型，而是采用不确定性集合（uncertainty set）表示不确定性因素的变化范围，然后寻求对不确定性因素的所有实现都有良好性能的解［50-51］。由于鲁棒优化考虑最差场景，可能会导致优化结果较为保守。对此，有学者研究了数据驱动的不确定性集合建模方法，在准确刻画不确定性因素特性的同时，减小不确定性集合的范围，以降低调度方案保守性［52］。

近年来，分布鲁棒优化（distributionally robust optimization，DRO）被提出以克服随机优化与鲁棒优化的不足［53-55］。考虑到在实际问题中，往往已知随机变量的部分统计信息，例如期望与方差、历史样本数据等，因此分布鲁棒优化基于部分统计信息建立随机变量概率分布的模糊集，然后寻求最劣概率分布下系统运行成本期望值最小。因此，分布鲁棒优化既利用了随机变量的统计信息，又在一定程度上保证了调度方案的可靠性。构建概率分布模糊集是分布鲁棒优化的基础和关键，目前较为常用的是基于统计矩与基于距离的概率分布模糊集构建方法。分布鲁棒优化已经被应用于解决机组组合、最优潮流、备用调度等问题，其决策效果相较于随机优化与鲁棒优化决策效果具有一定的优势，但是也存在模型较为复杂（概率分布也为决策变量）的缺点。

可在如下几方面开展后续研究工作：①概率预测与优化方法的有机融合，首先挖掘源荷预测数据所表征的统计信息，然后研究数据驱动优化的建模与求解技术，从而摈弃传统决策方法需要假设预测误差概率分布的不足，提高决策方法在实际电力系统中的适应性；②目前各类优化方法侧重考虑源荷的不确定性，需要深入研究考虑元件随机故障的分布鲁棒优化，该类技术是电力系统应对潜在故障以及极端事件的基础，对提升强随机性电力系统运行安全性具有重要价值；③当前的决策方法大都探讨了电力系统运行的安全性与经济性，但是未曾深入讨论安全性与经济性之间的平衡问题，需要研究安全性与经济性均衡的决策方法，这是实际电网运行所关注的重点［56］；④随着电力系统与供热、天然气系统耦合的日益紧密，需要将随机/鲁棒/分布鲁棒优化方法应用于解决综合能源系统运行问题，以在更大范围内优化系统运行方式，提升能源利用效率。

3.2 数据驱动的系统状态感知与优化

传统模型驱动方法考虑电力系统运行的物理特性，构建解析的数学模型，解决电力系统分析、控制与运行问题。数据驱动方法则由已知数据求解未知数据或者拟合数学模型，而无须建立解析的数学问题。可再生能源、电动汽车以及互动负荷的接入，使得电力系统运行的复杂性与不确定性增加，在某些场景下难以采用模型驱动方法解决电力系统运行问题；另一方面，量测数据的积累以及数据处理与分析技术的发展［57-58］为数据驱动方法的应用奠定了基础。近年来，以深度学习为代表的新一代人工智能技术不断发展，增加了数据驱动方法的种类，提高了数据驱动方法解决复杂问题的能力。人工智能技术已经应用于解决可再生能源发电与负荷预测、系统参数与运行状态辨识、系统优化运行等问题中，并取得了良好效果。

需要指出的是，电力系统特别是输电网具有完善的量测信息和较为准确的数学模型；对于具备完整数学模型的电力系统调度问题，例如机组组合、最优潮流等，模型驱动方法能够取得较好的应用效果。与之相对应，数据驱动方法较为合适的应用场景为数学模型部分可知甚至未知，易收集数据，同时具备一定容错性的系统状态感知与优化运行问题［59］，主要包括以下几个方面。

1）难以建立数学模型的决策问题，例如用户侧调控。用户侧调控是实现从“源随荷动”到“源荷互动”转变的关键，其有利于大规模新能源消纳。但另一方面，用户用电行为复杂多变，难以建立准确的数学模型。对此，有学者充分利用大量用电数据，采用强化学习解决需求响应问题［60-61］。强化学习是机器学习的一种范式，其在环境中不断尝试动作，获得反馈信息以调整动作策略的数值参数，最终获得最优的状态-动作策略。强化学习能够解决难以建立数学模型的决策问题，有效提升了电力系统的供需互动能力。

2）具备数学模型的复杂电力系统辅助决策。对于大型电力系统，即便拥有完整的数学模型，调度问题的计算复杂度和计算时间等也会成为瓶颈问题。对此，有学者提出了基于深度强化学习的电网实时优化调控技术，应用于电网电压控制［62］、联络线潮流控制［63］、拓扑实时优化控制［64］等领域，将电网优化调控的决策时间由分钟级提升至亚秒级，支撑调度员进行快速决策，提升电网安全和智能调控能力。

3）量测不足条件下电力系统运行。数据驱动方法可用于解决有限量测环境下的配电网状态估计与优化运行问题。配电网实时量测较少，需要构造较多的伪量测以满足系统可观的要求，这造成了模型驱动的状态估计方法精度低、收敛性差的问题。对此，数据驱动的状态估计方法被提出以克服传统方法的不足，主要分为两类：①采用数据驱动方法生成精度较高的伪量测［65］，再采用传统方法求解状态估计问题；②采用神经网络直接拟合量测量和状态量之间的关系［66］。在实时量测较少的情况下，上述数据驱动方法相比于传统状态估计方法表现出更高的准确性与计算效率。

针对配电网优化运行问题，有学者采用线性时变系统［67］拟合配电网控制手段与控制目标之间的关系，以克服数学模型不准确的问题。另外，文献［68-69］采用深度强化学习解决配电网电压/无功控制问题。文献［70-71］采用强化学习解决不完全信息下的多微电网联合运行问题，配电网无须获得各个微电网的内部信息，即可协调优化各个微电网的运行方式。

人工智能技术降低了对数学模型的依赖性，能够有效解决复杂系统或者部分可观系统的建模、分析与运行问题。在后续研究中，考虑到电力系统运行安全性的要求，需要深入探讨人工智能在电力系统中应用的可解释性问题；针对配电网中相量测量单元（PMU）/数据采集与监控（SCADA）系统/营销系统的多时间尺度混合量测数据，研究混合量测环境下数据驱动的配电网运行方法；考虑到强随机性源荷导致系统运行状态快速变化的特点，需要充分发挥数据驱动方法决策效率较高的优点，实时跟踪并优化系统运行状态。

表2分别针对电力系统调度问题以及数据驱动的系统状态感知与优化问题，总结了模型驱动方法与数据驱动方法的应用场景与各自特点。

表2 不确定性环境下的决策问题及其应对方法Table 2 Decision-making problems in uncertainty environment and its countermeasures

4 不确定性平抑措施

4.1 储能发展与应用

储能具备功率和能量的转移能力，相比于其他电源与负荷，其运行具有更强的灵活性。储能已经应用于能量套利与电能调控；并且储能具备有功-无功协同调度能力，其在电力系统调频调压、缓解电网阻塞、提高电能质量等方面均发挥重要作用。针对大规模可再生能源接入对电力系统运行带来的挑战，可通过配置相应储能，平抑可再生能源发电功率的波动性，避免弃风弃光，促进可再生能源消纳［72］。截至2020年底，中国有17个省市出台可再生能源需按一定比例配套储能的政策。

近年来，储能技术朝着高能量密度、高转换效率和低成本化方向发展，促进了储能在电力系统中的大规模推广应用。电化学储能具有配置灵活，易于运行维护的特点，近年来在理论研究和工程实践中均取得了显著成果。在储能电站、电动汽车中应用较多的电化学储能包括锂离子电池、超级电容和全钒液流电池等［73］。此外，中国研究开发的固态电池、锂硫电池、金属空气等新型电池、百万千瓦超临界压缩空气储能均已进入商业化阶段。同时，液态空气储能、兆瓦级的飞轮储能在微能源网中得到了应用。随着能源结构低碳化转型与储能技术的发展，低成本、高可靠性的储能将成为能源系统的重要调节手段。

在未来研究中，需要考虑不同地区新能源发电特性，结合不同类型储能的运行特性，优化多类型储能的联合配置方案以及协调调度方式；需要研究不确定性环境下符合时序决策逻辑的储能调度方法，实现储能充放电的快速准确决策，充分发挥储能在电力系统正常态及故障态下的多种效用。

4.2 用户侧调控

利用用户侧调控技术应对可再生能源发电的波动性已经成为国内外的研究热点［74］。文献［75］提出了“源-网-荷”柔性互动的概念及研究框架，通过源荷互动等多种交互方式，有效提升电力系统的可再生能源接纳能力。在工业用户中，电解铝、灌溉泵站等用户侧资源可提供辅助服务，解决可再生能源发电功率波动问题［76］。温控负荷具有灵活调控的优点，可用于促进可再生能源消纳［77］；有学者研究了温控负荷在小时、分钟和秒级时间尺度上的调控模型及其参数辨识技术［78］，以解决可再生能源在不同时间尺度上的功率波动问题。

当前，主要采用集中式方法解决用户侧柔性资源的调控问题。例如，文献［79］提出一种基于直接控制的电动汽车调度模型，电动汽车聚合商在调度过程中上报电动汽车的调节潜力，调度中心据此进行统一优化调度。为了降低控制信号对温控负荷寿命的影响，文献［80］提出一种集中式优先栈的控制策略，控制中心根据温控负荷的温度排序制定控制信号，实现了温控负荷的有效控制。然而，集中式的调控模式不仅带来较高的成本投入、面临巨大的通信压力，而且存在用户隐私泄漏的问题。

随着售电市场的逐渐开放、分布式可再生能源的快速发展以及支持去中心化交易的区块链技术的试验应用，面向分布式市场主体的可交易能源体系与机制逐渐兴起［81］。基于可交易能源市场的调控方式通过电价信号协调用户侧柔性资源参与电力系统运行，促进可再生能源消纳，在充分挖掘用户资源潜力的同时实现隐私保护，为用户侧资源分布式调控提供了新思路［82］。相关试点工程表明，在可交易能源市场环境下用户侧柔性资源在抑制可再生能源发电功率波动性方面具有良好效果［83-84］。考虑到用户用电行为受到其主观因素的影响，在后续研究中，需要研究用户行为不确定性分析与评估方法；进一步，设计考虑用户行为不确定性的可交易能源调度与市场机制，从而为用户侧调控提供技术支撑与市场环境保障。

4.3 多能互补

综合能源系统将电、气、热（冷）等多种类型能源有机耦合，提供综合利用的物理平台，充分发挥不同能源形式的互补特性和协同效应［85］。电力系统在运行过程中通过不同耦合机理，将间歇性能源产生的电能转化为其他形式能源，以降低可再生能源发电不确定性的影响。

电能与热/冷耦合方式多样。电锅炉、热水器等基于焦耳定律的设备直接将电能转化为热能并储存［86］，从而促进可再生能源消纳。热泵通过电能驱动压缩机，以冷媒作为载体吸收或者排出热能，满足用户制热或制冷的需求［87］。吸收式制冷机通过电能驱动溶液泵，推动溴化锂-水、水-氨等工质对不断循环。在热媒（如烟气、热水等）、冷媒（通常为冷却水）的作用下，工质对中的制冷剂发生蒸发和液化，从而将被冷却流体的热量转移。

近年来电制气（power to gas，PtG）技术不断发展，将成为促进可再生能源消纳、异质能源融合的关键。PtG将电能转化为稳定的高能量密度燃气，如氢气、甲烷等，从而将间歇性、波动性的可再生能源以稳定化学能的方式存储。目前PtG电解方式主要有碱性电解池、质子交换膜电解池以及固体氧化物电解池3种，其中固体氧化物电解池效率最高，达到了90%以上［88］。燃气发电厂、微燃机等电气耦合设备具有良好的动态响应速度，可以根据可再生能源以及负荷波动快速调整输出，保证系统平稳运行［89］，具有热电联供功能的燃气发电机组，通过余热锅炉将烟气中的低品位热能富集，从而高效利用热能。因此电-气之间可进行双向能量流动，为智能电网与天然气网络的联合优化运行提供条件。

此外，近年来中国大力推动氢能源产业发展，与欧美发达国家相比，虽起步较晚但发展十分迅速，已开始进入示范运营阶段。现阶段制备氢气的主要方式包括煤制氢、电解水制氢、化工副产氢等。其中煤制氢、可再生能源发电制氢成本较低，将风光电能转化为氢能，既可以降低不确定性因素对电网的影响，又具有良好的经济前景。

相比于传统电力系统优化调度，多能互补的综合能源系统协同运行问题更加复杂。在应对不确定性方面，需要深入分析各个环节中的不确定性因素表征形式，建立不同时间尺度下的不确定性因素模型，研究综合能源系统的不确定性管理方法，设计多能协同运行机制以及分层分区调度方式。

4.4 电力与交通耦合

随着新能源汽车特别是电动汽车技术迅速发展，电动汽车保有量迅速增加。电动汽车可作为海量柔性资源参与电网运行，促进可再生能源消纳。充电站、换电站等充电设施的投运使得电网和交通网之间的耦合日益紧密：一方面，电动汽车出行成为影响交通状态的重要因素，并且其充放电行为显著影响电网负荷以及电力系统运行状态；另一方面，充电电价以及排队时间也会影响电动汽车出行计划，从而影响交通网状态。随着电力网-交通网耦合程度的增加，可再生能源与电动汽车的协调发展是实现碳中和的关键。

针对大规模电动汽车接入下的电力网-交通网耦合系统，当前研究主要包括：①电力网-交通网联合流分析；②电力网-交通网设施联合规划；③基于充电电价以及通行费用的电力网-交通网协调优化运行［90-91］。上述研究取得了初步成果，但是存在如下问题亟待突破：①不确定性因素建模：现有研究较少考虑可再生能源发电以及电动汽车行为不确定性对电力网-交通网的影响。大规模电动汽车出行与充电行为具有时空关联性，亟待解决交通出行需求的不确定性建模难题。②配电网-交通网协调调控：配电网与交通网分属于不同的利益主体，亟待解决两网协调调控的建模问题；电动汽车行为具有主观性，仅依靠电价引导难以优化两网运行状态。

电力网-交通网协调优化是提高城市电网、交通网等基础设施运行水平，应对能源转型下的不确定性因素的重要手段，具有重要的理论与应用价值；但是目前还缺乏完善的理论基础与仿真工具，该领域是未来重要的研究方向。

由上述论述可知，在能源转型的背景下，可再生能源的消纳措施包括柔性源荷利用，电-气-热多能互补，以及能源系统与基础设施协同。因此，针对高比例可再生能源电力系统，除了依靠电力系统本身的调控措施外，在广义范围内实现能源平衡是应对不确定性因素的重要手段。

5 结语

本文从不确定性因素建模、不确定性因素影响评估、不确定性环境下决策以及不确定性平抑措施等4个方面，总结了现有研究成果，阐述了目前研究中的难点问题，并且探讨了能源转型下电力系统不确定性及其应对方法的未来研究方向。在以“碳达峰”“碳中和”为目标的能源结构转型背景下，考虑高比例可再生能源电力系统的强随机性特征，将电力系统分析与运筹学、统计学的技术方法进行有机融合，是不确定性分析方法的未来发展方向；利用柔性源荷、互补能源以及基础设施协调调控，在广义范围内实现能源平衡，是促进大规模可再生能源消纳、应对电力系统不确定性的重要手段。