CN111476407A - 联合风电光伏电站的梯级水电站中长期隐随机调度方法 - Google Patents

Abstract

本发明涉及一种联合风电光伏电站的梯级水电站中长期隐随机调度方法，属于混合能源系统调度技术领域。该方法考虑月度径流不确定性，通过隐随机调度方法，用径向基神经网络拟合调度模型。本发明模型合理考虑风电光伏不确定性以及会出现的反调峰现象对电网产生的冲击，在中长期调度中考虑为短期的风光不确定性留足备用，并分配足够的日电量应对反调峰现象对电网调峰带来的压力。本发明的模型结果与不考虑风电光伏短期备用时的结果有很大差异，本发明可有效利用风电光伏出力及梯级水电站优化调度信息，为大规模新能源并网条件下的梯级水电站科学决策提供可操作性强的参考依据。

Description

联合风电光伏电站的梯级水电站中长期隐随机调度方法

技术领域

本发明属于混合能源系统调度技术领域，具体涉及一种联合风电光伏电站的梯级水电站中长期隐随机调度方法。

背景技术

为了达到可持续发展目标，风电、光伏电等可再生新能源在电力系统中所占比例越来越高。相比于传统能源，风电场与光伏电站的出力不确定性导致新能源出力的高峰与低谷值出现的时间与大小都很难预测，再加上新能源的间歇性导致出力的波动性，为了容纳更多的间歇性能源，电力系统需要提供更多的系统灵活性，如何利用传统可调度能源为电力系统提供灵活性资源亟需研究。多能源互补协调调度可以充分利用不同电源之间的出力互补特性来提高混合能源电力系统的效率。由于水电站具有良好的调节性能和快速的负荷响应能力，利用可以调节的水电站出力去补偿不确定的风电与光伏出力是一种有效的方法。在风电、光伏、水电混合能源电力系统中，系统出力要与用户负荷平衡。当风电场、光伏电站出力不足时，水电站需要增大出力来平衡用户负荷，反之当风电场、光伏电厂出力较大时，水电站可以减小出力，并利用调节库容将多余的来水储存起来。

除了需要提高电网的灵活性，很多地区的风电、光伏出力会出现反调峰现象，即省内需求负荷扣除风电、光伏出力后得到的净负荷的峰谷差比需求负荷峰谷差要大，这样的特性加剧了水电站的调峰压力。

年调节水电站可以通过蓄水和泄水来调节年(多年)内的不均匀径流，所以含年(多年)调节水电站的混合能源系统需要制定中长期调度规则。电网调度中长期计划为短期计划提供边界条件，而短期的风电、光伏出力具有不确定性和波动性的特点，现有的梯级水电站中长期调度规则制定往往没有考虑新能源并网条件下的短期电力电量平衡问题，因此在大规模新能源并网的条件下需要改变已有的梯级水电站中长期调度计划制定方法。

对于单个水电站来水，用调度图来表示调度规则是直观、实用的，但只能考虑较少的影响决策的因素(决策因子)。对于梯级水电站来说，需要考虑的多个电站的水位以及入库流量，这时候需要用调度函数来将影响决策的因子作为输入因变量，将水电站决策(发电流量，弃水流量)作为输出变量(决策变量)。在梯级水库调度中，决策变量与决策因子之间往往存在非线性关系，且受水库间水力联系的影响，每个水库均存在较多可供选择的决策因子，给水库调度函数的制定及应用带来了困难。

因此如何克服现有技术的不足是目前混合能源系统调度技术领域亟需解决的问题。

发明内容

本发明的目的是为了解决现有技术的不足，提供一种联合风电光伏电站的梯级水电站中长期隐随机调度方法。

为实现上述目的，本发明采用的技术方案如下：

联合风电光伏电站的梯级水电站中长期隐随机调度方法，包括如下步骤：

步骤1：收集待调峰的负荷数据资料，得到历史每日的日负荷曲线；

步骤2：收集调度区域内所有风电、光伏发电曲线，将所有风电站和光伏电站看成整体，求出历史每日的总风电光伏出力曲线；

步骤3：用历史每日的日负荷曲线减去当日的总风电光伏出力曲线，得到历史每日的剩余负荷曲线；将峰谷差最大的剩余负荷曲线作为最差剩余负荷曲线；

步骤4：将剩余负荷曲线分为峰荷和基荷两部分；梯级水电站承担剩余负荷的调峰任务，即承担所有的峰荷；将最差负荷曲线的峰荷电量作为水电站一天需要的最少发电量；假设梯级电站送出电力在一天内保持一致；

步骤5：从历史风电、光伏出力预测数据中找到最大预测偏差，以这两个最大最大预测偏差之和作为水电站的备用；用水电站装机减去备用容量得到水电站的日出力上限；将每个时段的日出力上限乘以时段长，然后加和起来作为水电站的日最大发电量；

步骤6：将每月得到的日出力上、下限乘上本月天数作为每个月的梯级电站发电量上下限；

步骤7：假设每个月的径流过程是一个马尔科夫链，利用历史数据求出一年内丰平枯月份的转移概率，利用蒙特卡洛方法随机生成径流序列场景；

步骤8：建立梯级水电站中长期发电量最大确定性优化模型，考虑步骤4与步骤5得到的月发电量上下限约束及水电站水力约束，采用非线性优化算法，对步骤7得到的每一种径流场景都作为径流输入条件，进行计算，得到和径流场景数相同的决策序列；所述的决策序列包括当前时段平均出力P_m,t和当前时段弃水流量qs_m,t；所述的水电站水力约束包括发电函数约束、水头约束、尾水位流量约束、下泄流量约束、水位库容约束、水量平衡约束、末水位控制约束、发电流量约束、库水位约束和出库流量约束；将步骤7得到的每一种径流场景都作为径流输入条件，对模型进行求解，得到和径流场景数相同数量的决策序列；

步骤9：分月对调度函数进行拟合，以入库流量Q_m,t、上一时段入库流量Q_m,t+1、当前库容S_m,t作为输入，以当前时段平均出力P_m,t、当前时段弃水流量qs_m,t作为输出，进行径向基神经网络训练，得到径向基神经网络模型；

步骤10：采用步骤9得到的径向基神经网络模型，将所有水库的入库流量Q_m,t、上一时段入库流量Q_m,t+1、当前库容S_m,t作为输入，得到所有水库的当前时段平均出力P_m,t、当前时段弃水流量qs_m,t；之后按照得到所有水库的当前时段平均出力P_m,t、当前时段弃水流量qs_m,t进行调度，其中，m＝1,2,...,M，M表示调度区域内的水库总数。

进一步，优选的是，减去峰荷电量之后的水电站发电量作为省内的基荷或者通过外送通道送到省外。

进一步，优选的是，步骤7中，假设每个月的径流过程是一个马尔科夫链，利用历史数据求出一年内丰平枯月份的转移概率，利用蒙特卡洛方法随机生成径流序列场景；其具体方法为：

(7.1)将相同月份的历史径流数据按照从高到低得顺序排列，参照水文丰平枯水年划分依据，将频率为前37.5％的径流划分成丰水月，将37.5％—62.5％的径流划分成平水月，将大于62.5％的径流划分为枯水月；

(7.2)假设不同月份划分为同一类型的径流服从正态分布，通过历史数据拟合正态分布参数，得到相应月份径流服从的正态分布的均值与方差；

(7.3)通过统计分析，得出月份之间的丰平枯径流相互转移的概率；

(7.4)随机生成若干个一月份径流数据，然后根据转移概率对下个月的丰平枯状态进行通过轮盘赌概率选择的方式进行抽样，得到该月份的丰平枯状态；之后，假设同一丰平枯状态下的径流数据服从正态分布，采用矩估计法估计正太分布均值与方差，最后通过蒙特卡洛随机模拟生成径流数据；以此类推，生成完整的一年分月径流序列。

进一步，优选的是，步骤8的具体方法为：

建立梯级水电站中长期发电量最大确定性优化模型，所述的发电量最大确定性优化模型目标函数：

式中，T表示调度期时段数，M为梯级电站数，C_t为t时段的电价，P_m,t为m号电站t时段的平均出力，ΔT表示时段小时数；

约束条件：

(1)发电函数约束

P_m,t＝ε_m·q_m,t·H_m,t

式中，P_m,t为m号电站t时段的平均出力，单位MW，ε_m为m号电站的出力系数，q_m,t为m号电站t时段的发电流量，单位m³/s，H_m,t为m号电站t时段的水头；

(2)水头约束

式中，Z_m,t为m号电站t时段初水位，Z_m,t+1为m号电站t时段末水位，ZT_m,t为m号电站t时段尾水位；

(3)尾水位流量约束

式中，b_0,m，b_1,m，b_2,m，b_3,m，b_4,m为通过历史数据经过多项式拟合得到尾水位流量曲线拟合系数，R_m,t为m号电站t时段总下泄流量；

(4)下泄流量约束

R_m,t＝q_m,t+qs_m,t

式中，q_m,t为m号电站t时段的发电流量，单位m³/s，qs_m,t为m号电站t时段的弃水流量，单位m³/s；

(5)水位库容约束

a_0,m，a_1,m，a_2,m，a_3,m，a_4,m为水电站库容水位曲线系数，S_m,t为m号电站t时段初库容；

(6)水量平衡约束

S_m,t+1＝S_m,t+3600·(R_m-1,t+Q_m,t-R_m,t)·ΔT

式中，S_m,t+1为m号电站t时段末库容，R_m-1,t为m号电站上游电站t时段出库流量，Q_m,t为m号电站t时段区间流量，ΔT表示时段小时数；

(7)末水位控制约束

Z_m,T+1＝ZE_m

式中，Z_m,T+1为m号电站T时段末水位，即调度期末水位；ZE_m为其控制值；

(8)发电流量约束

式中，q_m,t为m号电站t时段发电流量，

为m号电站t时段发电流量上限；

(9)库水位约束

式中：Z_m,t为m号电站t时段初水位，Z _m,t、

为m号电站t时段初水位上下限；

(10)出库流量约束

式中：R_m,t为m号电站t时段下泄流量，R _m,t、

为m号电站t时段下泄流量上下限；

(11)通过短期调度得到的长期出力约束

式中：P_m,t为m号电站t时段出力，phb _m,t、

为由步骤4、5得到的月出力上下限；

该模型属于非线性优化，采用Lingo求解器对模型进行求解，对步骤7得到的每一种径流场景都作为径流输入条件，进行计算，得到和径流场景数相同的决策序列。

本发明中，月份之间的丰平枯径流相互转移的概率的具体计算过程如下：

将总历史径流数据个数记为W，统计出t月份为枯水月，t+1月份为枯水月的历史序列，这样的序列个数记为

求出t月份到t+1月份的转移概率

采用同样的求法可得

值得注意

本发明将调度规则看成调度函数的形式，分月对调度函数进行拟合。将入库流量Q_m,t，上一时段入库流量Q_m,t+1，当前库容S_m,t作为决策因子，将当前时段平均出力P_m,t，当前时段弃水流量qs_m,t作为决策变量。因此调度函数可以看成是连续性的多元函数。应用径向基神经网络(Radial Basis Function Neural Network)拟合得到调度函数。将调度函数应用于实际调度计划中，将历史入库流量，预测计划时段流量和当前水位作为输入调度函数，将函数输出作为决策变量。

水库水电站隐随机优化是从优化调度过程中提取调度规则，将优化调度理论转化为能够指导实际运行的工具。径向基神经网络(Radial Basis Function Neural Network)是一种三层神经网络，其包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。RBF网络的基本思想是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接。当RBF的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。其中，隐含层的作用是把向量从低维度映射到高维度，这样低维度线性不可分的情况到高维度就可以变得线性可分了，主要就是核函数的思想。这样，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。网络的权就可由线性方程组直接解出，从而大大加快学习速度并避免局部极小问题。

本发明与现有技术相比，其有益效果为：

本发明模型合理考虑风电光伏不确定性以及会出现的反调峰现象对电网产生的冲击，风电光伏出力的不确定性和反调峰现象是在短期体现，在中长期调度中考虑为短期的风光不确定性留足备用，并分配足够的日电量应对反调峰现象对电网调峰带来的压力。所得到的模型及调度方法适用大规模新能源并网条件下的水电站运行管理。与现有单独考虑水电站长期的调度计划方式相比，通过本发明的优化方法可以在枯水情况下减少76％的缺电量，在丰水情况下减少42％的弃电量。

附图说明

图1为总体解决思路框架图；

图2为日内最差风电光伏出力场景图；

图3为剩余净负荷电量划分示意图；

图4为水电站日最低最高发电量过程示意图；

图5为径向基网络示意图；

图6为丰平枯来水年小湾考虑风光水位过程图；

图7为丰平枯来水年糯扎渡考虑风光水位过程图；

图8为枯水年小湾考虑与不考虑风光随机性水位过程图；

图9为枯水年糯扎渡考虑与不考虑风光随机性水位过程图；

图10为平水年小湾考虑与不考虑风光随机性水位过程图；

图11为平水年糯扎渡考虑与不考虑风光随机性水位过程图；

图12为丰水年小湾考虑与不考虑风光随机性水位过程图；

图13为丰水年糯扎渡考虑与不考虑风光随机性水位过程图。

具体实施方式

下面结合实施例对本发明作进一步的详细描述。

本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。

联合风电光伏电站的梯级水电站中长期隐随机调度方法，总体解决思路框架图如图1所示，包括如下步骤：

步骤1：收集待调峰的负荷数据资料，得到历史每日的日负荷曲线；

步骤2：收集调度区域内所有风电、光伏发电曲线，将所有风电站和光伏电站看成整体，求出历史每日的总风电光伏出力曲线；

步骤3：用历史每日的日负荷曲线减去当日的总风电光伏出力曲线，得到历史每日的剩余负荷曲线；将峰谷差最大的剩余负荷曲线作为最差剩余负荷曲线；

具体公式如下：

式中，S表示风光联合分布场景指数集，

分别表示剩余负荷峰、谷值；T表示短期日内时段数，本发明取15min为1时段。图2为最差风光联合分布示意图。

步骤4：将剩余负荷曲线分为峰荷和基荷两部分。梯级水电站承担剩余负荷的调峰任务，即承担所有的峰荷。将最差负荷曲线的峰荷电量作为水电站一天需要的最少发电量。减去峰荷电量之后的水电站发电量可以作为省内的基荷或者通过外送通道送到省外，本发明假设梯级电站送出电力在一天内保持一致，因此可以将梯级水电站送出电力与承担的省内基荷采用同样的方式考虑，不做区分。图3为剩余净负荷电量划分示意图。

步骤5：由于风电、光伏出力的不确定性导致预报误差，需要梯级水电站留出备用来补偿。从历史风电、光伏出力预测数据中找到最大预测偏差，，以这两个最大最大预测偏差之和作为水电站的备用；因此水电站的日出力上限由可用装机减去备用容量决定。将每个时段的日出力上限乘以时段长，然后加和起来作为水电站的日最大发电量。图4为水电站日最低最高发电量过程示意图。

步骤6：将每月得到的日出力上、下限乘上本月天数作为每个月的梯级电站发电量上下限；

步骤7：假设每个月的径流过程是一个马尔科夫链，利用历史数据求出一年内丰平枯月份的转移概率，利用蒙特卡洛方法随机生成径流序列场景；假设每个月的径流过程是一个马尔科夫链，利用历史数据求出一年内丰平枯月份的转移概率，利用蒙特卡洛方法随机生成径流序列场景；其具体方法为：

(7.1)将相同月份的历史径流数据按照从高到低得顺序排列，参照水文丰平枯水年划分依据，将频率为前37.5％的径流划分成丰水月，将37.5％—62.5％的径流划分成平水月，将大于62.5％的径流划分为枯水月

(7.2)假设不同月份划分为同一类型的径流服从正态分布，通过历史数据拟合正态分布参数，得到相应月份径流服从的正态分布的均值与方差；

(7.3)通过统计分析，得出月份之间的丰平枯径流相互转移的概率；具体计算过程如下：

将总历史径流数据个数记为W,统计出t月份为枯水月，t+1月份为枯水月的历史序列，这样的序列个数记为

求出t月份到t+1月份的转移概率

采用同样的求法可得

值得注意

(7.4)随机生成若干个一月份径流数据，然后根据转移概率对下个月的丰平枯状态进行通过轮盘赌概率选择的方式进行抽样，得到该月份的丰平枯状态；之后，假设同一丰平枯状态下的径流数据服从正态分布，采用矩估计法估计正太分布均值与方差，最后通过蒙特卡洛随机模拟生成径流数据；以此类推，生成完整的一年分月径流序列。

步骤8：建立梯级水电站中长期发电量最大确定性优化模型，考虑步骤6得到的月发电量上下限约束及其他水力电力约束，采用非线性优化算法，对步骤7得到的每一种径流场景都作为径流输入条件，进行计算，得到和径流场景数相同的决策序列。

中长期发电量最大确定性优化模型目标函数：

式中，T表示调度期时段数，M为梯级电站数，C_t为t时段的电价，P_m,t为m号电站t时段的平均出力，ΔT表示时段小时数。

约束条件：

发电函数约束

P_m,t＝ε_m·q_m,t·H_m,t

式中，P_m,t为m号电站t时段的平均出力(MW),ε_m为m号电站的出力系数，q_m,t为m号电站t时段的发电流量(m³/s)，H_m,t为m号电站t时段的水头。

水头约束

式中，Z_m,t为m号电站t时段初水位，Z_m,t+1为m号电站t时段末水位，ZT_m,t为m号电站t时段尾水位。

尾水位流量约束

式中，b_0,m，b_1,m，b_2,m，b_3,m，b_4,m为尾水位流量曲线拟合系数(通过历史数据经过多项式拟合得到)，R_m,t为m号电站t时段总下泄流量。

下泄流量约束

R_m,t＝q_m,t+qs_m,t

式中，q_m,t为m号电站t时段的发电流量(m³/s)，qs_m,t为m号电站t时段的弃水流量(m³/s)。

水位库容约束

a_0,m，a_1,m，a_2,m，a_3,m，a_4,m为水电站库容水位曲线系数，S_m,t为m号电站t时段初库容。

水量平衡

S_m,t+1＝S_m,t+3600·(R_m-1,t+Q_m,t-R_m,t)·ΔT

式中，S_m,t+1为m号电站t时段末库容，R_m-1,t为m号电站上游电站t时段出库流量，Q_{m, t}m号电站t时段区间流量，ΔT表示时段小时数。

末水位控制

Z_m,T+1＝ZE_m

式中，Z_m,T+1为m号电站T时段末水位(调度期末水位)，ZE_m为其控制值。

发电流量约束

式中，q_m,t为m号电站t时段发电流量，

为m号电站t时段发电流量上限。

库水位约束

式中：Z_m,t为m号电站t时段初水位，Z _m,t、

为m号电站t时段初水位上下限；

出库流量约束

式中：R_m,t为m号电站t时段下泄流量，R _m,t、

为m号电站t时段下泄流量上下限。

通过短期调度得到的长期出力约束

式中：P_m,t为m号电站t时段出力，phb _m,t、

为由步骤4、5得到的月出力上下限。

模型属于非线性优化，采用Lingo求解器对模型进行求解，对步骤7得到的每一种径流场景都作为径流输入条件，进行计算，得到和径流场景数相同的决策序列。

步骤9：分月对调度函数进行拟合，以入库流量Q_m,t、上一时段入库流量Q_m,t+1、当前库容S_m,t作为输入，以当前时段平均出力P_m,t、当前时段弃水流量qs_m,t作为输出，进行径向基神经网络训练，得到径向基神经网络模型；

步骤10：采用步骤9得到的径向基神经网络模型，将所有水库的入库流量Q_m,t、上一时段入库流量Q_m,t+1、当前库容S_m,t作为输入，得到所有水库的当前时段平均出力P_m,t、当前时段弃水流量qs_m,t；之后按照得到所有水库的当前时段平均出力P_m,t、当前时段弃水流量qs_m,t进行调度，其中m＝1,2,...,M，M表示研究的水库总数。

图5为RBF神经网络拟合示意图。因此本发明应用径向基神经网络拟合得到调度函数。将调度函数应用于实际调度计划中，将历史入库流量，预测计划时段流量和当前水位作为输入调度函数，将函数输出作为决策变量。

现以云南省梯级水电站小湾和糯扎渡作为研究对象。云南省水电资源丰富，但调节能力较强的大型水电站主要集中在澜沧江下游。澜沧江下游梯级电站中小湾与糯扎渡是云南省最重要的两座大型平衡电站。本发明从历史数据中选取丰、平、枯三种来水年，利用拟合得到的RBF神经网络进行模拟调度，并与未考虑短期风光不确定性的结果进行比较。图6～图13为计算结果。图6～图7为丰平枯来水年小湾与糯扎渡考虑风光水位过程，可以看出，丰水年与平水年为减少弃水，降低防洪风险，5月末水位尽量降低，小湾与糯扎渡水位分别为1170m、770m。枯水年小湾与糯扎渡5月末水位为1170m、778m。糯扎渡水位明显高出丰水年与平水年。对于汛期6-9月份，丰水年来水较多，考虑到防洪风险，小湾水位较低，由于来水丰富，在较低水位也可保证日内所需平衡电量。而平水年与枯水年防洪风险较小，水库尽快在高水位运行以尽可能多发电。

图8～图13为丰平枯三种来水情况下小湾与糯扎渡考虑与不考虑风光随机性水位过程对比。从图中可以看出：当不考虑风光随机性时，小湾与糯扎渡均在高水位持续时间较长，以提高发电效益。但考虑风光随机性会兼顾考虑极端风，光，水情景，为满足日内平衡电量需求，小湾与糯扎渡5月末水位均更低。枯水年结果相差较小，5月末水位都在较高水平，否则年末水位无法达到指定值。枯水年由于来水较少，为了满足日内的调峰电量，1-5月水位削落与8-12月蓄水都需平稳。

本发明的模型结果与不考虑风电光伏短期备用时的结果有很大差异，本发明可有效利用风电光伏出力及梯级水电站优化调度信息，为大规模新能源并网条件下的梯级水电站科学决策提供可操作性强的参考依据。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (4)

1.联合风电光伏电站的梯级水电站中长期隐随机调度方法，其特征在于，包括如下步骤：

步骤1：收集待调峰的负荷数据资料，得到历史每日的日负荷曲线；

步骤2：收集调度区域内所有风电、光伏发电曲线，将所有风电站和光伏电站看成整体，求出历史每日的总风电光伏出力曲线；

步骤3：用历史每日的日负荷曲线减去当日的总风电光伏出力曲线，得到历史每日的剩余负荷曲线；将峰谷差最大的剩余负荷曲线作为最差剩余负荷曲线；

步骤4：将剩余负荷曲线分为峰荷和基荷两部分；梯级水电站承担剩余负荷的调峰任务，即承担所有的峰荷；将最差负荷曲线的峰荷电量作为水电站一天需要的最少发电量；假设梯级电站送出电力在一天内保持一致；

步骤5：从历史风电、光伏出力预测数据中找到最大预测偏差，以这两个最大最大预测偏差之和作为水电站的备用；用水电站装机减去备用容量得到水电站的日出力上限；将每个时段的日出力上限乘以时段长，然后加和起来作为水电站的日最大发电量；

步骤6：将每月得到的日出力上、下限乘上本月天数作为每个月的梯级电站发电量上下限；

步骤7：假设每个月的径流过程是一个马尔科夫链，利用历史数据求出一年内丰平枯月份的转移概率，利用蒙特卡洛方法随机生成径流序列场景；

步骤8：建立梯级水电站中长期发电量最大确定性优化模型，考虑步骤4与步骤5得到的月发电量上下限约束及水电站水力约束，采用非线性优化算法，对步骤7得到的每一种径流场景都作为径流输入条件，进行计算，得到和径流场景数相同的决策序列；所述的决策序列包括当前时段平均出力P_m,t和当前时段弃水流量qs_m,t；所述的水电站水力约束包括发电函数约束、水头约束、尾水位流量约束、下泄流量约束、水位库容约束、水量平衡约束、末水位控制约束、发电流量约束、库水位约束和出库流量约束；将步骤7得到的每一种径流场景都作为径流输入条件，对模型进行求解，得到和径流场景数相同数量的决策序列；

步骤9：分月对调度函数进行拟合，以入库流量Q_m,t、上一时段入库流量Q_m,t+1、当前库容S_m,t作为输入，以当前时段平均出力P_m,t、当前时段弃水流量qs_m,t作为输出，进行径向基神经网络训练，得到径向基神经网络模型；

步骤10：采用步骤9得到的径向基神经网络模型，将所有水库的入库流量Q_m,t、上一时段入库流量Q_m,t+1、当前库容S_m,t作为输入，得到所有水库的当前时段平均出力P_m,t、当前时段弃水流量qs_m,t；之后按照得到所有水库的当前时段平均出力P_m,t、当前时段弃水流量qs_m,t进行调度，其中，m＝1,2,...,M，M表示调度区域内的水库总数。

2.根据权利要求1所述的联合风电光伏电站的梯级水电站中长期隐随机调度方法，其特征在于，减去峰荷电量之后的水电站发电量作为省内的基荷或者通过外送通道送到省外。

3.根据权利要求1所述的联合风电光伏电站的梯级水电站中长期隐随机调度方法，其特征在于，步骤7中，假设每个月的径流过程是一个马尔科夫链，利用历史数据求出一年内丰平枯月份的转移概率，利用蒙特卡洛方法随机生成径流序列场景；其具体方法为：

(7.1)将相同月份的历史径流数据按照从高到低得顺序排列，参照水文丰平枯水年划分依据，将频率为前37.5％的径流划分成丰水月，将37.5％—62.5％的径流划分成平水月，将大于62.5％的径流划分为枯水月；

(7.2)假设不同月份划分为同一类型的径流服从正态分布，通过历史数据拟合正态分布参数，得到相应月份径流服从的正态分布的均值与方差；

(7.3)通过统计分析，得出月份之间的丰平枯径流相互转移的概率；

(7.4)随机生成若干个一月份径流数据，然后根据转移概率对下个月的丰平枯状态进行通过轮盘赌概率选择的方式进行抽样，得到该月份的丰平枯状态；之后，假设同一丰平枯状态下的径流数据服从正态分布，采用矩估计法估计正太分布均值与方差，最后通过蒙特卡洛随机模拟生成径流数据；以此类推，生成完整的一年分月径流序列。

4.根据权利要求1所述的联合风电光伏电站的梯级水电站中长期隐随机调度方法，其特征在于，步骤8的具体方法为：

建立梯级水电站中长期发电量最大确定性优化模型，所述的发电量最大确定性优化模型目标函数：

式中，T表示调度期时段数，M为梯级电站数，C_t为t时段的电价，P_m,t为m号电站t时段的平均出力，ΔT表示时段小时数；

约束条件：

(1)发电函数约束

P_m,t＝ε_m·q_m,t·H_m,t

式中，P_m,t为m号电站t时段的平均出力，单位MW，ε_m为m号电站的出力系数，q_m,t为m号电站t时段的发电流量，单位m³/s，H_m,t为m号电站t时段的水头；

(2)水头约束

式中，Z_m,t为m号电站t时段初水位，Z_m,t+1为m号电站t时段末水位，ZT_m,t为m号电站t时段尾水位；

(3)尾水位流量约束

式中，b_0,m，b_1,m，b_2,m，b_3,m，b_4,m为通过历史数据经过多项式拟合得到尾水位流量曲线拟合系数，R_m,t为m号电站t时段总下泄流量；

(4)下泄流量约束

R_m,t＝q_m,t+qs_m,t

式中，q_m,t为m号电站t时段的发电流量，单位m³/s，qs_m,t为m号电站t时段的弃水流量，单位m³/s；

(5)水位库容约束

a_0,m，a_1,m，a_2,m，a_3,m，a_4,m为水电站库容水位曲线系数，S_m,t为m号电站t时段初库容；

(6)水量平衡约束

S_m,t+1＝S_m,t+3600·(R_m-1,t+Q_m,t-R_m,t)·ΔT

式中，S_m,t+1为m号电站t时段末库容，R_m-1,t为m号电站上游电站t时段出库流量，Q_m,t为m号电站t时段区间流量，ΔT表示时段小时数；

(7)末水位控制约束

Z_m,T+1＝ZE_m

式中，Z_m,T+1为m号电站T时段末水位，即调度期末水位；ZE_m为其控制值；

(8)发电流量约束

式中，q_m,t为m号电站t时段发电流量，

为m号电站t时段发电流量上限；

(9)库水位约束

式中：Z_m,t为m号电站t时段初水位，Z _m,t、

为m号电站t时段初水位上下限；

(10)出库流量约束

式中：R_m,t为m号电站t时段下泄流量，R _m,t、

为m号电站t时段下泄流量上下限；

(11)通过短期调度得到的长期出力约束

式中：P_m,t为m号电站t时段出力，phb _m,t、

为由步骤4、5得到的月出力上下限；

采用Lingo求解器对模型进行求解，对步骤7得到的每一种径流场景都作为径流输入条件，进行计算，得到和径流场景数相同的决策序列。

Images