CN112994115A - 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 - Google Patents

Abstract

本发明属于电力系统规划领域，具体涉及一种基于Wasserstein生成对抗网络(WGAN)场景模拟和改进时序生产模拟的新能源容量配置方法。该方法首先采用WGAN模拟大量风光资源场景并用K‑medoids聚类消减得到若干典型场景；其次，综合考虑多能源电力系统接纳能力和运行特性，基于改进时序生产模拟的线性规划模型，构建以经济性最优和新能源消纳率最高为目标的新能源规划模型。最后通过对某地区电网算例仿真，验证所提模型求解的高效性和对提高新能源消纳的显著效果，给出了未来新能源容量配置方案。

Description

一种基于WGAN场景模拟和时序生产模拟的新能源容量配置 方法

技术领域

本发明属于电力系统领域，具体涉及一种基于WGAN场景模拟和时序生产模拟的新能源容量配置方法。

背景技术

大力发展可再生能源是全球及我国应对能源资源紧张、环境恶化、气候变暖的重要手段。我国风光等新能源储量丰富，因此利用风光等新能源来合理规划配套电源显得尤为重要。但风能和太阳能自身的强随机性、波动性和间歇性，使得新能源发电给电力系统稳定运行带来了巨大挑战，部分地区弃风、弃光现象严重，消纳问题日益突出，迫切需要提高电力系统的新能源接纳能力。相比风电和光伏发电，光热发电拥有与火电等常规机组相媲美的调节特性，能够实现“以可再生能源消纳可再生能源”，将成为支撑实现高比例可再生能源并网的重要技术。科学、合理地配置多能源电力系统中风力发电、光伏发电以及光热发电等清洁能源容量，不仅是发挥多能源电力系统综合效益，实现安全、可靠、经济和环保性能的重要前提，更是现阶段推进新能源开发建设必不可少的环节。

近年来，针对风光资源的不确定性，已有大量文献给出了获取典型场景的措施。赵波，薛美东，周丹等人本发明了一种并网型微网优化配置方法(专利号：201410012565.1)，采用拉丁超立方方法模拟场景并利用场景缩减技术在多重随机场景下修正配置方案，以提高微网配置方案的鲁棒性；彭春华；刘兵；孙惠娟等人发明了一种基于分类不确定集的电力系统环境经济鲁棒调度方法(专利号：201811165535.9)，所述方法构建基于分类概率机会约束的风电、光伏和负荷的不确定集合，综合考虑经济性和环保性，建立基于分类不确定集的电力系统环境经济鲁棒多目标优化调度模型，实现多目标优化决策。但是上述方法均需要假定风光资源数据服从某一确定分布，因此并不能准确描述风光资源的真实分布，存在着所生成典型场景不准确的问题且模拟场景缺乏合理有效的评价方法。

针对含高比例可再生能源电力系统的电源容量配置问题。周博然、浦勇超、吴港等人发明了一种基于机组组合的储能电站容量确定方法(专利号：201811492272.2)，利用混合整数线性规划模型，通过比对典型方式下不同储能容量接入对系统运行经济性的影响，确定合理的储能电站容量；孙东磊、赵龙、杨思等人发明了一种适应风电大规模并网的参考电网机会约束规划方法(专利号：201810878566.2)，构建以最小化规划周期内输电网投资成本和运行成本之和为目标的优化模型，并采用常规的混合整数线性规划法对优化模型进行求解，得到最终的参考电网优化方案。但是上述方法还存在模型求解效率低下或对电源类型考虑不全面等问题。

可以看出，目前针对风光不确定性问题和新能源容量配置问题的研究仍有很多不足。基于此，本发明提供一种基于Wasserstein生成对抗网络(WGAN)场景模拟和时序生产模拟的新能源容量配置方法，以期为电源规划的理论研究和实际建设工作提供参考。

发明内容

本发明正是基于上述问题，采用WGAN进行场景生成并利用场景缩减技术得到若干典型场景，保证生成场景的代表性。在此基础上，本发明通过构建多能源集群机组和连续化处理各状态变量，综合考虑电力系统接纳能力和运行特性，构建基于改进的时序生产模拟的新能源规划模型。最终生成新能源容量配置方案，以期为电源规划的理论研究和实际建设工作提供参考。

为了实现上述目的，本发明提供的技术方案如下：

步骤1，以风光资源历史数据为原始数据，利用WGAN模拟大量风光资源场景；

步骤2，利用K-medoids进行场景消减获得典型场景；

步骤3，综合考虑多能源电力系统接纳能力和运行特性，基于改进时序生产模拟的线性规划模型，构建以经济性最优和新能源消纳率最高为目标的新能源规划模型；

步骤4，获取实际电力系统数据，利用MATLAB和Yalmip工具箱对规划模型求解，最终得到新能源规划方案。

作为上述技术方案的补充，本发明所述步骤1中，Wasserstein GAN是在原始GAN的基础上采用Wasserstein距离(又称Earth-Mover(EM)距离)代替JS(Jensen-Shannon)距离对真实样本和生成样本之间的距离进行度量，即：

式中：函数f的一阶Lipschitz常数为K，把f用一个参数为ω∈[-c，c]的神经网络来表示，f作为判别器。

现有某地区过去n年的历史风速和辐照度数据，每年分为8760个时段。以p_g(x)表示历史数据的真实分布，给定一个噪声数据z～p_z(z)，WGAN的目标是通过生成器和判别器的博弈过程使采样数据z尽可能逼近真实分布p_g(x)。

对于生成器G，其输入是由p_z(z)采样得到的噪声数据z，输出为生成的数据样本p_G(z)。生成器网络的目标是使得生成的数据样本尽可能接近真实分布，理想情况下，p_G(z)～p_z(x)。其损失函数L_G可表示为：

对于判别器D，其输入是真实数据或者生成器生成的数据，输出是判断数据是否来自真实数据样本的概率值。判别器网络的目标是尽可能正确地判别输入数据的来源。其损失函数L_D可表示为：

模型训练的目标是使得损失L尽可能小，即最小化真实数据的分布与生成数据的分布之间的Wasserstein距离。为了建立生成器和判别器之间的博弈以使它们能同时训练，构造关于价值函数V(D，G)的极小极大化博弈模型，如式所示：

在训练初始阶段，生成器生成的数据样本与真实数据样本存在较大差异，此时判别器损失函数较大，而生成器损失函数较小。随着数据不断更新，生成器网络通过调整网络的权值使得生成样本与真实样本的相似度越来越高，同时判别器网络也通过学习提升判别能力，直到最终判别器网络无法准确区分输入数据样本的来源，此时便模拟得到了能充分体现历史数据真实分布的风光资源场景。

本发明所述步骤2中，

步骤2.1，场景消减即满足以下优化问题：

式中：p_i为场景u_i的出现概率；d(u_i，u_j)为场景集S中任意两个场景u_i、u_j之间的距离。

利用K-medoids进行场景消减的基本步骤如下：

1)从未消减场景集合中随机选取r个场景当做初始聚类中心，以J₁，J₂，…，J_r表示。

2)根据距离聚类中心最近的原则，将剩余对象分配到各个类中。

3)按照使公式(5)中目标函数最小的原则，重新寻找新的聚类中心来替换原来的聚类中心。

4)判断是否收敛，若不收敛则重新进行步骤(2)，若已收敛，那么聚类得到的r个聚类中心{J₁，J₂，…，J_r}就是场景缩减后的r个代表性场景。

步骤2.2，以年分布偏差、年峰值偏差和资源变异系数为评价指标对步骤2.1生成场景进行评价分析。

本发明所述步骤3中：

步骤3.1，风电机组出力与风速大小密切相关，多场景下风电机组输出功率

与风速v_k，t的关系为：

式中：

为风电机组的额定功率；v_ci、v_co、v_N分别为风机的切入风速、切出风速和额定风速。

光伏输出功率

与光照强度γ的关系为：

式中：

γ_N分别为光伏额定功率和额定光照强度。

光热输出功率

与光照强度γ的关系为：

式中：

γ_N分别为光伏额定功率和额定光照强度，η_p，h、η_h，e分别为光热、热电转化效率。

步骤3.2，目标函数为综合成本最小，表示为：

式中：C_g、C_m、C_s分别为投资成本、运行维护成本及新能源限电出力的惩罚成本；k为选取的典型场景个数；q_k为典型场景k发生的概率。

(1)新能源投资费用C_g

式中：I^win、I^pho、I^hea分别为单位容量风电机，光伏机组，光热机组投资费用；S ^win、S ^pho、S ^hea分别为已经并网的风电机组，光伏机组，光热机组容量；

分别为在典型场景k中风电机组，光伏机组，光热机组总装机容量；r为折现率。

(2)运行维护费用C_m

式中：T为每个场景中的时段个数；

分别为场景k中集群火电机组的运行成本、开机成本和停机成本；M^win、M^pho、M^hea分别为单位容量风电机组，光伏机组，光热机组运行维护成本。

线性的集群火电机组的运行成本、启动成本和停机成本函数为：

式中：J表示聚类形成的集群火电机组数；开机容量连续变量

表示集群机组j在时刻t的并网容量；启动容量连续变量

表示集群机组在时刻t启动的容量；停机容量连续变量

表示集群机组在时刻t停机的容量；

表示集群机组j在时刻t的开机容量

最小技术出力所对应的煤耗；

为集群火电机组j在时刻t的输出功率；A _j表示集群火电机组j的最小出力系数；

表示单位开机容量输出最小功率时的煤耗系数；

为线性发电成本函数的斜率，表示新增单位输出功率的运行煤耗；

分别表示单位启动容量和单位停机容量的煤耗系数。

(3)可再生能源限电出力成本C_s

式中：

表示电源s在时刻t的最大可发出力；

表示场景k中电源s在时刻t的发电功率；

为电源s在时刻t的限电出力，即无法并网消纳的可再生能源出力；γ_s表示电源s限电出力的惩罚系数，即各电源单位容量上网电价。

步骤3.3，约束条件如下：

(1)新能源装机容量决策约束

新能源装机容量不得超过该区域最大可开发容量。

式中：

分别为该区域最大可开发风电，光伏，光热容量。

(2)新能源发电约束

式中：

分别表示集群风电机组、集群光伏机组和光热电站在时刻t输出的功率；

分表示集群风电机组和集群光伏机组在时刻t的最大发电功率；

A ^hea分别表示光热电站的最大和最小出力系数。

(3)时序功率平衡约束

式中：L(t)为时刻t的负荷功率。

(4)备用容量约束

式中：

为集群火电机组j的最大出力系数；其中δ^L、δ^s分别表示负荷功率和可再生能源最大可发出力的备用需求系数。

(5)光热电站运行约束

光热电站的爬坡约束为：

式中：R_U、R_D分别为光热电站最大向上和向下爬坡能力。

光热电站储热系统的容量配置对电站的运行有十分重要的影响，系统的储热量约束为：

式中：ρ表示储热系统的最大储热容量系数；Q^min、Q^max分别表示最小、最大储热容量。

储热系统充放热约束：

式中：Q^FSmax、Q^FEmax为最大充电、放电功率。

为了避免光热电站因平抑其他新能源出力波动而产生大量弃光，加入最大可接受弃光率的约束，保证光热电站的出力，即：

式中：α为最大可接受弃光率。

(6)集群水电机组运行约束

式中：

P ^hyd(t)分别表示集群水电机组在t时刻的最大和最小发电功率。

(7)集群火电机组运行约束

运行状态约束：

式中：S_j是集群机组j的总装机容量；等式约束的两边均表示从时刻t-1到时刻t持续运行的机组容量。

输出功率

满足以下约束：

爬坡约束：

式中：

分别表示集群机组的上、下爬坡率，由各机组的最大向上、最大向下爬坡率按照额定容量加权平均计算得到。

最小启、停机时间约束：

式中：

分别表示集群机组最小启动和最小停机时间；约束条件(a)和(d)用于限制初始时刻机组启停机容量的取值范围；(b)和(e)约束分别描述了在时刻2到时刻

内的机组启停机容量变量取值；(c)和(f)约束则描述了在剩余时段内的机组启停机容量变量取值。

本发明所述步骤4中，本发明以尽可能的消纳新能源为目标，设定如下运行调度策略：

首先安排集群火电机组最小出力容量带负荷，然后优先安排光伏及风电机组带负荷。依据光照强度及储热罐情况判断光热机组是否处于开机状态，若开机则按火电机组处理，否则继续储热。最后根据水文条件，安排集群水电机组带负荷。同时计算该时刻的源荷情况、以及火电机组启停容量，利用水电机组、光热机组、火电机组进行调峰。若当前状态需要降坡，并在减小调峰机组出力后电源出力仍大于当前负荷，则减少可再生能源机组出力，即出现弃风弃光弃水现象。

与现有的技术方案相比，本发明的有益效果为：本发明设计的基于WGAN场景模拟和时序生产模拟的新能源容量配置方法，采用WGAN进行场景生成并利用场景缩减技术得到若干典型场景，保证生成场景的代表性。在此基础上，通过构建多能源集群机组和连续化处理各状态变量，综合考虑电力系统接纳能力和运行特性，构建基于改进的时序生产模拟的新能源规划模型。对比传统电源容量配置方法，本发明所提出的容量配置方法能够获得更加合理的规划结果，可为电力系统规划的理论研究和实际建设工作提供参考。

附图说明

图1为本发明实施例提供的一种基于WGAN场景模拟和时序生产模拟的新能源容量配置流程图；

图2为本发明实施例提供的WGAN网络模型结构示意图；

图3为本发明实施例提供的风速曲线图；

图4为本发明实施例提供的辐照度曲线图；

图5为本发明实施例提供的风速变异系数图；

图6为本发明实施例提供的辐照度变异系数图；

图7为本发明实施例提供的2020年夏季某日出力曲线图；

具体实施方式

为了更好得了理解本发明，现结合附图及实施例进一步阐述本发明的内容，但本发明的实施方式不限于此。

本发明设计的一种基于WGAN场景模拟和时序生产模拟的新能源容量配置方法，具体流程如图1所示，包括以下具体步骤：

步骤1，以风光资源历史数据为原始数据，利用WGAN模拟大量风光资源场景；

步骤2，利用K-medoids进行场景消减获得典型场景；

步骤3，综合考虑多能源电力系统接纳能力和运行特性，基于改进时序生产模拟的线性规划模型，构建以经济性最优和新能源消纳率最高为目标的新能源规划模型；

步骤4，获取实际电力系统数据，利用MATLAB和Yalmip工具箱对规划模型求解，最终得到新能源规划方案。

各步骤中的具体内容已在说明书中进行了详细的说明，这里不再一一具体说明。

本发明的关键在于步骤(1)中利用WGAN模拟大量风光资源场景，步骤(3)中根据综合评价指标对典型场景进行评估分析以及对步骤(4)中模型进行求解。下面对该应用方法进行详细的说明。

步骤1中，根据某地区过去n年的历史风速和辐照度数据，每年分为8760个时段。以p_g(x)表示历史数据的真实分布，给定一个噪声数据z～p_z(z)，WGAN的目标是通过生成器和判别器的博弈过程使采样数据z尽可能逼近真实分布p_g(x)。WGAN网络模型如图2所示。

对于生成器G，其输入是由p_z(z)采样得到的噪声数据z，输出为生成的数据样本p_G(z)。生成器网络的目标是使得生成的数据样本尽可能接近真实分布，理想情况下，p_G(z)～p_z(x)。其损失函数L_G可表示为：

对于判别器D，其输入是真实数据或者生成器生成的数据，输出是判断数据是否来自真实数据样本的概率值。判别器网络的目标是尽可能正确地判别输入数据的来源。其损失函数L_D可表示为：

模型训练的目标是使得损失L尽可能小，即最小化真实数据的分布与生成数据的分布之间的Wasserstein距离。为了建立生成器和判别器之间的博弈以使它们能同时训练，构造关于价值函数V(D，G)的极小极大化博弈模型，如式所示：

以该地区过去10年的风速光照数据为基础，利用WGAN模拟生成10个风速场景和辐照度场景。各典型场景加权相加得到图3-4所示曲线。

步骤2中，年分布偏差表示所有场景全年资源曲线同一时段加权之和与历史数据同时段资源值的相对误差，即为所有时段资源值偏差的平均值：

K表示风速或辐照度所有典型场景集合；D表示风速或辐照度所有历史数据集合；N表示所有历史数据个数；T表示典型场景的时段数；λ_k表示典型场景k的权重系数，即场景概率值；

表示典型场景k在第t时刻的资源值；

表示第n年历史数据在第t时刻的资源值。

年峰值偏差表示同一时刻典型场景中的最大资源值和历史数据中该时刻最大资源值的相对误差：

资源变异系数表示一组数据的标准差与相应平均数之比，刻画了数据相对分散性，记作CV，是无量纲的统计量，用百分数表示，在实际应用中可以消除由于不同计量单位、不同平均水平所产生的影响。

式中，CV_t表示第t时刻的风速(或者辐照度)资源变异系数；

表示历史数据第t时刻资源均值。

将步骤2中生成的场景与利用传统蒙特卡洛抽样得到的场景对比其评价指标，如表1所示。

表1 WGAN场景模拟和传统场景模拟选取典型年结果对比

从表2可以看出，相比于传统场景模拟，本文提出的利用WGAN模拟得到的规划场景中各项评价指标更小，保留的风光资源曲线的信息更加完善，精度大幅度提高。针对原始数据提出的全年分布误差保证了一定的资源总量偏差。而资源变异系数考虑了资源的时序性波动情况。另外，在满足典型性要求的同时，年峰值偏差体现出极端天气下风光资源的特性。

为了对比更加直观，图5-6列出了两种方法得到的风光资源曲线的变异系数对比情况，从图中可以看出，WGAN法可以保持风光资源变异系数在20％以内，误差明显小于传统方法。

步骤4中，本发明以尽可能的消纳新能源为目标，设定如下运行调度策略：

首先安排集群火电机组最小出力容量带负荷，然后优先安排光伏及风电机组带负荷。依据光照强度及储热罐情况判断光热机组是否处于开机状态，若开机则按火电机组处理，否则继续储热。最后根据水文条件，安排集群水电机组带负荷。同时计算该时刻的源荷情况、以及火电机组启停容量，利用水电机组、光热机组、火电机组进行调峰。若当前状态需要降坡，并在减小调峰机组出力后电源出力仍大于当前负荷，则减少可再生能源机组出力，即出现弃风弃光弃水现象。

以西北某地区2018年实际电力系统为例进行2020年电源结构优化。预计2020年该地区负荷增长率为30％，贴现率为0.12，其余经济技术参数如表2所示。

表2经济技术参数

以说明书步骤3中模型为基础，在是否考虑新增光热装机两种情况下进行容量规划。各类电源的具体规划结果如表3所示。所对应的新能源并网运行情况如表4所示。

表3新能源容量配置结果

表4新能源发电并网运行结果

对比2020年规划是否考虑新增光热机组两个方案可知：若只通过新建风电、光伏机组满足电量需求，受限于现有常规机组的调峰能力，会导致大量弃风弃光；若再考虑新建光热机组，风电、光伏发电以及光热发电按照1.03∶3.43∶1的比例装机，虽然投资成本提高，但降低了弃风弃光率，有效提高了系统的调峰能力和对新能源的消纳量。

该地区负荷呈现出午高夜低的特性，这与光伏发电的时序特性相吻合，并且该地区水电、光伏资源丰富，利用风电、光伏和水电间的良好互补性以及火电、光热机组的调峰特性提升电力系统对新能源的消纳能力。同时，随着政策的支持以及技术的发展，光热电站储热容量成本有较大的下降空间，这也为未来新能源的规划提供了强有力的指导。因此基于WGAN场景模拟和时序生产模拟的新能源容量配置模型有较好的实用性。

对2020年规划后夏季某一天出力曲线如图7所示，风电的出力波动性较大，正午时刻出力较低，夜晚和凌晨这一阶段出力较高。而光伏出力主要集中在白天。风电出力和光伏出力在时间上的互补性可以降低对于常规机组爬坡容量的需求。同时，含储热系统的光热电站具有‘能量时移特性’，可以实现出力在时间上的平移，从而实现削峰填谷，利用其稳定可控的出力和良好的调峰能力来平抑风电波动，大大提高了系统的稳定性和对新能源的消纳能力。

Claims (4)

1.一种基于Wasserstein生成对抗网络(WGAN)场景模拟和时序生产模拟的新能源容量配置方法，其特征在于，主要包括以下具体步骤：

步骤1，以风光资源历史数据为原始数据，利用WGAN模拟大量风光资源场景；

步骤2，利用K-medoids进行场景消减获得典型场景；

步骤3，综合考虑多能源电力系统接纳能力和运行特性，基于改进时序生产模拟的线性规划模型，构建以经济性最优和新能源消纳率最高为目标的新能源规划模型；

步骤4，利用MATLAB和Yalmip工具箱对规划模型求解，最终得到新能源规划方案。

2.根据权利要求1所述的方法，其特征在于，步骤1构建过程如下：

WGAN是在原始GAN的基础上采用Wasserstein距离(又称Earth-Mover(EM)距离)代替JS(Jensen-Shannon)距离对真实样本和生成样本之间的距离进行度量，即：

式中：函数f的一阶Lipschitz常数为K，把f用一个参数为ω∈[-c，c]的神经网络来表示，f作为判别器。

根据过去n年的历史风速和辐照度数据，每年分为8760个时段。以p_g(x)表示历史数据的真实分布，给定一个噪声数据z～p_z(z)，WGAN的目标是通过生成器和判别器的博弈过程使采样数据z尽可能逼近真实分布p_g(x)。

对于生成器G，其输入是由p_z(z)采样得到的噪声数据z，输出为生成的数据样本p_G(z)。生成器网络的目标是使得生成的数据样本尽可能接近真实分布，理想情况下，p_G(z)～p_z(x)。其损失函数L_G可表示为：

对于判别器D，其输入是真实数据或者生成器生成的数据，输出是判断数据是否来自真实数据样本的概率值。判别器网络的目标是尽可能正确地判别输入数据的来源。其损失函数L_D可表示为：

模型训练的目标是使得损失L尽可能小，即最小化真实数据的分布与生成数据的分布之间的Wasserstein距离。为了建立生成器和判别器之间的博弈以使它们能同时训练，构造关于价值函数V(D，G)的极小极大化博弈模型，如式所示：

在训练初始阶段，生成器生成的数据样本与真实数据样本存在较大差异，此时判别器损失函数较大，而生成器损失函数较小。随着数据不断更新，生成器网络通过调整网络的权值使得生成样本与真实样本的相似度越来越高，同时判别器网络也通过学习提升判别能力，直到最终判别器网络无法准确区分输入数据样本的来源，此时便模拟得到了能充分体现历史数据真实分布的风光资源场景。

3.根据权利要求1所述的方法，其特征在于，步骤3构建过程如下：

目标函数为综合成本最小，表示为：

式中：C_g、C_m、C_s分别为投资成本、运行维护成本及新能源限电出力的惩罚成本；k为选取的典型场景个数；q_k为典型场景k发生的概率。

(1)新能源投资费用C_g

式中：I^win、I^pho、I^hea分别为单位容量风电机，光伏机组，光热机组投资费用；S ^win、S ^pho、S ^hea分别为已经并网的风电机组，光伏机组，光热机组容量；

分别为在典型场景k中风电机组，光伏机组，光热机组总装机容量；r为折现率。

(2)运行维护费用C_m

式中：T为每个场景中的时段个数；

分别为场景k中集群火电机组的运行成本、开机成本和停机成本；M^win、M^pho、M^hea分别为单位容量风电机组，光伏机组，光热机组运行维护成本。

线性的集群火电机组的运行成本、启动成本和停机成本函数为：

式中：J表示聚类形成的集群火电机组数；开机容量连续变量

表示集群机组j在时刻t的并网容量；启动容量连续变量

表示集群机组在时刻t启动的容量；停机容量连续变量

表示集群机组在时刻t停机的容量；

表示集群机组j在时刻t的开机容量

最小技术出力所对应的煤耗；

为集群火电机组j在时刻t的输出功率；A _j表示集群火电机组j的最小出力系数；

表示单位开机容量输出最小功率时的煤耗系数；

为线性发电成本函数的斜率，表示新增单位输出功率的运行煤耗；

分别表示单位启动容量和单位停机容量的煤耗系数。

(3)可再生能源限电出力成本C_s

式中：

表示电源s在时刻t的最大可发出力；

表示场景k中电源s在时刻t的发电功率；

为电源s在时刻t的限电出力，即无法并网消纳的可再生能源出力；γ_s表示电源s限电出力的惩罚系数，即各电源单位容量上网电价。

约束条件包括新能源装机容量决策约束、新能源发电约束、时序功率平衡约束、备用容量约束、光热机组运行约束、集群水电机组运行约束和集群火电机组运行约束。

4.根据权利要求1所述的方法，其特征在于，步骤4构建过程如下：

本发明以尽可能的消纳新能源为目标，设定如下运行调度策略：

首先安排集群火电机组最小出力容量带负荷，然后优先安排光伏及风电机组带负荷。依据光照强度及储热罐情况判断光热机组是否处于开机状态，若开机则按火电机组处理，否则继续储热。最后根据水文条件，安排集群水电机组带负荷。同时计算该时刻的源荷情况、以及火电机组启停容量，利用水电机组、光热机组、火电机组进行调峰。若当前状态需要降坡，并在减小调峰机组出力后电源出力仍大于当前负荷，则减少可再生能源机组出力，即出现弃风弃光弃水现象。

Images