考虑CVaR的机组组合和多场景备用决策联合优化

李建钊，谢敏，李舒佳，林盛振，黄彬彬

（华南理工大学电力学院，广州 510640）

近年来，我国可再生能源的装机容量在电网中的占比逐年攀升［1-3］，高比例可再生能源并网发电已成为我国能源发展战略的必然趋势。大规模可再生能源并网发电，一方面能有效缓解能源短缺和改善气候环境问题［1，4-6］，另一方面其出力不确定性给电力系统的优化调度带来巨大的挑战。在此背景下，传统确定性动态经济调度［7］已不再适用，亟需新的优化调度方法。

目前已有许多文献在考虑可再生能源出力不确定性的优化调度策略方面做了深入研究。文献［8］考虑风电功率预测误差不确定性的电力系统储能容量优化配置的计算方法，并采用概率分布鲁棒联合机会约束规划模型进行描述。文献［9］综合考虑风电、负荷等不确定性因素及需求侧资源互动，提出了一种考虑源-荷的多场景优化系统旋转备用的方法，并提高了风电的消纳水平。文献［10］构建了考虑旋转备用的水火风互补发电优化调度模型，并分析了不同情景下对系统发电量和旋转备用的影响。随着高比例风电并网，仅靠常规水、火电机组参与调节和提供旋转备用已不能满足系统可再生能源消纳的要求。因此，需要考虑系统其他可调节资源与火电机组共同参与调节，以提高系统调度灵活性，如核电，作为未来能源的重要组成部分［11］，其最大调峰深度达70%的负荷跟踪能力［12］，可参与调峰。文献［13-14］对核电调峰模型进行了详细建模，并分析了不确定性对系统调度及备用的影响，有效提高了风电利用率和系统调度灵活性。

但上述优化问题中忽略了系统运行存在的风险，这样会导致在决策值最优的情况下产生最大的预期利润或最小预期成本，但在某些不利情况下则以极低利润或高额成本为代价。为避免这种情况，可在问题中引入风险度量，对与利润或成本相关的可变性风险进行建模，衡量与利润或成本分配相关的风险。目前，在电力市场和金融优化的随机规划问题中，最常见的风险度量方法有：方差（Variance）、预期短缺ES（Expected shortage）、风险值VaR（Value-at-Risk）、条件风险价值CVaR（Conditional Value-at-Risk）等［15］。其中，CVaR除了满足一致性风险度量平移不变性、次可加性、正齐次性、单调性［16］的要求外，还可以用线性公式表示，因此在电力市场的相关问题中得到广泛运用。文献［17-18］利用CVaR对系统不确定所带来的风险进行评估，提出了确定市场最优备用需求的成本-CVaR模型，但并未考虑系统的发电优化调度过程。在此基础上，文献［19-21］利用CVaR度量风电不确定性给系统带来的风险损失，并对发电优化调度过程进行了分析讨论。此外，不少文献将CVaR作为风险约束进行考虑，文献［22-24］计及系统不确定性，构建风险约束的随机优化模型，将CVaR作为风险约束条件，对系统面临的风险进行约束，进而提高系统运行经济性和可靠性。

上述研究在促进可再生能源消纳，提高系统运行经济性上具有一定的理论研究和应用价值，但仍存在可进一步研究和探讨的问题：（1）多从配网、微网角度分析，或主网电源类型较单一，缺少有关策略对含高比例可再生能源的多类型电源系统风险管控模型进行研究和分析；（2）鲜有研究分析核电参与调峰对含高比例可再生能源的系统调度策略、灵活性和风险损失的影响。

综上，本文建立了计及火、水、风、核、储多类型电源机组组合和备用决策的调度模型，该模型通过多场景分析法应对风电出力和负荷预测的不确定性，并计及不确定性给系统带来的风险损失，采用条件风险价值（CVaR）构造系统在进行策略调控时的风险决策模型。算例结果验证了所提模型和方法的合理性和有效性。

1 机组组合与备用决策联合优化思路

1.1 联合优化思路

在高渗透率可再生能源背景下，可中断负荷具备快速响应的能力，在系统备用不足时，可通过负荷中断减少容量缺额，相当于提供瞬时的上调备用。电池储能系统具备响应速度快、时间短，实时调节能力强等特点，能提供快速的旋转备用。在满足储能系统相关约束的前提下，通过低储高发，提供上/下调备用。核电带基荷运行时，常规机组需要承担较大的调峰压力，部分常规机组需要频繁启停以满足系统的调峰需求；核电参与调峰时，常规机组仅需降负荷运行即可满足系统调峰需求，能有效缓解系统调峰压力。针对系统各类型资源特点进行协调优化调度，可充分挖掘系统的灵活性，缓解系统灵活性调节容量的紧缺。

本文基于多场景分析方法建立了机组组合和备用决策联合优化的模型，能够考虑风电出力和负荷波动的随机性对电网调度运行的影响。通过风电随机出力和负荷预测误差的预想场景和误差场景分析系统发电和备用需求，综合考虑系统机组组合、备用决策和风险损失之间的平衡，得到兼顾经济性和可靠性的最优调度计划。其中，为应对高比例可再生能源出力和负荷波动出现系统供需难以平衡的现象，误差场景考虑多类型电源提供备用、可再生能源削减出力及可中断负荷等调节措施，并在预想场景中考虑核电参与调峰来进一步缓解高比例可再生能系统电源备用紧缺和降低弃风和失负荷损失。

该优化过程包含两类决策过程：（1）通过预想场景风电出力与负荷值确定各类型电源出力、启停计划及核电调峰计划；（2）综合考虑误差场景不确定性带来的调度风险，通过多场景分析反映各类型电源在各种运行场景下的调节能力，确定各类型电源的备用需求及备用经济分配。在基于预想场景和误差场景的优化决策过程中，预想场景与误差场景的决策量相互影响，通过预想场景各电源的出力计划与启停计划影响误差场景的备用计划。反之，误差场景的备用计划同样影响预想场景各电源的出力计划和启停计划。

1.2 系统运行框架

基于上述优化思路的调度模型框架如图1所示。首先，基于风电出力和负荷预测预想场景，采用场景法生成ω个误差场景。其中场景法包括场景生成和场景削减两个部分。在场景生成部分，假设风电出力、负荷预测误差均服从正态分布［25］，采用拉丁超立方采样法［26］模拟生成大量随机场景，并采用Cholesky分解法降低各随机变量之间的相依性；在场景削减部分，由于场景个数过多会增加计算量，降低计算效率，而场景个数过少又不具代表性，影响最后的模拟精度，为了同时兼顾求解复杂程度和结果精确性，本文采用以概率距离［27-28］为基础的场景削减方法对生成场景进行削减。

图1 系统调度框架Fig.1 Frame of system dispatching

其次，以系统总调度成本（预想场景调度成本和误差场景调度期望成本之和）与CVaR值之和最小为目标，在满足预想场景、误差场景、CVaR约束的前提下，优化求解得到满足系统风险水平的最优调度计划。

1.3 计算流程

本文的计算框图如图2所示。首先根据预想场景负荷、风电出力求解线性规划问题得到机组组合序列；然后考虑误差场景不确定性，确定各类型电源的备用需求及备用经济分配；最后判断其是否满足误差场景约束及CVaR约束，依此往复直到所有约束均满足为止。

图2 计算流程图Fig.2 Flow chart of the calculation

2 考虑条件风险价值的机组组合和多场景备用决策联合优化模型

忽略风电运行成本，本文提出的考虑条件风险价值的机组组合和多场景备用决策联合优化调度模型的目标函数包含两部分，如式（1）所示。

第一部分为系统总调度成本EC，包括预想场景下的调度成本CBAS和误差场景下的期望调度成本CERR，其计算模型分别详见第2.1和2.2节；第二部分为条件风险价值CVaR，其计算模型详见第2.3节；β为风险系数，取值范围为，其大小反映了在进行发电调度决策时对风险的厌恶水平。当β为0时，问题为风险中性模型，即决策者只关注成本的期望值，而忽略了系统不确定性造成成本波动的风险。β值越大，则表明决策者是风险厌恶型。

2.1 预想场景机组组合模型

2.1.1 目标函数

预想场景下的机组机组组合目标函数如式（3）所示：

式中：第一项为火电机组调度成本，包括机组运行成本、启动成本和停机成本；第二项为水电机组调度成本；第三项为核电机组调度成本，包括运行成本和调峰成本；第四项为储能调度成本，包括充电和放电成本。

NG——火电机组个数；

NH——水电机组个数；

NN——核电机组个数；

NE——储能机组个数；

T——调度周期，每天考虑24时段，则T为24；

——火电机组g在时段t的机组出力；

——水电机组h在时段t的机组出力；

——核电机组n在时段t的机组出力；

——储能c在时段t的充电功率；

——储能c在时段t的充电和放电功率；

——核电机组n的额定功率；

——火电机组g在时段t的启动成本；

——火电机组g在时段t的停机成本；

Cg——火电机组g的边际发电成本报价；

Ch——水电机组h的边际发电成本报价；

Cn——核电机组n的边际发电成本报价；

——核电机组n的调峰成本报价；

Cce——储能c在时段t的充电成本报价；

Cde——储能c在时段t的放电成本报价。

2.1.2 约束条件

1）功率平衡约束

式中：

g∈Gm——节点m上火电机组g；

h∈Hm——节点m上水电机组h；

n∈Nm——节点m上核电机组n；

e∈Em——节点m上储能e；

w∈Nw——节点m上风电机组w；

j∈Jm——节点m上负荷j；

r∈Λm——和节点m相连的节点r；

今年正值改革开放40周年。思想大解放，改革再出发，全省上下正按照省委统一部署，加强对改革成功经验的总结宣传，加强对全面深化改革各项工作的细化实化，以“改革开放高质量”的实际成果持续推动改革走在前列。□

——风电w在时段t的预测出力；

——负荷j在时段t的预测值；

ft(m，r)——时段t从节点m到节点r的线路潮流；

B(m，r)——节点m、r之间的电纳；

δmt——时段t节点m的电压相角；

δrt——时段t节点r的电压相角。

2）火电机组运行约束

火电机组的运行约束主要包括：

其中，式（6）为火电机组出力和上/下爬坡约束，式（7）为火电机组启停0-1变量约束，式（8）～（9）为火电机组最小连续开机/停机时间约束，式（10）为火电机组启停机成本约束。

式中：

/——火电机组的最大/最小出力；

/——火电机组的向上/向下爬坡速率；

/——火电机组的启动/停机爬坡速率；

T——调度周期；

/——机组g在调度计划开始时（0小时结束）已经在线运行/离线的时间；

UTg/DTg——机组的最小运行/停机时间；

ugt——0/1变量，如果机组g在时段t运行，则为1，否则为零；

ygt——启动0/1变量，如果机组g在时段t开始时启动，则等于1；

zgt——停机0/1变量，如果机组g在时段t开始时停机，则等于1；

ug，t=0——初始运行状态，在线则为1，否则为0；

/——机组g的启动/停机成本。

3）水电机组运行约束

水电机组运行约束与火电机组类似，除要考虑机组出力约束、上/下爬坡约束外（参见火电机组运行约束），还要考虑水电转换约束、水量约束：

式（11）为水电转换约束，ηh为水电机组h的水能转换效率，Qht、Hht分别为水电机组m在时段t的发电耗水量、水库水头高度；式（12）为水量约束，为水电机组h的最大水库容量。

4）核电机组运行约束

考虑核电机组的运行特性，有2种运行模式：A模式和G模式。A模式下，机组带基荷，维持满功率运行［29］；G模式下，机组存在满功率和低功率两种运行方式［13-14］，可表示为：

其中，式（13）为核电出力约束，式（14）为功率水平0/1变量约束，式（15）为机组满/低功率持续运行时间约束。

式中：

hnt——核电机组n时段t的满功率运行标志，为0/1变量；

——核电机组n时段t的低功率运行标志，为0/1变量；

——核电机组n时段t的升/降功率运行标志，为0/1变量；

——核电机组n的满功率水平；

Pn，li——不同调峰深度对应的低功率水平，对应3种调峰深度；

Pn，sk——运行标志对应的过渡功率水平分别30%、50%、70%；

/——机组满功率/低功率最小持续运行时间。

另外，限于篇幅，升/降功率时间耦合约束未列出，可参照文献［13］。

5）储能运行约束

式中：

——储能e时段t的最大充电功率；

——储能e时段t的最小充电功率；

——储能e时段t的最大放电功率；

——储能e时段t的最小放电功率；

ucet——充电0/1变量，充电则为1；

udet——放电0/1变量，放电则为1；

ηce——储能e充电效率；

ηde——储能e放电效率；

6）风电机组出力约束

式中：

7）线路潮流约束

式中：

fmax(m，r)——线路m-r的潮流传输极限。

2.2 考虑多种不确定性的多场景备用决策模型

以误差场景模拟系统不确定性，考虑火电、水电和储能提供备用、风电削减出力、可中断负荷以应对系统不确定性。

2.2.1 目标函数

考虑多种不确定性的多场景备用决策模型目标函数如下式所示：

式中：

包含五项：第一项、第二项、第三项分别为火电、水电、储能的备用成本；第四项为弃风、失负荷损失；

NΩ——场景集；

NW——风电场个数；

NL——负荷节点数；

πω——场景ω的概率，下标ω表示误差场景编号，下同；

RUgtω/RDgtω——火电机组g在时段t提供的上/下旋转备用；

RUhtω/RDhtω——水电机组h在时段t提供的上/下旋转备用；

RUetω/RDetω——储能e在时段t提供的上/下旋转备用；

/——火电机组g的上/下旋转备用报价；

/——水电机组h的上/下旋转备用报价；

/——储能e的上/下旋转备用报价；

——单位失负荷价值；

——单位弃风电量的惩罚因子；

——负荷j在时段t的中断功率；

Swtω——风电场w在时段t的弃风功率。

2.2.2 约束条件

1）功率平衡约束

式中：

Pgtω——火电机组g在时段t的机组出力；

Phtω——水电机组h在时段t的机组出力；

Pcetω/Pdetω——储能e在时段t的充电/放电功率；

Pwtω——风电机组w在时段t的机组出力；

Ljtω——在时段t节点j处的负荷值；

ftω(m，r)——时段t从节点m到节点r的线路潮流；

B(m，r)——节点m、r之间的电纳；

δmtω、δrtω——时段t节点m、r的电压相角。

2）机组出力约束

机组出力约束包括火电、水电机组出力约束，储能充放电功率约束：

3）机组爬坡约束

机组爬坡约束包括火电、水电机组爬坡约束：

式中：

——水电机组的向上爬坡速率；

——水电机组的向下爬坡速率。

4）备用容量约束

备用容量约束包括火电、水电机组和储能的备用约束：

式中：

Rupg——火电机组的最大向上备用容量；

Rdng——火电机组的最大向下备用容量；

Ruph——水电机组的最大向上备用容量；

Rdnh——水电机组的最大向下备用容量。

5）风电可削减出力约束

6）可中断负荷约束

7）线路潮流约束

2.3 CVaR约束

CVaR（条件风险价值）和VaR（风险价值）是常用的风险度量工具，但VaR存在不满足一致性公理，缺乏次可加性，尾部风险信息识别不准确，计算复杂等缺点［30-31］。CVaR在VaR的基础上考虑了超额风险损失的平均水平，除满足一致性风险度量外，还可以用线性公式表示，是电力市场相关问题中最常用的风险度量。基于CVaR的损失风险可转化为下面的线性优化问题求解［32］：

式中：

y、zω——辅助变量。

当优化得到CVaR时，y即为所有场景下置信度为α时的经济损失风险价值。1-α为极端风险尾部风险的分布范围。

2.4 模型求解

本文模型目标函数是一次函数，约束条件是线性约束，且包含整数变量，故该优化模型为混合整数线性规划模型（MILP）。在GMAS 24.4环境下编写计算程序，通过调用GAMS混合混合整数线性规划（MILP）求解器CPLEX进行求解。

3 算例分析

3.1 参数设置

本文采用改进IEEE 24节点系统作算例分析。该系统包含34条输电线路，2台核电机组，1个容量为320 MWh储能电站，10台非核电机组，其中8号机组为水电机组，其余为火电机组。4个风电场额定容量均为300 MW，并假设风电场预测出力均相同。非核电机组上调、下调备用为边际成本报价的2倍，停机成本为机组启动成本的0.5倍。储能电站数据取自文献［33］，上调、下调备用单位成本取15.33$/MWh［19］。核电机组参数取自文献［13］，边际成本报价均为9.98$/MWh，核电调峰单位成本均为13.76$/MWh［34］。调度时段T取24小时。失负荷价值VLOLj取1 000$/MWh，弃风电量惩罚因子Vspillw取200$/MWh。置信水平α取95%。各电源、电网、负荷、储能的运行参数详见附录A，如无特别说明，算例分析均采用4个风电场同时并网，风险系数β均取1。

3.2 风电和负荷场景

根据风电和负荷预测场景，采用拉丁超立方采样法生成1 000个风电场景和1 000个负荷场景，并采用以概率距离为基础的场景缩减方法将风电场景缩减到10个场景，负荷场景缩减到5个场景。风电出力与负荷场景分别如图3、图4所示。可以看出，在误差场景阶段的调整过程中，风电出力的波动较大，且具有明显的反调峰特性，而负荷的波动性较小。

图3 风电场景Fig.3 Wind power scenarios

图4 负荷场景Fig.4 Load scenarios

本文只考虑风电和负荷不确定性，总共包含50个场景，场景概率为相应风电出力场景概率与负荷场景概率的乘积。风电出力场景概率和负荷场景概率如表1所示。

表1 风电和负荷场景概率Tab.1 Probability of wind power and load scenarios

3.3 算例结果分析

3.3.1 不同类型电源调度对系统运行的影响

为比较多类型电源协调调度对系统运行技术经济性的影响，本文设计了4种不同调度方案作对比分析。具体方案如表2所示。通过优化，得到4种不同调度方案下运行的各项指标，如表3所示。

表2 不同调度方案Tab.2 Dispatch of different schemes

表3 不同调度方案下的系统运行指标Tab.3 System performance indices of different schemes $

由表3可以看出，与方案1相比，方案2增加核电机组参与调峰弥补了谷荷时段下调备用的不足，弃风损失减少了92%，失负荷损失减为0；方案3增加了储能提供上调、下调旋转备用，弃风损失减少了80%，失负荷损失减为0；方案4（本文方案）核电、储能参与调节，有效缓解了系统备用容量的紧缺，弃风、失负荷损失均降为0。

方案1和方案4各时段机组出力分别如图5、图6所示。可以看到，与方案1相比，在负荷低谷、风电多发时段（1：00－7：00），方案4中的核电参与调峰，相当于提供下调备用，增加了调峰费用和非核电机组出力，储能则通过低储高发提供上调、下调旋转备用；总体上，核电和储能参与调峰，使预想场景调度成本增加了2.4%，但备用容量期望成本、弃风和失负荷损失均大幅降低，即误差场景期望调度成本大幅降低（降低67.6%），总调度成本降低了3.5%；方案4的总发电调度成本和CVaR均最小，说明多类型电源调度能够大幅提高系统运行的经济性和降低系统面临的潜在风险损失，满足具有较高风险厌恶程度的决策者的调度需求。

图5 方案1各时段机组出力Fig.5 Unit output of scheme 1

图6 方案4各时段机组出力Fig.6 Unit output of scheme 4

为进一步说明不同类型电源调度对系统运行的影响，方案1和方案4各时段非核电机组启停分别如表4、表5所示，各时段非核机组的启动台数如图7所示。结合图4、图7、表4、表5可以看出，两种方案的机组启动台数的变化趋势与负荷的变化趋势基本一致，在负荷的低谷期（1：00－7：00）启动台数减少，在负荷高峰期（10：00－17：00）启动台数增多。图7中，方案4曲线相较于方案1平缓，这是因为方案1中，核电带基荷运行、储能不参与调峰，大规模风电并网和负荷波动大幅增加了系统的不确定性，非核机组需要频繁启停以及时对风电和负荷的波动做出反应，进而大幅增加了非核机组的启动频次、启动成本和备用成本；相较于方案1，方案4核电和储能参与调峰，降低了非核电旋转备用预留的容量，避免非核电机组因预留容量的频繁启停，节约了旋转备容预留成本（降低57.8%）和机组启停成本（降低64.7%），但随着投入机组的增多，系统的运行成本会有所增加（预想场景调度成本增加1.9%），但总的调度成本降低了4.0%，结合表3得出上述结论。

表4 方案1各时段机组启动计划及启动成本Tab.4 Unit commitment planning and cost of schemes 1

图7 方案1和方案4各时段非核机组的启动台数Fig.7 Number of non-nuclear generators in operation in each period of scheme 1 and scheme 4

此外，结合表3～表5注意到，相较方案1，方案4 CVaR降低了4.3%，说明系统决策者通过减少机组频繁启停来规避系统不确定性带来的成本波动风险，显著提高了系统运行的经济性和可靠性。

表5 方案4各时段机组启停计划及启停成本Tab.5 Unit commitment planning and cost of schemes 4

3.3.2 不同风电渗透率对系统运行的影响

针对不同风电渗透率，方案1和方案4的计算结果如表6。结果表明，随着风电渗透率的增大，机组出力降低，预想场景调度成本呈逐步下降趋势，为应对系统的不确定性，需预留足够的备用容量，备用容量期望成本呈逐步上升趋势，同时风电实际出力与预测出力的偏差增大，弃风和失负荷损失逐步增大，误差场景期望调度成本呈上升趋势。同时，两方案的总调度成本均呈下降趋势，这表明风电渗透率的增大，系统运行经济性得到改善。根据表6计算结果，可以得到不同风电渗透率下的CVaR和总调度成本的有效边界如图7所示。由表6和图7注意到：

表6 不同风电渗透率下方案1和方案4计算结果Tab.6 Calculation results of scheme 1 and scheme 4 under different wind power penetration

方案1中，总调度成本和CVaR随着风电渗透率的增加呈下降趋势，但在风电渗透率为27%，总调度成本和CVaR发生跃变，这是由于大规模风电并网，系统备用期望成本大幅增加和在负荷低谷、风电多发时段（1：00－7：00）下调备用不足，弃风和失负荷大幅增加所引起的。且风电渗透率越大，弃风和失负荷损失越严重。

方案4中，渗透率为20.3%产生了弃风和失负荷现象，这是由于核电参与调峰的成本较弃风、失负荷损失高，核电未参与调峰以及机组和储能提供的下调备用不足所引起的；当随着风电渗透率进一步增加（27.1%），核电参与调峰，系统备用充足，弃风和失负荷损失降为0，更为有效促进风电消纳；总调度成本和CVaR均呈下降趋势，说明多类型电源调度能提高系统的经济性，降低系统的风险损失。且由图8和表7方案4各渗透率较6.8%渗透率总调度成本和CVaR下降幅度注意到，风电渗透率越高，下降趋势越明显。进一步表明多类型电源调度提高系统经济性和降低系统风险损失的效果随风电渗透率的增加愈加显著。

图8 不同风电渗透率下的总调度成本和CVaR的有效边界Fig.8 Efficient frontier of Dispatching CVaR under different penetration of wind power

表7 方案4总调度成本和CVaR降幅Tab.7 Totaldispatching cost and CVaR reduction of scheme 4

3.3.3 不同风险系数β的敏感性分析

表8为不同风险系数的计算结果，可以看出，随着风险系数的逐渐增大，系统总调度成本呈上升趋势，变化范围从7.58×105$到7.79×105$，CVaR呈下降趋势，变化范围从7.99×105$到7.79×105$，CVaR数值减少2.6%导致系统总调度成本增加2.7%。根据表8的计算结果，可得到不同风险系数下总调度成本和CVaR的有效边界，如图9所示。可以看到，风险厌恶程度较低，即风险系数β较小时，随着β增大，系统总调度成本增加较平缓；当风险厌恶程度较高，即β较大，随着β增大，系统总调度成本快速增加。

表8 不同风险系数下的计算结果Tab.8 Calculation results under different risk parameters $

图9 不同风险系数下系统总调度成本和CVaR的有效边界Fig.9 Efficient frontier of dispatching cost vs CVaR under different risk parameters

3.3.4 某省实际电网算例

为进一步验证本文所提模型和方法的正确性和有效性，在某省级电网系统中进行算例分析。该系统等值后的电网数据包含89台发电机、1 151个母线节点以及1 485条输电线路。其中，89台发电机中包括43个水电机组、41个火电机组、2个风电场，2个核电厂，1个储能电站；1 151个母线节点包括202个负荷节点，其中，202个负荷节点中包含6个等值联络线负荷节点（10回联络线等值）；1 485条输电线路中220 kV及以上电压等级线路有621条（已并联处理，去除变压器支路）。根据某省电网96点负荷曲线及风电场预测出力，采用拉丁超立方及场景缩减法得到风电出力与负荷场景分别如图10、图11及图12所示。

图10 负荷场景Fig.10 Load scenarios

图11 风电1场景Fig.11 Scenarios of No.1 wind farm

图12 风电2场景Fig.12 Scenarios of No.2 wind farm

表9为方案1和方案4风险系数为0.5时系统调度方案的运行指标。可以看到，由于系统电源较多，且风电占比较小，系统备用充足，各方案不存在弃风失负荷现象，但由于方案4中核电和储能参与调峰，降低了非核电旋转备用预留的容量，避免非核电机组因预留容量的频繁启停，节约了旋转备容预留成本，其总发电调度成本和CVaR均较小于方案1，说明多类型电源调度能够有效提高系统运行的经济性和降低系统面临的潜在风险损失。表10为不同风险系数的计算结果，可以看出，随着风险系数的逐渐增大，系统总调度成本呈上升趋势。

表9 不同调度方案下的系统运行指标Tab.9 System performance indices of different schemes 元

表10 不同风险系数下的计算结果Tab.10 Calculation results under different risk parameters元

4 结 论

大规模可再生能源并网以及负荷波动性显著增加了系统的不确定。此外，火、水、风、核、储能等多类型电源并网，增加了系统的运行复杂度，有必要考虑多类型电源互补优化模型的构建。基于此，本文提出了计及多类型电源调度和系统不确定性的机组组合和备用决策的联合优化模型和方法，主要结论如下：

1）根据火、水、风、核、储能等多类型电源系统的特点，从电源侧、电网侧、负荷侧和储能四部分入手构建了含多类型电源的源-网-荷-储的互补协同优化模型。

2）充分挖掘多类型电源系统的灵活性资源，提出了考虑可中断负荷和不同类型电源的机组组合和备用决策的联合优化模型。算例表明，随着风电渗透率提高，不同类型电源的机组组合和备用决策在提高系统运行经济性、可靠性和降低弃风电量方面的作用越明显，能够满足大规模可再生能源并网的调度决策要求。

3）在多类型电源发电调度的基础上引入条件风险价值（CVaR），利用CVaR度量系统不确定性带来的风险损失，能够获得考虑系统运行风险的最优调度计划。通过不同风险厌恶程度下的算例仿真，验证了所提模型的合理性和有效性。同时，探讨了系统发电调度费用和风险水平之间的关系，为系统不同风险厌恶程度决策者提供有价值的参考信息。