水电-风电-光伏混合可再生能源系统短期调峰随机优化框架研究报告
作者及发表信息
本研究由Feilin Zhu（河海大学水文与水资源学院）、Lingqi Zhao（河海大学）、Weifeng Liu（水利水电规划设计总院）、Ou Zhu（河海大学）、Tiantian Hou（河海大学）、Jinshu Li（美国Stantec公司）、Xuning Guo（水利水电规划设计总院）、Ping-an Zhong（河海大学）合作完成，发表于Applied Energy期刊（2025年，卷400，文章编号126597）。
学术背景
研究领域与问题背景
本研究属于可再生能源系统优化调度领域，聚焦水电-风电-光伏（Hydro-Wind-Solar, HWS）混合系统的短期调峰问题。随着全球电力需求增长和可再生能源渗透率提高，电网面临两大挑战：
1. 峰谷负荷差扩大：以中国某区域电网为例，2005-2019年峰值负荷增长239%，峰谷差扩大156%。
2. 可再生能源波动性：风电和光伏的“反调峰特性”（如风电夜间高发、光伏日间受限）加剧了电网平衡难度。
研究目标
提出一种随机优化框架，解决混合系统中“源-荷双重不确定性”（Source-Load Dual Uncertainties）下的短期调峰问题，具体包括：
- 量化风电、光伏、径流及负荷的随机性；
- 开发兼顾计算效率与精度的场景生成与削减算法；
- 构建以最小化剩余负荷峰谷差为目标的多能源协同调度模型。
研究方法与流程
1. 源-荷双重不确定性的量化与模拟
（1）风电与光伏场景生成：深度卷积生成对抗网络（DCGAN）
- 输入数据：青海共和光伏电站和茶卡风电场15分钟分辨率的历史数据（90%训练集，10%验证集）。
- 模型结构：
- 生成器（Generator）：通过高斯分布噪声向量生成模拟序列，采用ReLU激活函数。
- 判别器（Discriminator）：区分真实与生成序列，采用Leaky-ReLU激活函数。
- 创新点：
- 使用Earth Mover’s Distance替代传统KL散度，解决梯度消失问题；
- 输入维度设计为12×12×2，保留时空相关性。
（2）径流与负荷场景生成：鞅模型（Martingale Model of Forecast Evolution, MMFE）
- 核心假设：预测误差服从方差-协方差矩阵（VCV）描述的动态过程。
- 步骤：
- 对VCV矩阵进行Cholesky分解；
- 通过蒙特卡洛模拟生成多步预测改进量；
- 结合实测数据生成随机径流/负荷序列。
2. 场景削减与概率更新
- 算法：基于概率距离的快速削减算法（Probability Distance-Based Reduction）。
- 流程：
- 计算初始场景集中每对场景的相似性；
- 合并概率距离最小的场景，并重新分配概率；
- 迭代至目标场景规模（如从50削减至5个场景）。
- 优势：保留原始统计特性，计算效率提升80%。
3. 随机调峰优化模型
（1）目标函数
最小化剩余负荷峰谷差：
[ \min \sum{i=1}^{l} \text{prob}(i) \cdot \left[ \max{t} (L{i,t} - P{i,t}) - \min{t} (L{i,t} - P{i,t}) \right] ]
其中，(P{i,t})为场景i下水电、风电、光伏的联合出力。
（2）约束条件
- 水库水量平衡方程；
- 水电站出力特性（水头-流量-效率关系）；
- 水库库容、出流、电网传输容量等上下限约束。
（3）求解算法：粒子群优化（PSO）
- 编码方式：决策变量为水库水位过程（维度：电站数×时间步长×场景数）；
- 动态罚函数：处理非线性约束（如库容越限惩罚）。
主要结果
1. DCGAN模型的性能验证
- 误差率：模拟序列与历史数据的统计指标（均值、标准差）相对误差%；
- 泛化能力：验证集的自相关系数匹配度达95%（图11）。
2. 混合系统调峰效果
- 案例区域：黄河上游龙羊峡-拉西瓦-李家峡梯级水电站+茶卡风电场+共和光伏电站。
- 优化结果：
- 剩余负荷峰谷差从原始曲线的波动显著降低至100 MW左右（图13）；
- 水电出力调整补偿了风光波动，联合调度模式（Mode 5）较单一水电调度（Mode 4）提升负荷率12%。
3. 场景规模影响分析
- 场景削减至40%时，计算时间减少50%，而优化结果方差仅增加5%（图18-20），表明算法鲁棒性。
结论与价值
科学价值
- 方法论创新：首次将DCGAN与MMFE结合，实现源-荷双重不确定性的高精度模拟；
- 工程应用：提出0.2%水电发电量牺牲换取负荷曲线稳定的经济性权衡策略。
应用价值
- 为高比例可再生能源电网的实时调度提供决策工具；
- 支持中国“双碳”目标下多能互补系统的规划设计。
研究亮点
- 全链条随机优化：从不确定性建模到场景削减，再到PSO求解，形成闭环框架；
- 数据驱动：DCGAN无需假设随机变量分布，直接学习风光出力的真实概率特性；
- 多目标协同：同时优化电网稳定性（峰谷差）与水电经济效益。
其他发现
- 风光互补性：光伏弥补日间负荷缺口，风电夜间出力需水电调节（图14）；
- 敏感性分析：DCGAN在神经元数=512、批量大小=32时训练效果最优（图8）。
（报告全文约2000字）