计及短期运行特征的水风光互补中长期调度

马晓伟 郭怿 李研 柯贤波 赵鑫 张小奇

收稿日期：2023-11-01；接受日期：2023-12-03

基金项目：国家自然科学基金项目（U2243216，52009098）

作者简介：马晓伟，男，高级工程师，博士，研究方向为水风光多能互补。E-mail：naxw@nw.sgcc.com.cn

通信作者：郭  怿，男，讲师，博士，研究方向为水风光多能互补。E-mail：guoyi19950120@163.com

Editorial Office of Yangtze River. This is an open access article under the CC BY-NC-ND 4.0 license.

文章编号：1001-4179（2024） 06-0009-07

引用本文：马晓伟，郭怿，李研，等.计及短期运行特征的水风光互补中长期调度

［J］.人民长江，2024，55（6）：9-15，84.

摘要：传统基于旬/月尺度的中长期调度模型难以描述风、光出力随机波动性所诱发的运行风险，无法有效指导水风光互补系统的中长期运行。为此，提出计及短期运行特征的水风光互补中长期调度规则编制方法。首先，构建短期调度模型评估水风光联合运行中的弃电、弃水及失负荷风险；其次，基于短期调度长系列调度样本，提取水电出力与弃电、弃水及失负荷之间的响应关系；最后，将响应关系嵌套在水风光互补隐随机优化调度模型中提取调度函数。以黄河上游千万千瓦级水风光互补系统为研究对象进行验证，结果表明：相比于简化运行策略，所提出的方法能够增加系统发电量6.5%，同时降低失负荷率3.71%。在水风光互补中长期调度模型中嵌套短期运行风险能够降低系统的弃电与失负荷风险，从而有效指导互补系统中长期调度运行。

关  键  词：水风光互补； 中长期调度； 运行风险； 调度规则； 黄河

中图法分类号： TV697.1

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2024.06.002

0  引 言

近年来，以风电、光伏为代表的可再生能源在世界范围内迅猛发展，成为能源绿色转型的主要推动力［1-2］。然而，风电、光伏具有显著的间歇性、波动性和随机性，弃电率较高［3-5］。将风电、光伏与水电打捆运行，利用能源间天然的互补性、水电的灵活性和水库强大的储能潜力，形成多能互补系统，进而促进风、光电的并网［6-8］。

中长期互补优化调度能够有效提升新能源的消纳水平［9-10］。针对多能互补中长期调度问题，国内外学者开展了诸多探索：Yang等［11］基于隐随机优化方法，制订了水-光互补系统的调度规则，有效提高了系统发电保证率和新能源利用率；明波等［12］系统评估了隐随机优化、显随机优化、参数-模拟-优化等3种方法对水光互补系统中长期调度的有效性，发现基于参数-模拟-优化生成的调度图结果最佳；Zhu等［13］构建了以系统发电量最大、系统出力标准差最小为目标的优化调度模型，采用GFM-MOEA算法进行求解，得到了协调调度策略；Jiang等［14］基于随机动态规模模型，评估了水风光互补系统、水光互补系统、水风互补系统在气候条件下的鲁棒性。

然而，上述多能互补中长期调度模型往往基于旬/月尺度建立，难以描述风、光短期随机波动性所诱发的弃电与失负荷风险，优化结果可能难以协调新能源消纳和流域水资源综合利用。例如，目前黄河上游清洁能源基地总体调度原则是“电调”服从“水调”，但是“水调”方案在制订过程中通常没有考虑短期新能源消纳，导致“水调”与“电调”之间存在不协调的问题。鉴于此，本文提出一种计及短期互补运行特征的水风光互补中长期调度方法，以期有效指导水风光互补系统中长期运行。

1  模型与方法

首先，建立水风光互补短期调度模型，模拟长系列互补调度过程，进而提取中长期尺度上弃电、弃水、失负荷指标与梯级水电出力的响应函数关系，将其嵌套在中长期隐随机优化调度模型中，求解模型得到调度函数，从而实现中长期尺度上的短期风险可控。

1.1  水风光互补短期调度模拟

水风光互补短期调度模型主要用于统计长系列调度过程中的弃电、弃水以及失负荷指标与梯级水电出力之间的响应关系，模型主要包括发电计划编制、实时运行模拟以及响应函数提取3个部分，如图1所示。首先，根据次日径流和水库当前蓄水情况进行水电的模拟调度，得到次日水电出力；然后，根据次日的风、光出力及水电出力，依据典型负荷曲线进行次日发电计划编制；最后，考虑风、光出力不确定性，模拟水风光多能互补实时运行，从而评估弃电、失负荷以及弃水指标。

1.1.1  短期运行特征量化

水风光多能互补系统的日前发电计划通常基于次日的径流以及风、光出力预测结果进行编制［15-17］。尽管径流预测在1 d的预见期内准确性较好，但由于风、光出力受气象因素影响较大，其预测结果有较强的不确定性［18-19］。本文假设风、光预测误差服从正态分布ew～N0，（σw）2、ep～N0，（σs）2。考虑到当前风、光日前功率预测误差约在10%以内［20-21］，因此，95%置信水平下的风、光预测误差分布参数如下：σw=10%×Pw，fore/2（1）

σs=10%×Ps，fore/2（2）

式中：Pw，fore和Ps，fore分别表示次日预测的风电和光伏出力。多能互补系统受风、光电预测不确定性的影响，可能存在运行风险，主要包括弃电风险、失负荷风险以及弃水风险。

（1） 弃电风险。

当风、光实际出力大于预测出力时，水电站通过减小出力使得互补系统总出力过程满足日前发电计划要求。但当风、光实际出力远远大于预测出力，甚至大于当时负荷曲线需求负荷时，此时水风光多能互补系统必然存在弃电风险，如图2所示。以风光弃电率来表示弃电风险，表达式如下：rc=1IIi=1ΔPiPsi+Pwi，  ΔPi>0（3）

ΔPi=Phi+Pwi+Psi－Pplani  （4）

式中：rc表示互补系统风、光电的弃电率；ΔPi表示第i时段系统总出力与发电计划之间的差值；Pwi和Psi分别表示风、光电在第i时段的实际出力；Pplani为互补系统在第i时段的发电计划；Phi表示梯级水电站在第i时段的实际出力；I为总时段。

（2） 失负荷风险。

当风光电实际出力小于预测出力时，水电站通过增大出力使得互补系统总出力过程满足日前发电计划要求。由于水电站的调节能力受到装机容量、可用水量等条件限制，存在最大出力的约束。当水电出力增大到该时段所允许的最大出力后，系统总出力仍不能满足日前发电计划要求，此时多能互补系统存在失负荷风险，如图2所示。采用失负荷率表示失负荷风险，如下：rs=1IIi=1－ΔPiPplani，  ΔPi<0（5）

式中：rs表示互补系统的失负荷率。

（3） 弃水风险。

当水风光多能互补系统处于汛期运行时，由于来水量较大，水库水位上升，当水位达到水位上限时，水库将无法继续蓄水。此时，若来水大于水库下泄流量，将出现弃水，如图3所示。采用弃水量表示弃水风险，如下：rw=1IIi=1QsiΔTi（6）

式中：rw表示互补系统的弃水量；Qsi表示水电站在第i时段的弃水流量；ΔTi表示时间间隔。

1.1.2  短期调度模拟

水风光互补短期调度主要包括两部分：发电计划编制和实时经济运行。

（1） 发电计划编制。

在获取风、光预测出力的基础上，水电出力的预测值采用简化运行策略计算，见图4，计算式如下：Eh=EhA，      EhA≤PhfirmΔTPhfirmΔT，    PhfirmΔT

Phfirm=Mm=1Phm，firm（8）

式中：Eh为梯级水电站的总发电量；EhA为梯级水电站的可用能量；Phfirm是梯级水电站的保证出力之和；ER，max为水库水位达到正常蓄水位时库容对应的能量；ΔT为调度时段；Phm，firm为第m个水电站的保证出力。

梯级水电站的可用能量计算式如下：EhA=ER+EI（9）

式中：ER为水库月初蓄能；EI为当月入流能。

水库月初蓄能采用水库库容-蓄能函数进行计算，公式如下：ERV1=∫V1Vmin1ξdV1≈Nn=11ξnΔVn（10）

式中：ξ为耗水率。水库库容V从死库容Vmin 至当前库容V1等分为N份，N越大，计算结果越精确。

由于水风光多能互补系统承担高压直流输电，其输电功率不宜频繁波动并应滤除锯齿状波动。因此，在水风光多能互补系统的发电计划编制过程中，采用“三段线”的输送方式。考虑到青海电网光伏出力多集中于10：00～16：00，豫南电网用电高峰期在19：00～22：00（夏季）或19：00～21：00（春、秋、冬季）。结合两者特性，非汛期在00：00～09：00和23：00～24：00时段峰谷比为0.7，其余时段峰谷比为1；汛期00：00～09：00和22：00～24：00时段峰谷比为0.7，其余时段峰谷比为1，如图5所示。

因此，互补系统次日总计划发电量为

Efore=Eh+Ew，fore+Es，fore（11）

式中：Efore为互补系统预测次日发电量；Eh为水电预测次日发电量，由简化运行策略生成；Ew，fore、Es，fore分别为风、光出力预测次日发电量。

Pplan=EforeEload×L=［Pplan1，Pplan2，Pplan3，…，Pplan24］（12）

式中：Pplan为互补电站次日发电计划；Eload为典型负荷曲线1 d发电量；L为典型负荷曲线；Pplan1为次日00：00的负荷出力。

（2） 实时经济运行。

根据次日发电计划，首先确定系统中梯级水电需承担的负荷过程：Phi，t=Pplan－Pwi，t－Psi，t（13）

式中：Phi，t为第t日第i时段梯级水电站需承担的负荷；Pwi，t为第t日第i时段风电出力；Psi，t为第t日第i时段光电出力。

进一步，采用判别系数法和相对蓄水率确定梯级水电站的负荷分配，以兼顾梯级水电的运行效率和运行灵活性。

判别系数的计算式如下：Ki，t，m=Wi，t，m+Vi，t，m/Fi，t，m×Hi，t，m（14）

式中：Ki，t，m为水电站m在t日i时段的判别系数；Wi，t，m表示水库m在t日i时段的入库水量；Vi，t，m表示t日i时段初位于水库m的上游水库蓄水量之和；Fi，t，m为水库m在t日i时段的水面面积；Hi，t，m表示t日i时段初水库m及下游有水力联系的各水库发电水头之和。

相对蓄水率的计算式如下：ri，t，m=Vi，t，m－Vdeadm/Vnormalm－Vdeadm（15）

Ri，tm，n=ri，t，m－ri，t，n≤δ（16）

式中：ri，t，m表示水库m在t日i时段初的蓄水率；Vi，t，m，Vdeadm和Vnormalm分别表示水库m在t日i时段初的库容、水库m的死库容和水库m正常蓄水位对应的库容；Ri，tm，n表示t日i时段初水库m和水库n的相对蓄水率；δ为相对蓄水率的控制值。

梯级水电站负荷分配方法详见文献［22］。通过长系列调度模拟，提取水电出力与系统运行风险之间的响应关系。

1.2  计及短期运行风险的水风光互补中长期隐随机优化调度模型

水风光互补中长期隐随机优化调度主要分为两部分，一是通过确定性优化调度获得调度样本，二是对调度样本进行数据分析来提取适宜的调度函数，基本框架见图6。

1.2.1  中长期优化调度模型

从中长期的角度来看，黄河上游千万千瓦级清洁能源互补基地的主要功能是发电，需要保证发电量和发电可靠性两者最优，在两者的基础上考虑短期调度的运行特征，需保证互补系统失负荷率最低。因此，本文以嵌套弃电风险的互补系统发电量最大、嵌套弃电风险的互补系统发电保证率最高、系统失负荷率最低为目标，构建中长期优化调度模型。目标函数表达式如下：（1） 嵌套弃电风险的互补系统发电量最大。

EP=Ii=1Mm=1Phi，m+Psi+Pwi－PciΔTi（17）

Pci=（Psi+Pwi）fc（Mm=1Phi，m）（18）

（2） 嵌套弃电风险的互补系统发电保证率最大。

GR=Mm=1Phi，m+Psi+Pwi－Pci≥PfirmI（19）

（3） 互补系统失负荷率最低。

LR=fL（Mm=1Phi，m）（20）

式中：EP为系统调度期总发电量；Phi，m为水电站m在时段i实际平均出力；Psi和Pwi分别为时段i光、风电场的平均出力；Pci为互补系统的风光弃电出力；ΔTi为调度间隔；fc（·）为互补系统弃电函数；GR为互补系统的发电保证率；Mm=1Phi，m+Psi+Pwi－Pci≥Pfirm为调度时段内互补系统出力大于保证出力的时段数；LR为互补系统的失负荷率；fL·为互补系统失负荷函数。

约束条件如下：（1） 水量平衡约束。

Vi+1，m=Vi，m+Qri，m－Qei，m－Qsi，mΔTiQri，m+1=Qei，m+Qsi，m+Qri，m：m+1（21）

（2） 库容约束。

Vminm≤Vi，m≤Vmaxm（22）

（3） 下泄流量约束。

Qminm≤Qei，m+Qsi，m≤Qmaxm（23）

（4） 水电站出力约束。

Pminm≤Phi，m≤Pmaxm（24）

（5） 水库特征曲线。

Zi，m=fzvVi，m（25）

Ztaili，m=fzqQei，m+Qsi，m（26）

式中：Vi，m为第m个水电站在第i时段的库容；Qri，m为第m个水电站在第i时段的入库流量；Qei，m为第m个水电站在第i时段的发电流量；Qsi，m为第m个水电站在第i时段的弃水流量；Qri，m：m+1为第m个水电站到m+1个水电站的区间入流；Vminm和Vmaxm分别为第m个水电站的库容下限和上限；Qminm和Qmaxm分别为水库m的下泄流量下、上限；Pminm和Pmaxm分别为水库m的出力下、上限；Ztaili，m为第m个水电站在第i时段的尾水位；fzv（·）为水位-库容曲线；fzq（·）为尾水位-下泄流量曲线。

1.2.2  水风光互补调度函数型式

采用动态规划方法对上述模型进行求解，获取长系列调度样本。基于长系列调度样本，拟合线性调度函数，用于指导水风光互补系统的中长期运行，其基本型式如下：Y^k=αkX^k+βk  k=1，2，…，K（27）

式中：k和K为调度函数的编号和总个数；X^k和Y^k为调度函数的自变量和决策变量；αk和βk为线性调度函数的参数。式（27）中，自变量为互补系统可用能量EA，因变量为茨哈峡月末库容V。

上述模型采用多目标布谷鸟算法进行求解。模型参数设置如下：茨哈峡水库起调水位为2 975.00 m；布谷鸟算法种群规模为200，迭代次数为2 000。

2  研究实例

黄河上游千万千瓦级清洁能源基地规划总装机1 016万kW，包括茨哈峡—羊曲河段的水电装机416万kW（茨哈峡260万kW、班多36万kW、羊曲120万kW）、光伏装机400万kW（一塔拉100万kW、三塔拉300万kW）、风电装机200万kW（切吉乡50万kW、二塔拉150万kW）。梯级水电站参数见表1。

搜集茨哈峡水库2005～2019年入库径流及各水库区间入流；从PVGIS和Greenwich网站上获取2005～2019年风、光场站逐小时出力过程作为模型的输入。此外，本文设置了6种调度情景进行对比分析，具体见表2。

3  结果分析与讨论

3.1  短期运行风险规律

不同梯级水电站出力下弃电率、失负荷率及茨哈峡弃水量见图7，由图7可知：弃电率随着梯级水电出力的增加呈现减小的趋势，水电出力达到2 500 MW时，弃电率基本为0，说明梯级水电站具有良好的调节能力，并且随着水电出力的增加，调节能力增强。系统失负荷率先随着水电出力的增加而迅速减小，在800 MW时达到最小，在800～2 500 MW时基本为0，之后缓慢上升，在3 800 MW时达到第2个峰值，但远小于最大值，之后再下降至3%左右。当水库达到死水位，且枯水期水库来水较小时，水库的灵活性受到限制，此时若负荷需求大于系统出力，将出现失负荷；第2个峰值受梯级水电站的出力上限与梯级水电站边界的双重影响，当梯级水电站出力达到上限时，此时若负荷需求仍大于系统出力时，会发生失负荷。 茨哈峡水库弃水量在3 500 MW前较小，在3 500 MW之后弃水量迅速增加，这主要是水电出力达到上限造成的弃水。

3.2  水风光中长期隐随机调度结果分析

求解模型得到Pareto解集如图8所示，可以看出，发电量、发电保证率、失负荷率之间呈现竞争关系。采用一种基于归一化隶属度的模糊决策方法选取最优解，具体过程详见文献［23］。

图9为Pareto最优解的水风光多能互补系统的出力及茨哈峡水库的水位过程。互补系统出力在1～7月上升，7～10月处于较高的水平，在10月之后急剧下降。互补系统在1～3月、12月出力小且波动小，其余月份波动较大，其中7～10月波动最为剧烈。茨哈峡水库的平均水位从1～4月呈现下降趋势，在4月和5月达到最小值，平均水位接近2 950.00 m，在5月之后水位逐渐上升，在9～11月水位维持在正常蓄水位2 990.00 m，11～12月水位下降。对比简化运行策略的调度结果，隐随机优化调度的发电量增加了6.5%，发电保证率增加了47%，失负荷率减小了3.71%。

3.3  嵌套短期运行风险对中长期调度规则的影响

进一步比较嵌套短期运行风险前后的调度结果，量化嵌套风险对于中长期调度的影响，比较6种情景的调度结果。表3为嵌套短期运行风险前后中长期调度规则评价指标的变化。可以看出：（1） 情景1为简化运行策略的模拟结果，各项指标比其他情景差，说明设置优化目标对于调度规则的性能有不同程度的提升。

（2） 情景2与情景3分别为确定性最优解与考虑弃电风险的确定性最优解。可以看出，加入弃电风险后，梯级水电站发电量下降了0.59%，但风、光弃电量下降，上网电量上升了1.15%。综合水利发电与风、光发电来看，互补系统发电量略有提高，这是由于考虑弃电风险之后，水力发电调节风、光，造成的水电损失与风、光弃电量的下降互相补充，从而导致互补系统发电量的上升。

（3） 情景4、情景5与情景6分别为未考虑风险、考虑弃电风险、考虑弃电风险与失负荷风险的调度函数。随着考虑风险类型的增加，梯级水电站调节风险造成的电量损失也在增加，梯级水电站发电量依次减小，同时，风、光弃电量减小，上网电量增加。但总体来看，只考虑弃电风险的互补系统发电量最高，这说明考虑弃电风险造成的水电损失在一定程度上可以由增加的风、光上网电量补充。同时考虑弃电风险与失负荷风险的互补系统发电量最小，这说明考虑风险类型越多，水电调节风险造成的损失电量越大，但风险也随之降低，主要表现为风、光弃电量与失负荷率在情景4～6中最小。

综合来看，考虑的风险类型越多，水电调节风险损失的电量越大，但同时风险减小。在构建中长期调度规则时，加入短期风险为中长期调度规则的制订提供了支持。

图10为嵌套短期运行风险前后调度函数的风险变化。可以看出，嵌套风险后，互补系统的风、光弃电量在冬季和春季均大幅降低，尤其是在4月，风、光弃电量降低了45%；在

夏季和秋季，嵌套风险的调度规则弃电量大于未嵌套风险的弃电量。嵌套风险后较嵌套风险前的弃电量全年过程更加平稳，全年呈现“上升-下降-上升”的趋势，这与水电出力

的全年趋势相反，主要原因在于风、光弃电率随着水电出力的升高而降低。由图10（b）可知，嵌套风险后全年的失负荷率均下降，

在冬季和春季的降幅大于夏季和春季。嵌套弃电风险后失负荷率在7～10月较大，这主要是因为该月份水电出力较大，水电出力达到上限时无法调节风、光电量。

4  结 论

针对水风光多能互补系统中长期调度问题，本文在模拟水风光互补系统短期运行过程的基础上，建立了一种计及短期运行风险的中长期隐随机优化模型，提取了能够降低短期运行风险的系统中长期调度规则。研究发现，在模型中考虑的风险类型越多，水电对冲风险导致的电量损失越大，但同时风险减小。本文所提方法能够有效降低互补系统的弃电与失负荷风险，从而有效指导互补系统的中长期运行，还可进一步推广应用至其他水风光多能互补系统，具有一定的应用潜力。

在未来研究中，需考虑互补系统日前发电计划优化编制，进一步完善短期弃电函数及失负荷函数的推求，接连提高系统中长期调度的可靠性和有效性。

参考文献：［1］  马丁，单葆国.2030年世界能源展望：基于全球能源展望报告的对比研究［J］.中国能源，2017，39（2）：21-24.

［2］  李晖，刘栋，姚丹阳.面向碳达峰碳中和目标的我国电力系统发展研判［J］.中国电机工程学报，2021，41（18）：6245-6259.

［3］  郭怿，明波，黄强，等.考虑输电功率平稳性的水-风-光-储多能互补日前鲁棒优化调度［J］.电工技术学报，2023，38（9）：2350-2363.

［4］  GONZáLEZ-APARICIO I，ZUCKER A.Impact of wind power uncertainty forecasting on the market integration of wind energy in Spain［J］.Applied Energy，2015，159：334-349.

［5］  PURVINS A，ZUBARYEVA A，LLORENTE M，et al.Challenges and options for a large wind power uptake by the European electricity system［J］.Applied Energy，2011，88：1461-1469.

［6］  陈炜，艾欣，吴涛，等.光伏并网发电系统对电网的影响研究综述［J］.电力自动化设备，2013，33（2）：26-32.

［7］  明波，成楸语，黄强，等.梯级互补储能对新能源的长期消纳作用分析［J］.水利学报，2022，53（11）：1280-1290.

［8］  黄强，郭怿，江建华，等.“双碳”目标下中国清洁电力发展路径［J］.上海交通大学学报，2021，55（12）：1499-1509.

［9］  谢俊，鲍正风，曹辉，等.金沙江下游水风光储联合调度技术研究与展望［J］.人民长江，2022，53（11）：193-202.

［10］明波，李研，刘攀，等.嵌套短期弃电风险的水光互补中长期优化调度研究［J］.水利学报，2021，52（6）：712-722.

［11］YANG Z，LIU P，CHENG L，et al.Deriving operating rules for a large-scale hydro-photovoltaic power system using implicit stochastic optimization［J］.Journal of Cleaner Production，2018，195：562-572.

［12］明波，郭鹏程，陈晶，等.水光互补电站中长期随机优化调度方法评估［J］.水电与抽水蓄能，2021，7（5）：20-24.

［13］ZHU F，ZHONG P，SUN Y，et al.A coordinated optimization framework for long-term complementary operation of a large-scale hydro-photovoltaic hybrid system：nonlinear modeling，multi-objective optimization and robust decision-making［J］.Energy Conversion and Management，2020，226：113543.

［14］JIANG J，MING B，HUANG Q，et al.Hybrid generation of renewables increases the energy system′s robustness in a changing climate［J］.Journal of Cleaner Production，2021，324：129205.

［15］HU W，ZHANG H，DONG Y，et al.Short-term optimal operation of hydro-wind-solar hybrid system with improved generative adversarial networks［J］.Applied Energy，2019，250：389-403.

［16］ZHANG Z，QIN H，LI J，et al.Short-term optimal operation of wind-solar-hydro hybrid system considering uncertainties［J］.Energy Conversion and Management，2020，205：112405.

［17］马伊洋，王现勋，董得福，等.水电机组适应宽负荷运行的效率分析方法［J］.人民长江，2023，54（9）：252-257.

［18］KISVARI A，LIN Z，LIU X.Wind power forecasting：a data-driven method along with gated recurrent neural network［J］.Renewable Energy，2021，163：1895-1909.

［19］潘超，李润宇，蔡国伟，等.基于时空关联分解重构的风速超短期预测［J］.电工技术学报，2021，36（22）：4739-4748.

［20］QU J，QIAN Z，PEI Y.Day-ahead hourly photovoltaic power forecasting using attention-based CNN-LSTM neural network embedded with multiple relevant and target variables prediction pattern［J］.Energy，2021，232：120996.

［21］FOLEY A M，LEAHY P G，MARVUGLIA A，et al.Current methods and advances in forecasting of wind power generation［J］.Renewable Energy，2012，37（1）：1-8.

［22］胡学东.梯级水电站群负荷分配方法及蓄能调度图的研究［D］.武汉：华中科技大学，2017.

［23］MELLAL M，PECHT M.A multi-objective designoptimization framework for wind turbines under altitude consideration［J］.Energy Conversion and Management，2020，222：113212.

（编辑：郭甜甜）

Long-medium term hydro-wind-PV complementary operation considering short-term characteristics

MA Xiaowei1，2，GUO Yi3，LI Yan3，KE Xianbo2，ZHAO Xin2，ZHANG Xiaoqi2

（1.School of Electrical Engineering，Xi′an Jiaotong University，Xi′an 710049，China;

2.Northwest Branch of State Grid Corporation of China，Xi′an 710048，China;

3.State Key Laboratory of Eco-Hydraulics in Northwest Arid Region of China，Xi′an University of Technology，Xi′an 710048，China）

Abstract：

Traditional long-medium term operation models based on ten-day/month scales are difficult to describe the operational risk induced by the fluctuations of wind and PV output，and cannot effectively guide the long-term operation of hydro-wind-PV complementary systems.To this end，a method for deriving long-medium term hydro-wind-PV complementary systems operating rules while considering short-term operational characteristics was proposed.First，a short-term operation model was established to estimate possible power curtailment，abandoned water，and lost load in the hydro-wind-PV complementary operation.Then，based on the long series of short-term operation samples，the response relationships between hydropower output and power curtailment，abandoned water，lost load were extracted.Finally，these response relationships were nested in implicit stochastic optimization dispatching model to extract operating rules.A clean energy base in the upper Yellow River basin was selected as a case study.The results indicated that compared with the simplified operation strategy，the energy increased by 6.5%，and the lost load rate decreased by 3.71% through implicit stochastic optimization.Nesting the short-term operational risks in long-term hydro-wind-PV complementary dispatching model can reduce power curtailment and lost load risk，thus effectively guiding the long-term scheduling operation of complementary systems.

Key words：

hydro-wind-PV complementary operation; long-term operation; operational risk; operating rules; Yellow River