面向光伏出力不确定性的混蓄电站运行方式研究

摘要：

为探究混合式抽水蓄能电站在不同光伏出力场景下的水光混蓄互补运行方式，构建基于生成式对抗网络（GAN）的光伏出力场景生成模型，以表征光伏出力的不确定性，并构建以源荷差异最小、系统发电量最大及梯级蓄能增量最大为目标的互补调度模型。采用Fibonacci-PSO算法对模型进行优化求解。结果表明：相比无混蓄电站运行模式，混合式抽水蓄能电站能够更好地调整系统出力与电网负荷需求相匹配，并在丰水期利用水电弃水进行发电，增加系统发电量，提高资源利用率；混蓄电站在丰水期内主要进行夜间发电，而在平水期与枯水期则进行夜间发电和日间抽水；其运行方式在丰水期内提升了4.4%～12.4%的发电量，并在平水期和枯水期通过抽水减少系统出力与电网负荷的差异，使得互补发电系统能够精准响应负荷需求。研究证明，所提出的方法对提升清洁能源消纳能力具有重要意义。

关" 键" 词：

混蓄电站； 水光混蓄互补； 源荷差异； 多目标求解

中图法分类号： TM73；TV737

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2025.01.029

收稿日期：2024-07-12；接受日期：2024-09-11

基金项目：

国家电网有限公司西南分部科技项目（SGSW0000DKJS2310037）

作者简介：

王" 靖，男，高级工程师，博士，主要从事水库优化调度方面的工作。E-mail：wj.boy@163.com

通信作者：

朱燕梅，女，研究员，博士，主要从事水利电力经济管理工作。E-mail：507109510@qq.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（2025） 01-0212-10

引用本文：

王靖，何强，冯晨，等.面向光伏出力不确定性的混蓄电站运行方式研究

［J］.人民长江，2025，56（1）：212-221.

0" 引 言

在“双碳”目标的引领下，大力发展清洁能源，加快实现能源结构转型刻不容缓，但清洁能源的快速发展带来大量弃电，亟需引入调节电源形成多能互补，减少弃电［1-3］。水电具有操作灵活、启停迅速、可灵活调度等优点，是理想的优质调峰电源，特别是对电力系统负荷的快速响应能力使得水电常被用作调峰、调频及备用电源［4-6］。但由于水力发电天然受到来水流量的限制，其调节能力也将受到来水流量限制，因地制宜增加调节性电源提高水电调节能力，共同促进清洁能源消纳具有现实意义。抽水蓄能电站是目前技术最成熟、经济性最优、最具大规模开发条件的绿色低碳清洁灵活调节电源［7］，然而纯抽水蓄能电站存在建设周期长、工程投资大等问题，因此国家《抽水蓄能中长期发展规划（2021—2035年）》指出抽水蓄能发展要“因地制宜，创新发展”“鼓励依托常规水电站增建混合式抽水蓄能电站”（以下称混蓄电站）。相较纯抽水蓄能电站，混蓄电站既可作为抽蓄电站运行，也可作为水电站扩机机组运行，运行方式更为复杂［8］。

目前，已经有学者针对水光蓄互补运行和混合式抽水蓄能电站（混蓄电站）开展研究［9］。在水光蓄互补运行方面：张帅等以最小化系统运行成本为目标，提出了考虑水光蓄互补和直流外送的电力系统分布鲁棒优化调度方法［10］；周修宁等以最小调度成本为目标，构建了梯级水光蓄发电系统日前-实时双层模型，提出了适用于新能源消纳的调度优化方法［11］。针对混合式抽水蓄能电站：黄景光等针对不同来水频率，提出了逐步优化算法与水位廊道耦合方法，求解中长期混蓄电站运行方式［12］；苏学灵等考虑电网调峰需求及抽蓄机组不同运行工况，优化了白山混合式抽水蓄能电站水库运行方式［13］。

本次研究结合前人研究的成果，以水光混蓄互补发电系统为研究对象，通过生成对抗网络（GAN）模型描述光伏出力不确定性，再基于此构建水光混蓄互补调度模型，探究面向光伏出力不确定性的混蓄电站运行方式。

1" 光伏出力场景生成研究

光伏出力的随机性和不确定性会对电力系统的安全稳定运行造成巨大影响，从而影响光伏资源的消纳［14-15］。为此，需要针对光伏发电输出功率曲线进行场景分析描述。

在进行光伏出力场景分析时，需要大量光伏出力样本与抽样数量以满足对光伏出力场景分析特征的还原。而光伏出力历史数据属于具有较强相关性的数据，形成环境复杂且受自然环境因素影响明显，面临长时间序列自然采集造成数据杂乱的问题，给调度人员制定发电计划造成数据偏差。

综上所述，本研究将研究区域内光伏资源长时间序列的出力作为研究对象，针对出力曲线使用小波阈值去噪方法对原数据进行去噪处理，并基于生成式对抗神经网络（GAN）构建光伏出力场景生成模型，对去噪后的光伏出力进行博弈训练，从而高效地生成与真实场景统计特征接近的光伏出力场景，为后续含有混合式抽水蓄能电站的水光混蓄互补发电系统运行方式研究提供数据基础。

1.1" 光伏出力随机生成方法

GAN由Goodfellow于2014年提出，用于生成模型评价，其克服了不确定性描述困难的问题，能够直接拟合样本数据的分布［16］。作为一种改进的非监督学习方法，GAN核心结构由生成器（Generator）和判别器（Discriminator）组成。其中，生成器的任务是提高随机生成噪声的维度，并通过反复训练来逼近真实数据的分布［17-18］。判别器的作用是通过损失函数判别生成器的结果与样本数据，当Discriminator对Generator生成数据以及样本数据的判别成功概率相等时，结束模型训练［19-20］。在训练过程中，生成器和判别器不断学习进化，最终达到纳什均衡，其优化目标如下：

minGmaxDV（G，D）=Ex～PX［lgD（x）］+Ez～Pz｛lg［1-D（G（z））］｝（1）

式中：E［·］为数学期望；z～PZ为生成数据；x～PX为样本数据；D（x）为样本判别为真的概率函数；D（G（z））为模型生成数据判别为真的概率函数。

1.2" 光伏出力场景生成结果

在生成光伏出力场景前，需要对光伏出力进行归一化处理以消除量纲影响，确保对比统一性，本研究使用较为常用的最值归一化方法对光伏出力进行归一化处理。

以丰水期、平水期、枯水期对全年进行时段划分，对各时段内日光伏出力特征进行分析，结果见表1，各类场景出力见图2。

将上述经过光伏特征属性聚类后的各簇场景光伏出力使用GAN进行训练，各类场景随机选择10%数据作为测试集，90%作为训练集，基于Torch搭建模型，利用Python进行代码计算，迭代次数epoch=20000，批次训练样本batch size=64。将模型最终输出结果绘制于图3。

由图3可以看出，在经过20 000次迭代之后，GAN能够很好地学习不同类型的光伏出力过程，整体呈现出“拱桥式”出力，遵循白天发电夜间不发电的原则。在S1、S4、S7等晴天光伏出力场景中，GAN生成的光伏出力能够捕获到光伏出力“饱满”、波动小等特点；在S2、S5、S8等阴雨天光伏出力场景中，GAN能捕获其出力较低且波动相较于晴天较大的特点；最后在S3、S6、S9等多云天气光伏出力场景中，GAN能捕获其出力波动大的特点，均在日间出力过程中体现出云层遮挡效应。

为了进一步分析GAN模型学习训练能力，引入皮尔逊相关系数对场景生成数据和样本数据集进行相关性分析，将各典型场景皮尔逊相关系数直方图绘制于图4。可以看出，GAN能够学习样本光伏出力数据的日内分布特征，9种情景光伏相关系数均达到0.9以上，其中枯水期拟合效果优于平水期与丰水期。

2" 水光混蓄互补调度模型

2.1" 模型构建

2.1.1" 目标函数

（1） 源荷差异指标最小。为追求水光混蓄互补发电系统与电网负荷源荷差异指标最小，本研究引入离散Fréchet距离用于表达电源出力曲线与电网负荷曲线离散差异化程度。离散Fréchet距离是指两条曲线所有点之间最大距离的最小值，可以通过式（2）进行递归计算。

traF（N，L）=maxtraE（Nx，Ly），""""""""""""" x=1，y=1

mintraF（〈N1，…，Nx-1〉，〈L1，…，Ly〉），x≠1traF（〈N1，…，Nx〉，〈L1，…，Ly-1〉），y≠1traF（〈N1，…，Nx-1〉，〈L1，，…，Ly-1〉），x≠1，y≠1（2）

式中：traF（·）为互补发电系统出力过程与电网负荷需求源荷差异指标，取值范围为［0，1］，越接近0两条曲线匹配程度越佳；其余符号含义与上文相同。

traE（Nx，Ly）为点Nx与Ly之间的欧式距离，具体见下式：

traE（Nx，Ly）=（XNx-XLy）2+（YNx-YLy）2（3）

将互补发电系统日内出力过程以及电网负荷需求过程归一化为N^、L^，因此，目标可表示为

min traF（L^，N^）（4）

（2） 互补发电系统发电量最大。

为进一步挖掘互补发电系统发电潜力，引入水光混蓄互补发电系统日内发电量最大作为目标，目标函数如下：

max E=max（nji=1Tt=1j=h，pv，hsNj，i（t）×mt）（5）

其中：

Nh，i（t）=Kh，i×Qh，i（t）×Hh，i（t）（6）

Npv，i（t）=NCpv，i×gi（t）（7）

Nhs，i（t）=δ（Khs，i×Qhs，i（t）×Hhs，i（t））+（δ-1）（KThs，i×Qhs，i（t）×HThs，i（t））（8）

式中：E为水光混蓄互补发电系统日内总发电量，kW·h；j=h，pv，hs分别代表水电站、光伏电站、混蓄电站；Nj，i（t）代表第i个第j类电站在第t时段的发电出力，kW，i=1，2，…，n；nj为第j类电站个数；t为单位时段，h；T为时段总数，mt为第t时段小时数，24；Kh，i为第i个水电站综合出力系数；Qh，i（t）为第i个水电站t时刻发电流量，m3/s；Hh，i（t）为第i个水电站t时刻平均发电水头，m；NCpv，i为第i个光伏电站装机容量，万kW；gi（t）为第i个光伏电站在t时刻的出力系数；δ为工况判断指标，δ=1时为混蓄电站发电工况，δ=0时为水泵抽水工况，其中当水电站机组满发后仍有弃水时，开启混蓄电站发电工况；Qhs，i（t）为混蓄电站在t时刻用水量，m3/s；Hhs，i（t）、HThs，i（t）分别为混蓄电站在t时刻的平均发电水头、平均抽水扬程，m。Khs，i、KThs，i分别为混蓄电站发电工况、抽水工况综合运行效率系数。

（3） 梯级蓄能增量最大。

由于本研究互补调度任务是使用混蓄电站以及常规水电调节能力，在已知光伏出力、水电站来水流量、水电站综合利用流量以及初末水位的情况下，使得互补发电系统出力与电网负荷尽可能匹配。此种调度方案制定的特点是调度期常规水电以及光伏出力的总负荷过程是确定的，协调优化主体为混蓄电站以及常规水电，因此调度方案本质为“以电定水”。因此从实际应用出发，调度方案制订需要决策者在考虑光伏出力以及混蓄电站运行方式的基础上，考虑水电发电水量以及发电水头双重效益，对水量以及负荷进行优化分配。此外，由于混蓄电站调节功能依赖于抽水工况，因此在流量分配时还需考虑混蓄电站抽水流量的保障。鉴于此，从混蓄电站上下库蓄能角度出发，引入梯级蓄能增量最大化为目标，目标函数如下：

S0=maxTt=1Ni=1Sit=maxTt=1ni=1（Qit-qit）nj=iKiHitΔt（9）

式中：Sit为电站i在第t时段的蓄能增量，kW·h；Qit为电站i在第t时段的入库流量，m3/s；qit为电站i在第t时段的利用流量，m3/s；Ki为电站i的出力系数；Hit为电站i在第t时段的发电水头，m；其他符号意义同上。

2.1.2" 约束条件

（1） 水电出力约束。

Nminh，i（t）≤Nh，i（t）≤Nmaxh，i（t）（10）

式中：Nminh，i（t）、Nmaxh，i（t）分别为第i个水电站第t时段的出力下限以及上限，kW；Nminh，i（t）需要综合考虑水电站最小下泄流量、生态流量、强迫出力等；Nmaxh，i（t）需综合考虑水电站装机以及日内综合利用流量。

（2） 水电站下泄流量约束。

Qmini（t）≤Qi（t）≤Qmaxi（t）（11）

式中：Qi（t）为第i个水电站在第t时段的下泄流量，m3/s；Qmini（t）为第i个水电站在第t时段的最小下泄流量，m3/s；Qmaxi（t）为第i个水电站在第t时段的最大下泄流量，m3/s。

（3） 光伏电站出力约束。

Nminpv，i≤Npv，i（t）≤Nmaxpv，i（12）

式中：Nminpv，i为光伏电站时段最小出力，kW；Nmaxpv，i为光伏电站时段最大出力，kW。

（4） 水量平衡约束。

Vi（t）=Vi（t-1）+［Ri（t）-Qi（t）］×mt+（1-2δ）Qhs，i（t）（13）

式中：Vi（t）为第i个水电站在第t时段末的库容，m3；Vi（t-1）为第i个水电站在第t时段初的库容，m3；Ri（t）为第i个水电站在第t时段的入库流量，m3/s；其他符号意义同上。

（5） 混蓄电站水力约束。

流量利用约束：

0≤Qhs，i（t）≤Qmaxhs，i（14）

式中：Qmaxhs，i为混蓄电站最大过机流量，m3/s。

混蓄电站水量平衡约束：

Tt=1Qhs，i（t）=0（15）

即一日之内混蓄电站发电用水量与抽水量保持平衡，最大程度降低对常规水电运行的影响。

2.2" 模型求解方法

本次研究所构建模型为多目标模型，多目标之间不可简单转化为线性目标进行优化求解，此外，水电站动能计算所涉及水位流量关系、水位库容关系曲线通常也为非线性。

针对上述非线性多目标求解问题，

本节通过目标分级的分层求解思路，将多目标问题转化为多阶段求解问题，再结合嵌套求解思路，将优化结构由单向输入转化为双向互馈。

2.2.1" 外层目标分级与决策变量降维

由于混蓄电站将已建水电站作为上水库，其地理位置一般偏离负荷中心，在长距离的电力输送中，互补系统出力将会产生一定波动，给电网系统安全稳定运行带来挑战。因此，在此类调度模式下，应在电源侧利用混蓄电站的调节能力平抑光伏出力波动性，使互补系统出力尽可能与电网负荷需求相匹配，计算过程中目标Ⅰ优先级高于目标Ⅱ。

为保证目标Ⅰ即发电过程与电网负荷完全匹配，记电网负荷曲线L中最大值为L，此时t=i，则电网负荷时间序列可用下式表示：

L（t）=L，t=iδt×L，t≠i（16）

式中：δt为各时间点系统负荷与时段内最高负荷比值，为常数。

δt代表了电网负荷曲线的形状与分布，为保证目标函数Ⅰ，需保证水光混蓄互补系统出力按照δt序列进行分布，具体见下式：

N（t）=nji=1j=h，pv，hsNj，i（t）=N，t=iδt×N，t≠i（17）

式中：N为水光混蓄互补出力时间序列最大值，kW。

此时，互补系统发电时间序列可用N以及常数序列δt进行表示，原外层多目标问题决策变量由各时段发电流量转化为互补系统出力峰值N，决策变量维度降低，有效降低了计算难度。

2.2.2" 外层模型目标更新

经决策变量降维后，外层模型求解转化为单目标函数求解模型，原目标求解转化为调整N在约束条件限制里寻找互补发电系统最高N。由于决策变量为一维线性变量，一般一维正相关优化问题可以采用线性规划方式，但此类方法不适用于决策变量降维后的优化问题，因此，研究采用Fibonacci一维区间消去法对变量进行更新。具体步骤如下：

（1） 初始化斐波那契数列。设定N的初始区间为［a，b］，计算初始Fibonacci数列F［k］，其中F［k］是大于或等于待搜索区间长度（b-a+1）的最小Fibonacci数。设定指针x与y，其中x=F［k-1］，y=F［k］。

（2） 确定分割点。确定变量N1，使得N1=a+ F［k-1］-1，将待搜索区间分割为［a，N1］与［N1+1，b］。

（3） 判定N1是否满足约束条件，若满足则更新边界为［N1+1，b］，重新计算N2与Fibonacci数列F［k-2］，反之则更新搜索边界为［a，N1-1］，计算N2与Fibonacci数列F［k-1］。

（4） 重复步骤（3），直至达到迭代次数或迭代精度满足要求。

2.2.3" 内层水量优化分配

内层模型是在外层水光混蓄协同优化模型的基础上进行混蓄电源组的水量分配，将外层模型电力出力过程分配至混蓄电站以及上下水库电站，在此过程中以目标Ⅲ为优化目标来合理分配流量，在满足外层目标函数的前提下，寻求内层目标最优解。

通过形成内外层模型信息双向互馈方式提高模型求解精度，在求解时首先对外层模型进行寻优，得出初始解后，将其作为约束输入内层模型，内层计算的结果将进一步指导外层的进化方向。如果内层寻优无法收敛，系统会自动将梯级蓄能增量返回初始值。当内层最优解对应的发电量低于外层寻优结果对应电站发电峰值时，则相应减小互补系统发电峰值。反之，如果内层最优解对应的蓄能增量可以继续增加，则依据外层目标更新策略。

此过程初始解集难以确定，使用线性递减惯性权重粒子群（linearly decreasing inertia weight particle swarm optimization，LDIW-PSO）算法对内层模型进行优化［21］，求解步骤如下：

（1） 求解环境初始化，主要参数包括种群规模、惯性权重因子、迭代次数以及学习效率；

（2） 初始化决策变量粒子种群，并将初始种群设置为个体历史最优；

（3） 更新适应度，进行种群寻优，根据公式进行粒子优化迭代，记录个体最优以及种群最优；

（4） 决策变量更新，对粒子种群进行更新；

（5） 跳出循环，当循环次数达到上限或本次求解满足精度，则跳出循环，输出最后一次所记录最优种群。

vz，s=wvz，s+c1r1（pz，s-xz，s）+c2r2（pg，s-xz，s）（18）

xz，s=xz，s+vz，s（19）

式中：z为粒子个数；s为问题维数；vz，s为z粒子在s维的速度；w为惯性权重；c1，c2为学习因子；r1，r2为［0，1］范围内的随机数；xz，s为z粒子s维位置；Pz，s为z粒子个体极值的s维位置；Pg，s为粒子全局极值的s维位置。

惯性权重直接影响着算法的求解效率和收敛能力［22-23］。较大的惯性权重有助于粒子跳出局部最优解，提升整体搜索能力；而较小的惯性权重则有利于算法的收敛，增强PSO的局部搜索能力。通过采用线性规律变化的惯性权重，可以有效地克服PSO算法在末期可能出现的在全局最优解附近振荡的问题，进而提高算法的稳定性和收敛性。

2.3" 求解步骤

综上，将原多目标求解问题通过分层嵌套解耦思路转化为双层目标，并通过决策变量降维方式降低外层目标求解难度，提高求解效率。外层目标采用Fibonacci一维区间消去法进行更新求解，作为内层目标函数原始条件输入，通过PSO算法对内层目标进行优化，并形成内外层信息互馈的结构［24］。模型求解步骤如下：

（1） 按照式（16）计算常数序列δt，此时决策变量转换为互补发电系统电力输出峰值N。

（2） 互补发电系统电力输出峰值N更新，采用Fibonacci一维区间消去法对决策变量进行迭代更新［25］。

（3） 使用PSO算法对步骤②所优化出力过程进行负荷分配，以梯级蓄能增量最大为目标。

（4） 重复步骤②～③，直至达到迭代次数或本次输出结果满足精度要求：N（j+1）-N（j）N（j）≤ε，其中ε为一无限接近于0的正值，求解结束。

模型求解流程如图5所示。

3" 实例分析

3.1" 研究区域概况

本次研究选择金沙江上游（川藏段）叶巴滩混合式抽水蓄能电站作为研究对象。叶巴滩混合式抽水蓄能电站位于四川省白玉县与西藏自治区贡觉县境内的金沙江干流，是利用金沙江梯级叶巴滩水电站为上库，拉哇水电站为下库建设的混合式抽水蓄能电站，安装18台单机25万kW可逆式机组。目前规划周边光伏资源800万kW，与叶巴滩混蓄电站打捆输电至四川电网［26-27］。具体参数见表2与表3。

绘制丰水期、平水期、枯水期四川电网典型负荷标幺过程于图6，各个计算典型日场景说明见表1。

3.2" 计算结果分析

将不同典型日水光混蓄互补运行优化结果绘制于图7。可以看出，各典型日内水光混蓄互补发电系统出力均能匹配电网负荷需求，混蓄电站充分发挥其调节作用，在光伏出力以及负荷需求波动的情况下仍能灵活调节自身出力与抽水功率，使得系统出力能够响应负荷需求。

为详细分析混蓄电站运行规则，将各典型日等效负荷（电网负荷扣除光伏出力）绘制于图8。

对比图7与图8，可以看出混蓄电站运行过程与系统等效负荷过程趋势一致。将混蓄电站运行过程分为3个阶段：T1（00：00～08：30）、T2（08：30～17：00）、T3（17：00～24：00）。

（1） 丰水期。混蓄电站日内运行方式为“零抽两发”：T1时段，混蓄电站开机泄水，以“凹”字形状出力；T2时段，混蓄电站根据等效负荷降低出力至停机；T3时段，混蓄电站开机泄水，以“凸”字形状出力。当日间光伏出力水平增加时，混蓄电站T1与T3时段平均出力增加。

（2） 平水期。混蓄电站日内运行方式为“一抽两发”：T1时段，混蓄电站开机泄水，以“凹”字形状出力；T2时段，混蓄电站根据等效负荷降低出力直至开启抽水工况，抽水功率与等效负荷变化呈现相反趋势；T3时段，混蓄电站开机泄水，以“凸”字形状出力。当日间光伏出力水平增加时，混蓄电站T1与T3时段平均出力增加，T2时段抽水功率平均值以及峰值均增加，但在阴雨天气下由于等效负荷变幅较小，因此混蓄电站全日不开机。

（3） 枯水期。混蓄电站日内运行方式为“一抽两发”，各时段运行方式与平水期类似，但由于此时光伏

出力较大且来水较枯，混蓄电站调峰任务加剧，因此混蓄电站运行功率增加，甚至在阴雨天气下会出现“一抽一发”运行工况。

图9展示了接入混蓄电站前后水光混蓄互补发电系统不同典型日发电量对比情况，表4展示了不同典型日下水光混蓄互补发电系统发电量、源荷差异指标以及梯级蓄能增量对比情况。

从发电量的角度来看，丰水期S1、S2、S3典型日在混蓄电站加入后，发电量分别提升4.4%，11.0%，

12.4%，由此看出，在丰水期典型日中混蓄电站承担电源作用特征较为明显。平水期典型日当中，典型日均由于抽水工况的开启损失了部分电量，S4、S6典型日的损失幅度为4.4%与4.2%，但阴雨天气情景S5下电量增长了5.0%。这是由于在平-阴雨典型日内混蓄电站未开机运行，水电通过光伏出力在与负荷高峰重叠时段的适当降低出力提高水头，在总利用流量不变的约束下获得更多发电水头效益，产生更多发电量。在枯水期典型日当中，除阴雨天气典型日，其余典型日电量均由于混蓄电站抽水工况的加入损失了部分电量，S7、S9典型日分别减少5.9%与2.5%，在枯-阴雨天气典型日S8情景下，发电量提升了5.1%，其原因与平-阴雨典型日类似。

从源荷差异指标来看，经过分级嵌套解耦策略求解后，各典型日下离散Fréchet距离均为0，源荷匹配效果较好。从梯级蓄能增量来看，丰水期典型日下水库调度初末期均位于正常蓄水位，梯级蓄能增量为0；平水期以及枯水期典型日下梯级蓄能增量均有所提高。

4" 结 论

本研究为探究混合式抽水蓄能电站面向不同光伏出力场景的水光混蓄互补运行方式，通过构建基于GAN对抗神经网络的光伏出力场景生成模型表征光伏出力不确定性，构建以源荷差异指标最小、互补发电系统发电量最大以及梯级蓄能增量最大为目标的互补调度模型，用Fibonacci-PSO算法进行优化求解，得出如下结论：

（1） 相比无混蓄电站运行模式，混蓄电站的加入能够较好地调整系统出力与电网负荷需求相匹配，并可在丰水期利用水电弃水进行发电，增加系统发电量，提高资源利用率。

（2） 混蓄电站运行方式受到光伏出力过程与电网负荷过程影响，可以概括为丰水期时内“零抽两发”，平水期与枯水期“一抽两发”，即丰水期内混蓄电站0：00～8：30发电，出力过程呈现“凹”字型，17：00～24：00发电，出力过程呈现“凸”字型，日间停机；平水期与枯水期内混蓄电站夜间发电，发电过程与丰水期类似，日间8：30～17：00抽水，抽水功率于负荷高峰达到峰值，且与等效负荷变化具有“同升同降”趋势。

（3） 混蓄电站在不同时期体现出不同调节效益，在丰水期晴天、阴天及多云天气典型日内提升发电量4.4%，11.0%，12.4%，平水期与枯水期在开机抽水损失较少电量的条件下大大降低了系统出力与电网负荷的差异程度，使得互补发电系统能够精准响应负荷需求。

参考文献：

［1］" 程春田.碳中和下的水电角色重塑及其关键问题［J］.电力系统自动化，2021，45（16）：29-36.

［2］" CHENG C T，YAN L，MIRCHI A，et al.China′s booming hydropower：systems modeling challenges and opportunities［J］.Journal of Water Resources Planning amp; Management，2016：02516002.

［3］" HUNT J D，MARCOS A，AMARO O.A review of seasonal pumped-storage combined with dams in cascade in Brazil［J］.Renewable and Sustainable Energy Reviews，2017，70：385-398.

［4］" 张验科，武文龙，王远坤，等.汛期水风光多能互补动态调度模型研究［J］.人民长江，2024，55（9）：35-43.

［5］" 黄婧，李继清，龙飞雨，等.“碳中和”背景下流域统一电价机制研究［J］.人民长江，2023，54（4）：36-41，48.

［6］" 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.

［7］" 黄景光，黄静梅，吴巍，等.含混合式抽水蓄能电站的梯级水电站优化调度［J］.水电能源科学，2020，38（5）：76-80.

［8］" 申建建，王月，程春田，等.水风光多能互补发电调度问题研究现状及展望［J］.中国电机工程学报，2022，42（11）：3871-3885.

［9］" 胡学东，吴来群，袁玉，等.抽水蓄能与风电、光伏联合发电系统容量配置研究［J］.人民长江，2024，55（4）：244-251.

［10］张帅，汪子涵，张蜀程，等.基于数据驱动分布鲁棒优化的梯级水光蓄联合优化调度［J］.工程科学与技术，2023，55（2）：128-140.

［11］周修宁，蒋传文，王旭，等.基于分布鲁棒的梯级水光蓄系统日前-实时两阶段调度方法［J］.电气自动化，2022，44（3）：5-7.

［12］黄景光，黄静梅，吴巍，等.含混合式抽水蓄能电站的梯级水电站优化调度［J］.水电能源科学，2020，38（5）：76-80.

［13］苏学灵，纪昌明，黄小锋，等.混合式抽水蓄能电站在梯级水电站群中的优化调度［J］.电力系统自动化，2010，34（4）：29-33.

［14］肖军，朱正，鲁晓军，等.提高水风光可再生能源配网消纳的分布式串联补偿研究［J］.水利水电快报，2023，44（3）：89-95.

［15］朱燕梅，陈仕军，黄炜斌，等.一定弃风光率下的水光风互补发电系统容量优化配置研究［J］.水电能源科学，2018，36（7）：215-218.

［16］GOODFELLOW I，POUGET-ABADIE J，MIRZA M，et al.Generative adversarial nets［C］∥Neural Information Processing Systems，Canada，June 10，2014［2022-06-05］.https：∥api.semanticscholar.org/CorpusID：261560300.

［17］王坤峰，苟超，段艳杰，等.生成式对抗网络GAN的研究进展与展望［J］.自动化学报，2017，43（3）：321-332.

［18］李康平，张展耀，王飞，等.基于GAN场景模拟与条件风险价值的独立型微网容量随机优化配置模型［J］.电网技术，2019，43（5）：1717-1725.

［19］顾永涛，徐泽禹，盛庆博，等.基于生成对抗网络的光伏出力区间预测方法［J］.哈尔滨理工大学学报，2021，26（2）：100-109.

［20］朱瑞金，廖文龙，王玥珑，等.基于生成矩匹配网络的光伏和风电随机场景生成［J］.高电压技术，2022，48（1）：374-385.

［21］温阳东，李龙剑.基于LDIW-PSO算法的BP神经网络在压力传感器中的应用［J］.化工自动化及仪表，2014，41（9）：1031-1034.

［22］谭乔凤，聂状，闻昕，等.大规模风光接入下梯级水电站调度方式研究［J］.水力发电学报，2022，41（9）：44-55.

［23］计军恒，冯晨，朱燕梅.基于源荷匹配的水光混蓄电站运行策略［J］.中国农村水利水电，2024（6）：271-277.

［24］姜海洋，杜尔顺，朱桂萍，等.面向高比例可再生能源电力系统的季节性储能综述与展望［J］.电力系统自动化，2020，44（19）：194-207.

［25］ZHANG Y，CHENG C，CAO R，et al.Multivariate probabilistic forecasting and its performance′s impacts on long-term dispatch of hydro-wind hybrid systems［J］.Applied Energy，2020，283（7）：116243.

［26］彭煜民，王雪林，刘德旭，等.考虑混蓄与纯蓄配置方式的水风光蓄互补系统调度运行对比研究［J］.电力系统保护与控制，2024，52（10）：179-187.

［27］WANG X B，CHANG J X，MENG X J，et al.Short-term hydro-thermal-wind-photovoltaic complementary operation of interconnected power systems［J］.Applied Energy，2018，229：945-962.

（编辑：郭甜甜）

Study on operation mode of hybrid storage power station considering uncertainty of photovoltaic output

WANG Jing1，HE Qiang1，FENG Chen2，KANG Lijun1，ZHU Yanmei2，ZHANG Yangbo2

（1.Power Dispatching Control Center of Southwest Branch of State Grid Corporation of China，Chengdu 610065，China；

2.College of Water Resource and Hydropower，Sichuan University，Chengdu 610065，China）

Abstract：

To explore the complementary operation of hybrid pumped storage power stations under different photovoltaic （PV） output scenarios，we developed a photovoltaic output scenario generation model based on generative adversarial networks （GANs） to characterize the uncertainty of PV output，and constructed a complementary scheduling model aimed at minimizing source load differences，maximizing system power generation，and maximizing energy storage increments of cascade hydropower stations.We optimized the model using the Fibonacci-PSO algorithm.The results showed that the hybrid pumped storage power plant，compared to the mode without such a hybrid plant，can better adjust system output to match grid load demand and utilize water power during high-water periods for power generation，increasing system power generation and resource utilization.The hybrid pumped storage plant primarily generates electricity in nights during high-water periods，while during medium and low-water periods，it generates electricity in nights and pumps water during days.This operation mode increases power generation by 4.4% to 12.4% during high-water periods and reduces the discrepancy between system output and grid load through pumping during medium and low-water periods，allowing the complementary power generation system to respond precisely to load demand.The study demonstrated that the proposed method significantly enhances the ability to incorporate clean energies.

Key words：

hybrid storage power station； complement of hybrid pumped plants； source-load difference； multi-objective solution