Page 31 - 《中国电力》2026年第4期

陆建宇等：考虑风光发电不确定性的风光水火多能互补区域电网中期优化调度方法 2026 年第 4 期

开机，则 U i,k 为 1，否则 U i,k 为 0； Y i,t 为第 i 台机组 预测误差，生成协方差矩阵，结合混合高斯抽样生
在第 t 天的开机变量，若从停机到开机，则 Y i,t 为 成新能源出力场景集。最后以出力场景为输入条
1，否则 Y i,t 为 0； Z i,t 为第 i 台机组在第 t 天的停机 件，构建兼顾电网弃电/缺电风险最小与火电运行
变量，若从开机到停机，则 Z i,t 为 1，否则 Z i,t 为 0。 成本最小的多目标优化模型。提出一种分层权重
9）火电最少开机台数约束。为维持电网安全 优化方法（hierarchical weight optimization，HWO），
运行，发电侧需满足最小开机台数要求，即 将多目标问题转换为单目标求解，并利用商业求

I th 解器 Gurobi 求解模型。
∑

（19）
U i,t ≥N th,min
2.2 新能源出力场景生成方法
i=1
2.2.1 新能源预测误差时变特性
式中： N th,min 为火电最少开机台数。
新 能 源 预 测 出 力 在 预 见 期 内 具 有 一 定 相 关
10）核电出力约束为
性，例如预见期内出现连续极端天气，如未能预
nu tr
P = P （20）
t,p nu 测未来连续降雨，光伏预测出力会显著偏大，反
tr
式中： P 为网调核电实际出力，MW。 之亦然。因此，新能源预测出力误差在预见期内
nu
11）抽蓄出力约束为 也存在一定的相关性，其预测误差可视为一个随
T
P cx = P tr （21） 时间变化的向量 X = (X 1 ,X 2 ,··· ,X T ) ， X t (t=1, ···, T)
t,p cx
为预见期内第 t 天预测误差随机变量，本文取预
式中： P 为网调抽蓄实际出力，MW。
tr
cx
见期长度 T=10。为考虑预测误差的时变特性，本
12）省间互济约束。随着新能源比例的逐步
文引入协方差矩阵 Σ为
提高，为解决未来新能源的消纳和保供难题，充
 V[X 1 ] Cov[X 1 ,X 2 ] ··· 
分进行网省协调，省间互济必不可少，即    Cov[X 1 ,X T ]  
Cov[X 2 ,X 1 ] V[X 2 ] ··· Cov[X 2 ,X T ]   


mu ws hy th nu cx Σ =      
P n,t,p =max((P n,t,p + P t,p + P t,p + P t,p + P +    ··· ··· ··· ···   
t,p
 Cov[X t ,X 1 ] Cov[X t ,X 2 ] ··· V[X T ] 
P others + P dc − L t,p ),0) （22） （25）
t,p
t,p
式中： V[X t ]为 X t 的方差； Cov[X i ,X j ]为 X i 与 X j 的协
S ∑
P mu = P mu （23）
n,t,p n,t,p,s
s=1 方差。
因此，可以借助 X 以向量和矩阵形式表示协
式 中 ： P mu 为 第 n 个 场 景 下 第 t 天 p 省 送 往 s 省
n,t,p,s
方差矩阵为
的互济出力，MW。
[ T ]
13）电站分电约束。所有网调电源均应满足 Σ = E (X −µ)(X −µ) （26）
区域电网分电要求，即 式中： E(·)为期望函数； µ为 X 的期望值向量。
（24） 新能源预测误差仍受到装机容量的影响，需
P i,t,p = k p P i,t
式 中 ： P i,t 为 网 调 电 源 i 电 站 第 t 天 出 力 ， MW； 要对协方差矩阵进行标准化，即
[ ]
Cov[X]
P i,t,p 为 i 电站第 t 天送 p 省的出力，MW； k p 为电 Σ = Cov[X] = Cov X = Cov[X] = √ （27）
˜
˜
网指定的网调电源对 p 省的分电比例。 σ X σ X V[X]

式中： Σ ˜ 、 为标准化后的协方差矩阵和预测误
˜
X
2 模型求解 差向量； σ X 为 X 的标准差向量。
由式（27）可知， ˜ 中各个元素对应各时间
Σ
2.1 总体思路 断面之间的相关性，故 Σ ˜ 能刻画不同预见期下新
本文旨在构建考虑新能源不确定性的区域电 能源预测误差序列的自相关性，即新能源预测误
网中期优化调度方法，因此如何表征新能源出力 差的时变特性。

不确定性是求解本文模型的关键和前提。为此， 2.2.2 基于混合高斯抽样的新能源场景生成方法
本文提出一种基于协方差矩阵理论和混合高斯抽 混合高斯抽样是指基于混合高斯分布随机生
样的出力场景生成方法，利用不同预见期下新能源 成样本的过程，混合高斯分布由多个高斯分布组
27