章绪论
1.1水风光多能互补调度研究现状
能源是人类生存的基础，是社步的命脉，是国家发展的支柱[1]。根据能源署（International Energy Agency）发布的Key World Energy Statistics21，自1973年19年，全球化石能源发电份额从75.2%降低63.1%；可再电份额从21.5%升高26.5%。气候变化、环境危机和能源消耗等因素使可再生能源在世界能源结构中占据日益重要的位置[2]。可再生能源机构（International Renewable Energy Agency）发布的Renewable Energy Statistics21显示：11～年，全球水电、风电和光电装机容量均呈增长趋势，如图1.1（a）所示。截年底，全球可再生能源装机容量为2802GW，其中，水电、风电和光电装机容量的占比分别为43.2%、26.1%和25.6%。中国是世界上能源生产和消费规模*大的国家[3]。11～年，中国水电、风电和光装机容量在全球的占比持续增加，如图1.1（b）所示。截年底，中国可再生能源装机容量为895GW，其中，水电、风电和光电装机容量的占比分别为38.0%、31.5%和28.4%，均居世界**。
风电和光电受相关气象因素（如风速、辐射和温度等）影响[4-5]。一方面，风电和光电具有不可调度：气象因素直接决定了发电出力，难以通过调控手段改变出力[6]。例如，受限于风速变化的风电场可视为不可调度的发电单元[7]。另一方面，风电和光电具有与间歇：部分气象因素间变幅较大，无法预报[8]。由于上述不可调度、和间歇，风电和光电的并网会对电网造成较大的冲击。水电的灵活调节能力可有效对冲风电和光电的与间歇[9]。水轮机组具备快速启停能力，爬坡速率每分钟可达装机容量的%～30%[10-11]。将水电的灵活调节能力用于平抑风电和光电的与间歇，可以形成稳定的电源以满足电网负荷需求[12]。基于此种调控思路，可以形成水风光互补系统[13]。类似地，采用灵活调节能源与间歇能源相组合的方式，可以形成多种互补系统，如水光互补系统[14]、水风互补系统[15]和水火风光互补系统[16]。
水风光多能互补调度利用资源的天然互补，并发挥水电的灵活调节能力，成为新能源消纳的重要手段之一[17-18]。由于风电和光电具有不可调度，水风光多能互补调度本质上是适应风光等能源的接入后，变化边界条件下的水库调度。传统的水库调度研究，为水风光多能互补调度奠定了坚实的理论基础。然而，相比于水库系统，水风光互补系统有以下新特征：①考虑弃电影响后，出力计算复杂，调度方式需重制；②风光等能源的接入导致模型的输入增加，互补系统应对突发事件的能力需要；③互补系统调度受多种预报不确定的影响，存在更大的调度风险。以上特征使水风光多能互补调度与水库调度产生差异，亟待研发流域水风光多能互补调度技术。
1.2本书的主要内容
水风光互补系统能有效提高风电和光电消纳，双碳目标的实现。在本书中，围绕大规模水风光互补系统率预报、调度运行及容量配置问题，从实时、短期、中及全生命周期等多时间尺度，展互补系统成套技术和解决方案的研究工作。各章节框架如图1.2所示。
2.1物理与数据双驱动的水风光互补系统日率预报
2.1.1概述
本节对风电站、光伏电站和水电站的单一电站日率*立预报问题开展研究。三种电站率预报既有共，又有特：
（1）电站发率都依赖于气象或水文要素，不同之处在于，风电站发率的主要影响因素为风速，光伏电站的主要影响因素为太阳辐射，水电站（尤其是径流式水电站）的主要影响因素为入库流量。
（2）影响电站发率的气象和水文要素都具有与波动，不同之处在于，短期时间尺度中风速和太阳辐射具有间歇特征，其不确定一般强于入库流量，又以风速的不确定*强，而在中时间尺度中，风速和太阳辐射的年际、季节变化通常小于入库流量变化。
（3）电站发率预报都有短期预报和中预报的划分，但不同能源对于短期和中的划分又有不同，时间尺度的划分在不同的国家和地区有着不同的标准，同时也受到预报水平和用户需求等多方面的制约。其中，日率预报对于电站制订日前发电计划和机组组合安排具有重要参考与指导意义，对于三种电站都是极为重要的。
（4）电率预报都依赖于物理驱动或数据驱动。在短期预报中，基于物理模型预报气象或水文要素存在预报误差，通常需要在误差校正率预报。当误差校正模型率预报模型都采用数据驱动方法如机器学经网络或深度学时，容易产生误差累积现象，通常合并为一个模型以降低模型复杂度。先基于物理驱动预报气象或水文要素，再基于数据驱动预报电率的间接预测法具有较高的预报精度。
本节耦合物理模型和大数据方法，构建了物理与数据双驱动的水风光互补系统日率预报模型，模型分为三个部分，分别为气象或水文要素预报、单率预报和模型能评估，如图2.1所示，步骤如下。
（1）使用天气研究与预报（weatherresearch and forecast，WRF）模型预报气象要素括风速、太阳辐射和降水，使用WRF-新安江模型预报入库流量。
（2）使用复合分解（variational mode decomposition，VMD）-主成分分析（principal component analysis，PCA）方法，对预报因行特征重构一步使用长短期记忆（long short-term memory，LSTM）网率预报。
（3）使用不同的评价指标综合评估气象、水文要素预报精度率预报精度。