吳文傳，許書偉，楊 越，3，4，王 彬，藺晨暉，沈宇康

（1.清華大學電機工程與應用電子技術系，北京市 100084；2.新型電力系統(tǒng)運行與控制全國重點實驗室（清華大學），北京市 100084；3.合肥工業(yè)大學電氣與自動化工程學院，安徽省合肥市 230009；4.新能源利用與節(jié)能安徽省重點實驗室（合肥工業(yè)大學），安徽省合肥市 230009）

0 引言

新能源的大力發(fā)展可以緩解化石燃料危機、降低碳排放，是人類應對氣候變化的重要舉措。近年來，各國政府相繼推出面向低碳、清潔的新能源發(fā)展戰(zhàn)略［1-3］，中國提出加快構建適應新能源占比逐漸提高的新型電力系統(tǒng)［4］，未來新能源會持續(xù)得到大規(guī)模的開發(fā)和利用。

在電力系統(tǒng)運行層面，電力電量平衡體現(xiàn)為源-荷在時間上和一定空間范圍內的匹配，實現(xiàn)平衡的關鍵在于電力系統(tǒng)調度對發(fā)電和備用資源的優(yōu)化配置。由于風/光新能源發(fā)電波動性強且難以精確預測，高比例新能源電力系統(tǒng)的運行和優(yōu)化調度面臨如下諸多挑戰(zhàn)：

1）電力系統(tǒng)運行中平衡場景多樣化帶來安全風險。新能源的波動性和不確定性造成電力系統(tǒng)運行場景多樣化，當新能源發(fā)電功率偏離預測值的幅度較大時，電力系統(tǒng)的安全約束無法全部滿足，電力實時平衡被打破，進而引起系統(tǒng)備用調節(jié)容量不足、輸電斷面功率越限等安全風險。

2）滲透率提高導致新能源消納和供電不足問題。新能源發(fā)電具有間歇性和“反調峰”特性，對電力平衡支撐能力弱［5］，容易引起供電或消納問題。隨著新能源裝機容量與發(fā)電占比的迅猛增長，近年來國內外均出現(xiàn)了不同程度的棄風/棄光和拉閘限電（切負荷）事件。2019 年，中國新能源棄電超過4%，西北地區(qū)新疆、甘肅和內蒙3 省棄風率均超過7%［6］；同時，受不穩(wěn)定天氣的影響，新能源發(fā)電不足是導致中國東北地區(qū)［7］、美國加利福尼亞州［8］和得克薩斯州［9］大規(guī)模停電的重要因素。新能源棄電會降低風/光利用小時數(shù)，突發(fā)性的切負荷則會導致生產(chǎn)中斷，甚至造成重大國民經(jīng)濟損失。

3）傳統(tǒng)調度方法風險與保守性并存。傳統(tǒng)確定性調度方法基于單一預測場景制定發(fā)電計劃，備用決策由人工完成，其容量的選擇具有任意性和盲目性，備用比例過低時無法匹配新能源的大幅波動，系統(tǒng)安全性難以保證；反之，則會造成資源的浪費，影響系統(tǒng)經(jīng)濟性。

應對上述挑戰(zhàn)的核心在于電力系統(tǒng)調度對新能源不確定性的處理，主要體現(xiàn)在3 個方面：1）采用何種調度模式將不確定性的統(tǒng)計信息納入決策；2）如何建立精確且通用的不確定性信息模型；3）如何有效求解考慮不確定信息的動態(tài)決策問題。文獻［10-11］提出應對大規(guī)模風電不確定性的“多級協(xié)調、逐級細化”的調度模式并開發(fā)了相應系統(tǒng)，利用精度高的短時間尺度預測修正上一級調度的偏差，逐級消除風電不確定性。近年來，考慮大規(guī)模新能源并網(wǎng)的魯棒調度技術已經(jīng)被廣泛采用且得到深入研究，其通常將新能源波動范圍視為已知的凸域，包括超盒［12］、多面體［13］、橢球［14］等。然后，基于極端出力或最惡劣爬坡場景下約束不被破壞的原則，根據(jù)對偶原理［12］或多階段迭代格式［15-16］對問題求解，從而得到絕對安全的傳統(tǒng)機組和新能源調度策略。魯棒調度方法的物理意義清晰，計算復雜度相對較低，然而，在高比例新能源、強不確定性的電力系統(tǒng)中，極端場景主導的調度策略往往過于保守。隨機調度可以實現(xiàn)統(tǒng)計最優(yōu)，避免了魯棒優(yōu)化的保守性，其中新能源的不確定性被建模為隨機變量且服從某種特定分布［17］，如高斯分布［18］、通用分布［19］和高斯混合模型（Gaussian mixture model，GMM）［20］等。這類方法保證了某些典型場景或一定置信度下系統(tǒng)運行約束成立，通過最小化期望形式的總運行成本（燃料成本、備用成本和新能源棄電成本等）得到調度計劃，求解方法大致分為場景法［21］和解析法［18-20］。機會約束隨機調度可以權衡系統(tǒng)運行的安全性和經(jīng)濟性，然而，由于目前尚未形成系統(tǒng)的理論和方法闡釋隨機調度的實施架構，給出通用的不確定性建模和復雜機會約束的求解方法，隨機調度技術難以有效應用于工程實踐中。

為了應對大規(guī)模新能源并網(wǎng)帶來的運行挑戰(zhàn)，本文首先提出了風險量化概率調度定義與架構，闡釋了處理新能源發(fā)電不確定性所遵循的步驟和基本原則。然后，具體介紹了概率調度的關鍵技術，包括新能源概率建模的數(shù)學基礎、概率備用決策與機組組合、考慮棄電與有序用電的概率日前調度計劃、隨機魯棒自適應實時調度，為提升新能源消納水平、促進電力系統(tǒng)的安全高效運行提供了完整的、系統(tǒng)性的解決方案。最后，本文簡要分析了典型工程應用的效果，對未來的研究方向進行了展望。

1 風險量化的概率調度定義與架構

風險量化的概率調度包含對不確定性的刻畫與分層逐級消除的各個環(huán)節(jié)，首先是不確定性預測與建模，基于氣象預測和歷史數(shù)據(jù)得到新能源發(fā)電概率模型，基于此實施發(fā)電調度和備用決策，給出常規(guī)電源和新能源的發(fā)電計劃，包含負荷備用、事故備用、新能源不確定性備用在內的備用計劃，以及新能源棄電與有序用電計劃，保證大概率場景下的系統(tǒng)安全。最后，結合新能源預測和所得的調度計劃對小概率場景下的運行風險進行辨識和量化評估，制定極端場景下的應急控制策略，從而覆蓋并消除各類不確定性。風險量化的調度模型的緊湊表達如圖1 所示。圖中：x為決策變量（如常規(guī)機組發(fā)電計劃）；y為系統(tǒng)參數(shù)（如電網(wǎng)拓撲與線路參數(shù)）；z?為隨機量表示的預測參數(shù)；f(·)為目標函數(shù)；h(·)為等式約束；g(·)為安全約束函數(shù)；smax為運行約束的限值；β為風險水平，1-β為約束成立的置信水平；Pr(·)表示事件發(fā)生的概率；E(·)表示隨機變量的期望。

圖1 風險量化概率調度的定義與架構Fig.1 Definition and framework of risk-quantified probabilistic dispatch

上述概率調度架構的核心在于對新能源波動等隨機性因素引發(fā)的安全風險進行量化建模，并實現(xiàn)風險量化且在統(tǒng)計意義上的最優(yōu)調度?？紤]電力系統(tǒng)優(yōu)化調度的數(shù)學模型，假定被限制的物理量（如斷面潮流功率、系統(tǒng)備用需求等）為s，那么其可以表示為決策變量x、系統(tǒng)參數(shù)y和預測參數(shù)z（如負荷和新能源發(fā)電功率預測）的函數(shù)，且滿足安全約束，即

如圖2 所示，傳統(tǒng)方法考慮單一預測參數(shù)z0，保證基態(tài)下安全約束g(x，y，z)≤smax成立，同時為了應對預測參數(shù)的不確定性預留一定的安全裕度（Δs≥0）。然而，實際工程中安全裕度通常根據(jù)歷史運行經(jīng)驗設定，具有任意性和盲目性。若安全裕度選擇過大，系統(tǒng)安全風險低但決策過于保守，經(jīng)濟性較差；反之，系統(tǒng)經(jīng)濟性得到改善但安全約束會頻繁越限。因此，不合理的安全裕度造成保守與風險并存的情況。本文所提的風險量化可控的概率調度將預測參數(shù)建模為隨機變量z?，同時令安全約束成立的置信水平為1-β，從而將系統(tǒng)發(fā)生運行風險的概率限制在β之下。相比于安全裕度Δs，風險水平β體現(xiàn)了調度決策在不確定性下出現(xiàn)風險事件的概率，物理意義更為清晰。

圖2 基于機會約束的風險量化安全約束Fig.2 Risk-quantified security constraints based on chance-constraints

電力系統(tǒng)的有功調度通常遵循“多級協(xié)調”的原則，以充分利用不同時間尺度的預測信息，發(fā)揮不同響應速率靈活性資源的調節(jié)能力。在發(fā)電調度與備用決策層面，本文提出多時間尺度協(xié)調的概率調度框架，如圖3 所示。在星期前/日前計算周期下，執(zhí)行概率備用決策和機組組合，得到傳統(tǒng)機組的開關機計劃和備用容量配置計劃，以此為基礎執(zhí)行考慮棄電與有序用電的日前概率調度，得到傳統(tǒng)機組和各類靈活性資源的發(fā)電和備用調節(jié)計劃、新能源潛在棄電計劃以及可控負荷的切負荷預案。然后，在5～15 min 的計算周期下，結合新能源超短期預測執(zhí)行概率魯棒滾動/實時調度，滿足電網(wǎng)實時運行對新能源消納和安全性的要求。所提框架的特點在于：1）長時間尺度下注重提升調度決策的經(jīng)濟性，短時間尺度下保證電網(wǎng)運行的安全性和算法的快速穩(wěn)定計算；2）各決策時段系統(tǒng)風險量化可控，且隨著時間尺度減小，系統(tǒng)允許的風險水平逐級降低。上述特點與實際中不同調度時段對電網(wǎng)運行安全性和經(jīng)濟性的要求是一致的。

圖3 多時間尺度協(xié)調的風險量化概率調度框架Fig.3 Framework of multi-time-scale coordinated risk-quantified probabilistic dispatch

2 關鍵技術

2.1 新能源概率建模的數(shù)學基礎

新能源不確定性建模是概率調度決策的基礎環(huán)節(jié)，考慮到?jīng)Q策模型的可解性與決策結果的準確性，新能源概率分布模型應具有下述性質：1）精確性。受氣象條件、預測技術等因素的限制，新能源預測隨機量往往具有多峰、非對稱、厚尾等特征，所用概率模型應能對其精確擬合；含多個新能源場站時，概率模型要能夠表示高維的、相關的分布特征。2）線性組合不變性。概率調度模型中機會約束含隨機變量的線性組合項，若組合前后分布類型不變，便能避免繁瑣的卷積積分計算，給機會約束的求解帶來極大的便利。3）解析性。機會約束和期望形式的目標函數(shù)本質上為決策變量的隱式積分函數(shù)，無法通過現(xiàn)有的優(yōu)化技術直接求解，場景采樣法實施簡單但計算量大，工程上不實用，可解析的概率分布能夠將隨機優(yōu)化模型轉化為確定性模型，這對問題凹凸性判定、求解方法的選擇和靈敏度分析極為重要。

橢球等高分布族可以表示多元分布特征，同時高維向低維的投影分布可參數(shù)化計算［22］，上述性質使得各類橢球等高分布（如正態(tài)分布、t分布、拉普拉斯分布、柯西分布）在樣本理論中得到極其廣泛的應用［22］。特別地，多元橢球等高穩(wěn)定分布［23］具有“穩(wěn)定性”，即隨機變量概率密度函數(shù)（probability density function，PDF）在卷積積分運算后會得到同類型的概率分布，這與所期望的“線性組合不變性”是一致的。進一步考慮到解析性的要求，高斯分布和柯西分布是僅有的具有解析形式PDF 的橢球等高穩(wěn)定分布，因此新能源的概率建模需圍繞上述兩種分布展開。

一方面，柯西分布具有尖峰和厚尾特性，能夠較好地擬合預測精度高的超短期新能源預測誤差，適合于實時概率運行優(yōu)化［24］；另一方面，針對一般情形，研究提出采用GMM 擬合新能源預測分布，GMM 不僅能夠表示具有多元聯(lián)合且高維相關的隨機向量，而且其各分量為隸屬于多元橢球等高穩(wěn)定分布族的高斯分布，具有線性組合不變性。同時，GMM 擬合能力強，通過調整高斯組分的個數(shù)、組分的權重系數(shù)、期望和協(xié)方差矩陣的值，可以實現(xiàn)對任意概率分布的精確刻畫，如圖4 所示。因此，GMM滿足了新能源不確定性建模對精確性和線性組合不變性的雙重要求［25］。

圖4 不同分布對新能源預測誤差的擬合Fig.4 Fitting of renewable energy prediction error with different distributions

然而，GMM 沒有解析的累積分布函數(shù)（cumulative distribution function，CDF），應用于復雜隨機優(yōu)化問題中時會造成問題的轉化和求解困難。因此，研究提出基于復合雙曲正切函數(shù)的高斯混合近似模型［26］，假定GMM 的組分個數(shù)為M，第m個分量的權重系數(shù)、期望和標準差分別為ωm、μm和σm，那么近似之后的累積分布函數(shù)F*CDF可以表示為：

式中：擬合參數(shù)a=0.798 3、b=0.035 64。

式（2）對GMM 的最大近似誤差為0.018%，滿足工程應用的需要。所提近似函數(shù)與現(xiàn)有研究中多項式近似方法［20］對高斯分布PDF 和CDF 曲線的擬合如附錄A 圖A1 所示。事實上，采用的復合雙曲正切函數(shù)不僅在擬合精度方面比多項式近似方法高一個數(shù)量級，而且保持了原曲線的連續(xù)性、單調性和凹凸性等特性。由于GMM 各混合分量均為高斯分布，在擬合精度等近似特性上與高斯分布是一致的。結合近似函數(shù)式（2）可知，概率調度模型中的期望積分函數(shù)和機會約束均可以轉化為解析的確定性形式，上述解析近似方法可以有效應用于概率優(yōu)化問題的求解［26-27］。

實際工程中，預測系統(tǒng)利用數(shù)值天氣預報并結合對歷史數(shù)據(jù)的分析擬合得到新能源發(fā)電概率分布。GMM 的擬合可以通過期望最大化（expectation maximization，EM）算法［28］實現(xiàn)。然而，隨著隨機變量維度的增加，由于協(xié)方差矩陣的存在，GMM 的參數(shù)數(shù)量會以維數(shù)平方的量級上升，擬合參數(shù)過多容易造成過擬合或陷入局部最優(yōu)解，增加模型的復雜度。為了解決這一問題，本文提出稀疏化協(xié)方差矩陣結構的稀疏GMM，將EM 算法中的似然度函數(shù)修正為下述形式：

式中：xp表示第p個樣本點；K表示樣本點數(shù)；N(·)為高斯分布的PDF；λ為L1 正則項的權重系數(shù)；μm和Σm分別為第m個高斯分量的期望向量和協(xié)方差矩陣；Σ-1m，pq為Σ-1m的第p行第q列的元素。式（4）中第1 項為經(jīng)典EM 算法的似然度函數(shù)，第2 項為代表有關稀疏結構的懲罰項。該結構可以實現(xiàn)參數(shù)數(shù)量與擬合精度之間的平衡，并提升擬合的計算效率。

2.2 概率備用決策與機組組合

機組組合負責制定未來一個星期到一天的火電機組開關機計劃，受機組運行特性限制，計劃一旦制定難以在短時間內調整，它決定了系統(tǒng)的發(fā)電能力和備用水平，確定了經(jīng)濟調度的可調邊界。隨著新能源滲透率的提升，傳統(tǒng)基于排序表或簡單確定性優(yōu)化的開關機計劃無法與系統(tǒng)備用需求相匹配。若開機容量過小、系統(tǒng)正備用數(shù)量少，新能源實際發(fā)電功率小于預測值會造成供電不足，進而引起切負荷或強迫增加區(qū)外聯(lián)絡線支援；若開機容量過大、機組最小技術出力大、系統(tǒng)負備用數(shù)量少，新能源大發(fā)時下調空間受限，從而造成新能源棄電。

針對上述挑戰(zhàn)，綜合考慮系統(tǒng)對負荷備用、事故備用和新能源不確定性備用的要求，提出概率備用決策與機組組合方法，數(shù)學模型簡要描述如下：

概率備用決策與機組組合模型含期望積分項和復雜雙邊機會約束，無法直接求解。針對Cadj表示的備用調節(jié)成本，現(xiàn)有方法往往通過序列規(guī)劃（sequential linear programming，SLP）［19-20］逐 次 迭 代逼近局部最優(yōu)解，然而SLP 忽略了目標函數(shù)的二階導數(shù)，收斂速度慢，且受參數(shù)影響而不穩(wěn)定。考慮到Cadj可以推導為隨機變量PDF 和CDF 的函數(shù)，利用2.1 節(jié)中給出的GMM 解析近似方法，Cadj被精確近似為確定性凸函數(shù)［27］，從而保證了模型可被解析求解。另一方面，約束式（8）和式（9）為雙邊機會約束而非單邊機會約束［19-20］，這是因為在“安全”的場景下，正、負備用或斷面功率上、下界需要同時得到滿足。因此，在風險水平為β時，常用的單邊約束在理論上只能保證安全水平為1-2β。為了直觀說明，圖5 展示了單/雙邊機會約束對應的可行域，假定隨機變量ζ的上、下界分別為fup(χ)和flow(χ)。圖中：約束1 為雙邊機會約束Pr(flow(χ)≤ζ≤fup(χ))≥1-β，約束2 為下邊界約束的單邊機會約束Pr(flow(χ)≤ζ)≥1-β，約束3 為上邊界約束的單邊機會約束Pr(ζ≤fup(χ))≥1-β，Qup和Qlow分別為雙邊機會約束對應的上、下分位點，qtl(β)和qtl(1-β)分別為單邊機會約束2 和3 對應的分位點。顯然，雙邊機會約束對應的可行場景更多，魯棒性更強。隨后，同樣基于2.1 節(jié)中的GMM 解析近似方法，式（8）和式（9）可被轉化為確定性約束，雙邊機會約束的判凸準則和凸重構方法如文獻［26］所述。至此，所提的概率備用決策與機組組合模型被轉化為可解析求解的確定性優(yōu)化問題。

圖5 單邊與雙邊機會約束的可行域Fig.5 Feasible regions of single-side and two-side chance constraints

2.3 考慮棄電與有序用電的概率日前調度計劃

日前調度基于機組組合的結果制定計劃，當日前調度時段的新能源預測偏離機組組合時段較大，或者不穩(wěn)定天氣造成新能源發(fā)電不確定性較強時，正常調節(jié)手段下系統(tǒng)供電能力或新能源消納能力不足，一旦出現(xiàn)備用調節(jié)耗盡或輸電斷面阻塞，只能通過緊急的棄風/光和切負荷來保證系統(tǒng)的安全運行。然而，這種緊急的棄電或切負荷方案都是實時決策的，可執(zhí)行性差且實施代價高，若能在日前調度階段制定“計劃性的”棄電和切負荷預案，可以將傳統(tǒng)意義上的“不確定的”“不可控的”負荷變成具有一定“靈活性”的可控資源（即廣義上的新型備用），從而進一步提升高比例新能源電力系統(tǒng)應對強不確定性的能力和裕度。所提的概率日前調度模式如圖6 所示，除了制定傳統(tǒng)機組的發(fā)電計劃和備用調節(jié)計劃外，還需下發(fā)以下指令：

圖6 新能源棄電與有序用電概率計劃示意圖Fig.6 Schematic diagram of probabilistic scheme of renewable energy curtailment and orderly power utility

1）棄電指令：給出每個風/光新能源場站允許發(fā)電的上界，超過上界的部分對應潛在棄電。

2）切負荷指令：給出各負荷最小預留的可切數(shù)量，應對各種供電不足的場景。

需要指出，棄電和切負荷指令只是為了將系統(tǒng)運行風險控制在可接受范圍內而制定的緊急控制預案，而非實際執(zhí)行的策略。該預案產(chǎn)生潛在的棄電和切負荷成本，需要提前與負荷聚合商和新能源場站協(xié)商以確保預案的可執(zhí)行性。

在數(shù)學優(yōu)化層面，棄電和切負荷意味著機會約束不可行，現(xiàn)有研究中往往對變量的邊界或置信水平等參數(shù)進行松弛［29］以確?？山庑浴Ｈ欢?，這類參數(shù)在實際應用中通常被事先給定而不能任意優(yōu)化。為了解決上述問題，所提的考慮棄電與有序用電的概率調度模型引入一類新的機會約束，即

式 中：z?為 新 能 源 發(fā) 電 功 率 的 預 測 參 數(shù)；WC(z?)和LS(z?)分別為緊急控制預案引起的棄電和切負荷功率的變量；Δz?為由棄電和切負荷引起的凈負荷功率的變化量。

不考慮棄電/切負荷時，機會約束僅含分布參數(shù)已知的隨機變量z?，考慮棄電/切負荷后，式（10）中Δz?為隨機決策變量，服從依賴于z?的條件概率分布，分布參數(shù)未知且取決于所采用的棄電/切負荷預案，形如式（10）的機會約束的求解是極其復雜的，現(xiàn)有的基于分位數(shù)的方法［20］均無法適用。采用條件風險價值（CVaR）及其對偶表達式將這類機會約束轉化為確定性的方程組，進而提出基于Benders 迭代式的雙層求解方法，實現(xiàn)新能源棄電與有序用電計劃的穩(wěn)定、高效求解［30］。

另外，文獻［31］還提出了一種工程實用的新能源棄電預案內凸近似計算方法。首先，引入松弛變量辨識高風險不可行的約束；然后，以最小棄電為目標求解各新能源場站的允許發(fā)電上界；最后，制定常規(guī)機組的發(fā)電和備用計劃保證經(jīng)濟運行。算例分析表明該方法近似誤差小且計算高效。

2.4 隨機魯棒自適應實時調度

分鐘級的實時調度作為日內有功調度中計劃顆粒度最小的環(huán)節(jié)，主要通過實時調整具有自動發(fā)電控制（AGC）功能機組的基點功率與控制新能源場站的發(fā)電功率，補償小時級的機組滾動發(fā)電計劃出現(xiàn)的功率失配偏差。傳統(tǒng)的實時調度模式需要新能源場站不斷追蹤下發(fā)的功率計劃值，導致新能源機組的頻繁功率調節(jié)和棄電，無法保證新能源功率波動下的系統(tǒng)安全。

針對上述問題，提出考慮自適應AGC 調節(jié)策略的隨機魯棒實時調度方法，數(shù)學模型描述如下：

目標函數(shù)式（12）包含2 個部分：機組發(fā)電成本f(x，y0) 與新能源波動導致的AGC 調節(jié)成本h(y(w?))，前者為確定性函數(shù)，后者利用新能源發(fā)電的概率模型建模為與新能源功率波動有關的隨機變量，利用數(shù)學期望量化調節(jié)成本的大小。約束條件式（13）表示包括功率平衡、線路潮流限制、旋轉備用、常規(guī)機組的爬坡速率以及出力限制等相關的等式和不等式約束。這些約束需要新能源實際出力在允許出力區(qū)間內波動的最惡劣條件下仍能滿足。因此，所提的實時調度方法既在目標函數(shù)中考慮新能源的隨機概率特征刻畫及其對運行經(jīng)濟性的影響，又在安全約束中考慮其魯棒形式確保實時調度給出的新能源發(fā)電允許區(qū)間內系統(tǒng)無安全風險。

隨機魯棒自適應實時調度模型的目標函數(shù)中調節(jié)成本數(shù)學期望可使用上文所述的GMM 解析近似方法精確近似為確定性凸函數(shù)，約束條件中的魯棒約束可以寫成如下等價形式：

式中：對應式（13），u表示x和y聯(lián)合之后的決策向量；E為u的系數(shù)矩陣。

逐行化簡得到魯棒約束的等價線性形式：

至此，提出的隨機魯棒自適應實時調度模型轉化為僅包含線性約束的凸優(yōu)化問題，可直接有效求解［32-33］。對于多個新能源場站聚合形成集群參與電網(wǎng)調控的情況，可以基于集群內部各個場站的發(fā)電概率模型，將實時調度給出的區(qū)間形式允許發(fā)電功率范圍合理分配至每個場站［17］，以促進新能源消納。

3 工程應用前景與展望

基于所提的風險量化概率調度理論和方法開發(fā)了相應的系統(tǒng)，并在多個省級電網(wǎng)得到部署和應用。省級電網(wǎng)的應用分析驗證了所提方法的有效性以及相比于傳統(tǒng)方法的優(yōu)勢。附錄B 中首先分析了GMM 對新能源預測分布的擬合精度，驗證了所提稀疏GMM 對避免過擬合的有效性，采用的源數(shù)據(jù)來自美國可再生能源國家實驗室提供的“ARPA-E PERFORM Datasets”，包含了美國得克薩斯州電力可靠性委員會管轄的各個風電與光伏場站的歷史預測實際發(fā)電與預測功率數(shù)據(jù)。然后，基于IEEE 24節(jié)點系統(tǒng)，通過直流潮流計算驗證了所提GMM 解析近似函數(shù)具有足夠小的近似誤差。

附錄C 介紹了所提的備用決策與機組組合、考慮新能源棄電與有序用電概率調度和隨機魯棒自適應實時調度在實際電網(wǎng)的應用效果。該電網(wǎng)包含64 個常規(guī)機組，常規(guī)機組裝機容量為15 441 MW，包含風電和光伏在內的新能源發(fā)電功率最大值超過4 000 MW，負荷功率與新能源發(fā)電數(shù)據(jù)均為實際數(shù)據(jù)。應用效果表明，所提方法通過制定備用計劃和預先的棄電/切負荷計劃，保證了備用不足和斷面過載的風險嚴格小于允許的風險水平，相比于確定性或保守的魯棒調度法，所提概率調度方法的綜合運行成本更小。為了適應未來新型電力系統(tǒng)的發(fā)展，還需要在以下方面做進一步研究。

1）大量風、光機組并網(wǎng)給電力系統(tǒng)的頻率穩(wěn)定性帶來了挑戰(zhàn)，電力系統(tǒng)呈現(xiàn)低慣量特性。因此，需要在調度控制的各個階段考慮系統(tǒng)的頻率安全：在長時間尺度，建立頻率穩(wěn)定約束機組組合模型以優(yōu)化常規(guī)機組啟停［34］；在短時間尺度，建立新能源主動支撐能力-發(fā)電計劃協(xié)同優(yōu)化模型實現(xiàn)新能源慣量、下垂系數(shù)的在線優(yōu)化［35］；在實時頻率控制中，建立同步機-逆變器異質機組快慢協(xié)調AGC 模型，提升二次頻率控制性能。

2）新能源不確定性需要電力系統(tǒng)建設更多的備用靈活性資源，導致了額外的輔助服務需求與運行成本。隨著電力市場機制的發(fā)展，這部分不確定性導致的備用資源成本需要進行公平合理的量化定價，進而在靈活性資源供應者與新能源場站之間建立權責對等的成本分配支付機制［36-37］。

3）分布式新能源、儲能和電動汽車等柔性負荷的大規(guī)模接入一方面給電網(wǎng)運行帶來了不確定性，另一方面也可以通過發(fā)展先進調控技術挖掘其靈活性參與電網(wǎng)運行。然而，這類資源數(shù)量多、規(guī)模小、分布廣且特性差異大，難于直接調控，需要發(fā)展虛擬電廠技術。虛擬電廠調控技術的核心在于靈活性資源的向上逐層聚合和調度指令的向下分層解聚合：聚合是指聚合分布式資源形成具有類發(fā)電機/儲能特性的“資源聚合體”，進而將其作為整體參與上級電網(wǎng)調度；解聚合是指在聚合體內部將系統(tǒng)調度計劃分解到下層聚合體或設備可執(zhí)行的最優(yōu)計劃或控制指令。

4）最后，概率調度與緊急控制之間的協(xié)調是一個涉及工程實踐的重要課題。概率調度可應對概率大的不確定性場景，通過犧牲一定的經(jīng)濟性來保證可接受風險水平。而緊急控制措施則要保證剩余小概率場景下系統(tǒng)運行的可靠性。概率調度應該保證多大的風險水平，對于不同的系統(tǒng)顯然是不一樣的。因此，需要研究小概率場景的生成與評估技術，開發(fā)基于風險決策的概率調度與緊急控制協(xié)調優(yōu)化工具［38］。

4 結語

針對大規(guī)模新能源并網(wǎng)帶來的運行問題，本文提出了風險量化的概率調度定義與架構，給出了應對新能源發(fā)電不確定性所遵循的步驟和基本原則，分析了概率調度實施的關鍵技術，為提升新能源消納水平、促進電力系統(tǒng)的安全高效運行提供了系統(tǒng)性的解決方案。省級電網(wǎng)的應用效果表明，該技術路線在新能源高滲透率的新型電力系統(tǒng)中具有很好的推廣應用前景，并可在實踐中不斷發(fā)展完善。

附錄見本刊網(wǎng)絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡全文。