Page 41 - 2025年第56卷第6期

征指标降维 ［22］ 的模糊 C 均值（FCM）聚类方法进行情景缩减。首先，在保证聚类结果的准确性 ［23］ 的前提
下选取能够完备地反映风电、光伏出力过程的特征指标，风电出力特征指标选取平均出力、平均波
动、波幅中值、波动频次、昼夜出力比、高峰期负荷率、低谷期负荷率 7 个指标将日出力过程从 144
维降到 7 维；光伏出力特征指标选取最大出力、整体波动度、高峰期负荷率、低谷期负荷率 4 个指标
将日出力过程从 144 维降到 4 维，以上特征指标具体计算公式见文献［24］。然后，采用 FCM 聚类算法
对低维数据聚类，得到典型风电出力情景集、光伏出力情景集和相应的概率。其中，FCM 算法核心在
于最小化隶属度函数，具体步骤 ［25］ 不再进一步阐述。
由于新能源出力具有季节特性，将以上方法逐次应用于四个季节的数据，最终得到全年的典型风
电出力情景集、光伏出力情景集和相应的概率。假定各典型新能源出力情景相互独立，并基于笛卡尔
乘积的思想对出力场景进行组合得到全年的典型新能源组合出力情景集。
2.1.2 径流情景生成 由于水电站入库流量范围较大，难以直接作为系统容量配置优化模型的输入，
因此对径流情景集进行进一步细分，计算确定径流情景下入库流量及其概率。基于文献［26］中的径流
情景生成方法，本文提出一种基于不同季节入库径流频率曲线设置径流情景的方法，具体思路为：对
每个季节的入库径流频率曲线与坐标轴围成的面积，采用不同的概率区间进行划分，每个区间各个边
界所围成的面积即代表该径流情景中入库流量的具体值。针对每一种径流情景，以该情景在全年中的
频率作为其概率。相同地，认为各异质能源情景之间相互独立，利用笛卡尔乘积的思想将全年典型新
能源出力情景集与全年径流情景集进行组合，最终获得典型情景集合和分布概率。
2.2 混合抽蓄-风-光多能互补系统协同运行优化模型
2.2.1 目标函数 从电源侧考虑水、风、光资源互补效益最大以及通道利用程度最高，模型的目标函
数设置为
（1）最大化互补系统发电量：
J
joint （6）
P j
max f 1 = ∑ j = 1
（2）最小化系统总出力波动：
joint line
J |P j - C | （7）
C line ⋅ J
min f 2 = ∑ j = 1
joint 别为第 j 时段互补系统联合出力；C line 为电力送出通道的总容量。
式中：J 为调度期内的时段数；P j
2.2.2 约束条件
（1）装机容量约束
ì C hydro < C line ≤ P max
joint
ï ï
í 0 < C wp ≤ C wp，max （8）
ï ï ï ï
î 0 < C ph ≤ C ph，max
式中：C hydro 、C wp，max 、C ph，max 分别为水电站装机总容量、风光总容量上限值和抽蓄电站装机容量上限值；
P max 为互补系统最大联合出力。
joint
（2）系统功率平衡约束
hydro wp ph， t ph，p curtail joint （9）
P j + P j + P j - P j - P j = P j
hydro hydro hydro hydro （10）
P j = A j × Q j × H j /1000
P j = C wp × ((1 - γ)P j wind + γP j ) （11）
wp
pv
ph，p p ph，p H ph
ì P j = η Q j
í ph， ph， （12）
t
î P j t = η Q j t H ph
t
ì P 1 ， j ∈ [1， 1 ]
hyb
ï
ï
t
ï ïP 2 ， j ∈ [ t 1 + 1， 2 ]
hyb
joint = í （13）
P j
ï ï ⋯， ⋯
ï
ï hyb
î
ï ï P U + 1 ， j ∈ [ t U + 1，J ]
— 729 —