Page 142 - 2025年第56卷第11期

T 2
L i = μ i × ∑ spill i，t （14）
w
t = 1
L i = μ i × max[ E min - E i ，0] （15）
e
end
T
L i = μ i × ∑ curtail i，t （16）
c
t = 1
式中：L i 、L i 、L i 和 L i 分别为系统枯水期缺电、汛期弃水、年末蓄能不足和风光弃电的指标损失值；
c
e
w
s
μ 为场景 i 第 t 时段的变量模糊隶属度；μ i 为第 i 场景的场景综合模糊隶属度。最后，通过绘制各指标
i，t
的风险损失值分布，结合置信水平计算风险价值。以枯水期系统缺电为例，其风险价值为：
)
VaR = min[ a：P( L i ≤ a ≥ ε ] （17）
s
式中：P（·）代表概率；ε 为置信水平。
2.3.3 基于模糊不确定性的随机模拟方法 将各月份径流预测误差、风光出力预测误差记为模糊变量
i
ξ m ，m 代表月份，i 表示变量索引。本方法不考虑风光差异，将风电、光伏合称为新能源。由于水库个
数可能不止一个，以两座水库为例，用 i = 1，i = 2 分别表示水库 1、水库 2 的径流误差变量索引，用
i = 3 表示新能源误差变量索引。模拟步骤如下。
步 骤 1： 根 据 径 流 和 新 能 源 出 力 的 预 测 和 实 测 数 据 ， 确 定 预 测 误 差 的 模 糊 隶 属 度 函 数 f ( ξ m) ，
1
1
f ( ξ m) ，f ( ξ m) ，1 ≤ m ≤ 12。
3
3
2
2
步骤 2：针对梯级汛前蓄能目标 E 1 ，依据枯水期消落优化调度模型，得到枯水期消落方案。
步骤 3：根据入流和新能源出力的误差模糊隶属函数，随机生成一系列实数 ε i m，k 和对应的隶属度
( m，k)
μ ε i ，k = 1，2，…，N，1 ≤ m < T 1 ，N 是随机数数量，T 1 代表枯期调度时段数。
步骤 4：在枯水期，从年初开始，根据枯期消落方案，采用定水位计算，进行逐月模拟。以 m 月
为例，生成一系列 ε 1 m，k ，ε 2 m，k ，ε 3 m，k ，得到一系列水风光互补系统总出力 Ps m，k 和枯水期风光弃电 C k ，采
1
(
用 2.3.1 节中的方式确定隶属度 h ε ，ε 2 m，k ，ε m，k) 。场景 k 下枯水期缺电和风光弃电损失如下：
3
1
m，k
T 1 ( ) ( ] )
L k = ∑ [ h ε ，ε 2 m，k ，ε 3 m，k × max P f - Ps ，0 （18）
1
s
m，k
m，k
m = 1
(
T 1
L k = ∑ h ε ，ε 2 m，k ，ε m，k) × C k 1 （19）
3
1
c 1
m，k
m = 1
此外，若方案中设定的月末水位不可行，则用模拟值替代，并继续执行计算。
1 ， 2 ， 3 i
步骤 5：蓄水调整期采用其调度规则进行逐月模拟。从汛初开始，生成一系列 ε k ，ε k ，ε k ； ε k =
( ε i T 1 ，k ，ε i T 1 + 1，k ，ε i T 1 + 2，k ，…，ε 12，k) ，对于任意的场景 ε k ，逐月模拟计算后，得到年末蓄能 E k 和整个蓄水
i
i
end
(
调整期的风光弃电 C k 和汛期弃水 S k 及对应的隶属度 h( ε k ，ε k ，ε k) ，f ( ε k) = h ε i T 1 ，k ，ε i T 1 + 1，k ，…，ε 12，k) ，将
i
i
1
3
2
2
C k 和 C k 相加得到场景 k下的全年风光弃电。场景 k下汛期弃水、年末蓄能不足、全年风光弃电损失如下：
1
2
w 1 2 3 （20）
L k = h( ε k ，ε k ，ε k) × S k
L s m，k = h( ε k ，ε k ，ε k) × max( E min - E k ，0) （21）
end
1
3
2
c c 1 1 ， 2 ， 3 2 （22）
L k = L k + h( ε k ，ε k ，ε k) × C k
步骤 6：更改梯级水电站汛前蓄能，重复步骤 2—5。统计平均风险损失期望，并根据 2.3.2 节方法
计算各个指标风险概率。
3 实例分析
3.1 工程背景 以西南流域某水风光互补基地为例进行实例分析，对本文所提方法进行验证。该流域是
我国 13大水电基地之一，流域内太阳能和风能资源也十分丰富，其中电站 1、3是下游两座控制型调节水
库。预计电站 1—4共四座水电站将接入风电约 570 MW，光伏约 4497 MW。四座水电站基础参数见表 1。
— 1533 —