摘 要：【目的】大力发展新能源，进行能源供给侧改革，是应对能源危机和生态环境问题的根本措施，有助于“双碳目标”的实现。
调节性水电具有良好的调蓄能力，可以作为调节电源与风光电源联合运行，从前端减缓风光不稳定出力对电力系统的冲击，促进新能源集中上网消纳。
但在如今大力发展清洁能源的背景下，仅靠常规水电站已无法调节规模巨大的风光发电。
故考虑引入抽水蓄能电站，与常规水电站联合运行，构建水-风-光-蓄多能互补发电系统。
【方法】基于研究区域亟需扩大风光发电规模的需求和互补发电系统并网过程中的弃风、弃光问题，从互补发电系统的配置容量和优化运行考虑，构建了多能互补发电系统容量配置的双层规划模型，外层模型以可接入风光规模最大和弃风光功率最小为目标函数，内层模型考虑了电源侧系统出力与电网负荷的匹配度，以源荷匹配度最大和系统在典型日售电收入最大为目标函数，分别采用粒子群算法和逐步优化算法对其进行优化求解。
旨在获得系统可接入的风光资源的最优比例和容量配置。
将该模型应用于金沙江上游川滇段清洁能源基地。
【结果】结果显示：系统在有无抽蓄电站接入时接入风光规模的最佳比例均为0∶1。
系统在接入抽蓄后，在弃风光率为0%的条件下，风光接入比例分别为1∶0、1∶1和1∶0时，相较于未接入抽蓄时，风光可接入规模分别提升了74%、68%和75%;在弃风光率为5%时，分别提升了52%、66%和65%;在弃风光率为10%时，分别提升了41%、60%和63%,均有大幅度提升。
【结论】结果表明：系统应尽可能少地接入风电，尽可能多地接入光伏发电，且系统接入抽水蓄能电站后，抽蓄电站与常规水电联合运行，可充分发挥系统的调节能力，从而大幅度提升系统可接入的风光规模。
同时在满足外层模型中互补发电系统中风光项目的容量最优的条件下，能够改善系统运行条件，使系统出力过程与负荷过程高度匹配，验证了研究方法与模型的有效性。
研究成果可为水风光蓄互补发电系统的容量配置提供参考。
关键词：多能互补;弃风光率;抽水蓄能电站;风光规模;容量优化;优化运行;新能源;水风光蓄互补发电系统;作者简介：周业荣(1972—),男，高级工程师，博士，研究方向为水电运行管理及电力市场等。
*马光文(1960—),男，教授，博士研究生导师，博士，主要从事水电站运行管理及电力市场等研究。
基金：国家重点研发计划(2018YFB0905204);引用：周业荣, 李相锐, 绳博宇, 等. 水风光蓄互补发电系统中风光容量配置研究[J]. 水利水电技术(中英文), 2023, 54(11): 1- 14. ZHOU Yerong, LI Xiangrui, SHENG Boyu, et al. Study of wind-photovoltaic optimal capacity configuration in hydro-wind-photovoltaicpumped storage complementary power generation system [J]. Water Resources and Hydropower Engineering, 2023, 54(11): 1- 14.0 引 言“双碳”战略是我国为应对当今全球气候变化、生态环境破坏和能源资源紧缺等问题，为减少化石能源消耗、大力发展清洁能源、遏制气候变暖、发展低碳经济、建设发展安全绿色可靠的低碳能源，做出的一项国家重大发展战略。
为实行“双碳”战略，我国的电力系统需要加快转型，由于水、风、光等可再生能源具有资源潜力大、可持续利用以及清洁环保等特点,因此水、风、光等可再生能源成为代替煤电的首选能源。
而我国西南地区具有丰富的水力资源和风光资源，并且已建成规模庞大、调节性良好梯级水电站群。
因此以大型水电基地为依托，综合建设光伏、风电等新能源发电项目，充分利用常规水电站与抽水蓄能电站的调节能力，减少风光发电出力的不稳定性，增强风光电量的消纳，提高水电送出通道利用率，建设以可再生能源为主的水风光蓄一体化可再生能源综合开发基地，是一项有效的措施。
随着风能、太阳能等新能源的大规模并网，其间歇性、波动性也给电力系统的稳定运行造成了很大的压力，其发电过程又不可调节，受到负荷需求限制的电网系统在接纳大规模新能源时往往面临巨大的调峰压力。
在常规水电站调节能力有限的情况下，抽水蓄能作为一项成熟的储能技术，可以很大程度地改善大规模风光资源并网带来的电力系统的不稳定性。
抽水蓄能电站作为优质调节电源，对于最大限度消纳清洁能源也有明显促进作用。
因此，利用水电和抽蓄等调节性电源，在电源侧实现与风光联合互补发电，是实现风光消纳和电网稳定运行的有效途径。
现有针对调节性水电和风光一体化发电系统的研究，主要从容量配置和优化调度两方面展开研究。
在容量配置方面，文献[15]从系统本身的弃风、弃光出发，利用水电站的调节能力，以系统弃风光电量最小和接入的风光总规模最大为目标建立多目标模型，对水风光三种能源的互补发电系统进行容量配置优化。
文献[16]从抽蓄容量配置与火电机组协调运行角度出发，以减少弃风光电量和最大化经济环境效益为目标，同时对系统运行进行优化，构建抽水蓄能最佳容量配置双层规划模型。
文献[17]计入了中长期电量比例及其分解方式，并考虑了现货价格波动性的影响，提出了市场环境下同时考虑经济性与互补特性的含可再生能源的多能发电系统容量配置方法。
文献[18]以风机、水泵、水轮机的装机容量为决策变量，优化设计了一种离网型抽蓄-风系统，以实现最大化风电渗透和最小化平准化度电成本。
文献[19]构立了考虑最小化平准化度电成本和最小化碳排放量的多目标容量配置模型，通过多目标遗传算法求解，获得了研究区域某独立光-风-柴-储系统容量配置。
但上述文献并未考虑风光容量配置与系统优化调度策略之间的协调关系。
金沙江上游川滇段蕴含丰富的水力资源以及风光资源，因此是我国未来重点建设的千万千瓦级别的清洁能源基地。
随着大型梯级水电站整合进入多能互补发电系统，其结构会愈加复杂，调度要求会愈加精细化，更需要强调系统的安全稳定运行和资源利用率,系统中风光容量的配置会对系统的运行调度和资源利用产生直接影响，若配置规模过大，风光并网所带来的间歇性、波动性，将极大突出电力系统的运行风险和弃电风险，若配置规模过小，又会导致资源未充分利用、系统送出通道利用率过小等问题。
因此，互补发电系统中风光项目的容量配置问题尤为重要。
多能互补发电系统的容量配置问题，由于涉及系统稳定性、经济性、环境效益等因素，多为多目标问题。
同时，研究系统的容量配置问题往往需要对系统的优化调度策略进行考虑，其优化调度问题又是一种典型的决策变量多、维数高、时空耦合紧密、约束复杂且繁多的大规模非线性规划问题，且受到风、光、径流随机性等不确定因素的影响。
因此，如何对系统容量配置与优化调度进行协调，制定合理的容量配置方案，是此类问题的重点也是难点。
近年来，双层规划模型被大量应用于多能互补发电系统容量配置问题的研究。
文献[29]基于双层规划模型，计及实际中存在的投资成本规模效应，对我国西南地区以光伏电站、小水电站和抽水蓄能电站为主题的混合能源系统的容量配置问题进行研究，使得到的容量配置实现经济效益最大化。
文献[30]以储能的初始投资与联络线波动惩罚最低为外层规划模型的目标函数，计算储能的功率和容量配置，内层规划模型则以系统联络线功率波动最低作为目标函数，计算储能运行过程中的充放电功率过程，对含风、光、储、荷的联合发电系统进行算例分析，验证了双层规划模型的有效性。
文献[31]针对高比例新能源接入的问题，计及抽蓄投资成本与系统对新能源的消纳要求，提出一种多时间尺度迭代优化的抽蓄容量配置模型，外层模型基于全寿命周期抽蓄投资生成配置容量方案集，内层模型以系统运行成本最优对各机组的出力水平进行优化，完成了抽蓄配置容量的优化。
但上述研究多为将常规水电站或抽水蓄能电站作为唯一调节电源考虑，与风光和火电组成多能互补发电系统，或水电站为小水电，配套的风光规模也相对较小，风光接入给系统带来的冲击较小，仅靠小水电的调节能力便可对风光进行充分消纳。
而大型清洁能源基地接入风光规模巨大，极其考验系统的调节能力，需要利用容量更大、调节能力更强的梯级水电站群和抽水蓄能电站，实现水风光蓄打捆外送协同消纳，故上述研究对大型清洁能源基地的建设参考性不强，且其目标大多以考虑经济性为主，很少有相关的文献考虑大型水电站与抽水蓄能电站联合运行时，基于系统自身的互补调节能力，对可接入的风电和光伏项目进行合理的容量配置。
本文立足于由水风光蓄四种电源组成的互补发电系统，主要考虑了系统并网发电中的弃风、弃光问题和系统出力与电网负荷的匹配度，建立了多能互补发电系统容量配置的双层规划模型，并以金沙江上游旭龙水电站、得荣抽水蓄能电站及其周边风光电站为主体的清洁能源基地为例，对其进行了风光容量配置的优化研究，最后得到其调度周期内不同情景下的风光合理容量配置。
1 水风光蓄多能互补容量配置双层规划模型为充分利用水电站的调节能力和抽水蓄能电站削峰填谷的作用，提高水风光蓄互补系统并网运行的可靠性和安全性。
同时考虑到风光容量配置与调度运行优化策略之间的协调关系，构建水风光蓄多能互补容量配置双层规划模型。
外层模型以最大限度消纳风光电量和最大减少弃风弃光电量为目标，确定水风光蓄互补发电系统可接入的风电和光伏规模，内层模型基于上层容量配置，以系统运行时源荷匹配度最高为目标，统计相应的弃风弃光功率，将优化运行结果反馈给外层模型，检验在此运行策略下风光容量配置是否合理。
1.1 外层优化模型1.1.1 目标函数外层优化属于系统容量配置决策问题，以系统接入的风电规模为变量，设置风光比例在一定范围内，按照一定梯度变化，以接入风光规模最大，以及总弃风弃光量最小为目标函数，以此来确定系统所能接入的风电和光伏电站的比例和规模。
目标函数具体可表示如下。
(1) 风光总规模最大式中，F1为系统可接入的风电光伏的总规模；Ppv为系统接入光伏规模；Pw为系统接入风电规模；α为光伏与风电的规模之比。
(2)总弃风光功率最小式中，F2为计算周期内累计的弃风光功率；Wi为i时段风电平均出力；gi为风电在第i时段的出力系数；Si为第i时段的光伏平均出力；fi为光伏在第i时段的出力系数；PSi为第i时段抽水蓄能电站平均出力；Pps1,i为抽水蓄能电站发电出力；Pps2,i为抽水蓄能电站抽水功率；Ki为工况指标，其值为1或0,控制抽水蓄能电站不能同时抽水和发电；Di为第i时段水电站平均出力；PG,i为第i时段电网负荷。
1.1.2 约束条件(1)满足一定弃风光率要求式中，Et为计算周期内风光总发电量；E1为计算周期内总的弃风光电量；n为某一计算场景下系统允许的弃风光率。
(2)风电、光伏装机容量限制式中，Pw max、Ppv max分别为该地区风电、光伏电站装机容量的上限。
(3)常规水电站水库库容约束式中，VD min为水电站库容容量下限；VD max为水电站库容容量上限。
(4)抽水蓄能电站上游水库库容约束式中，Vps min为抽水蓄能电站水库库容容量下限；Vps max为抽水蓄能电站水库库容容量上限。
1.2 内层优化模型1.2.1 目标函数内层优化属于系统的优化运行问题，优化目标是系统中的各类电源在日内联合发电过程中出力与电网负荷吻合度最高，即源荷匹配度最高。
以剩余负荷波动最小为目标函数，同时考虑到常规水电站与抽水蓄能电站之间的负荷分配问题，加入计算周期内系统售电收益最大化为目标函数。
以此确定系统运行时水风光蓄的实际输电过程，目标函数具体可表示如下。
(1)剩余负荷波动最小(2)系统售电收益最大式中，EP1(i)为四川省新建风电、光伏项目及抽蓄电站上网电价，按燃煤发电基准价执行；EP2(i)为四川省日调节水电站标杆上网电价。
EP1(i)和EP2(i)均执行峰平谷分时电价。
1.2.2 约束条件(1)水电站运行出力约束式中，Dmini和Dmaxi分别为水电站在i时段出力的最小值和最大值；Dmini需考虑水电站的最小下泄流量，Dmaxi为水电站装机容量和水电站i时段库容所对应的可发电量中的较小值。
(2)风光电站出力约束式中，Wmini和Wmaxi分别为系统内的风电站在i时段出力的最小值和最大值；Smini和Smaxi分别为系统内的光伏电站在i时段出力的最小值和最大值。
(3)系统送出通道容量限制为式中，N为系统送出通道最大容量。
(4)水电站水量平衡约束为式中，VH,i+1为第i时段末水电站的蓄水量；VH,i为第i时段初水电站的蓄水量；Qr,i为第i时段水电站的入库流量，Qi为第i时段水电站的引用流量；qi,t为第i时段水电站的弃水流量；Qps,t为抽蓄电站抽水耗费流量或发电下泄流量。
(5)水电站下泄流量约束为式中，QminH,iΗ,imin为水电站第i时段泄水量的最小值；QmaxH,iΗ,imax为水电站第i时段泄水量的最大值。
(6)抽水蓄能电站引用流量约束为式中，Qa,maxps,ips,ia,max为抽水蓄能电站抽水蓄能时所引用流量的最大值。
(7)抽水蓄能电站下泄流量约束为式中，Qb,maxps,ips,ib,max为抽水蓄能电站泄水发电时下泄流量的最大值。
抽水蓄能电站进、出水量约束为限制一天中抽水蓄能电站的进水量等于出水量，以保证抽水蓄能电站的调节性能。
2 模型求解由于本文构建模型为多目标的内外层嵌套模型，具有维数高、规模大、非线性、多约束等特点，故本文分别采用PSO算法和POA算法对该模型的外层、内层模型进行求解。
即采用PSO算法求解外层规划模型中系统风光容量配置问题，采用POA算法处理内层规划模型中的系统优化运行问题。
2.1 PSO算法求解外层规划模型2.1.1 多目标问题转化由于外层规划模型为多目标问题，且不同目标函数之间存在冲突，直接优化求解难度系数较大。
为方便模型求解，将多目标问题转化为单目标问题，及将外层规划模型的目标函数转化为式中，f为系统可接入的风电和光伏的总规模和计算周期内累计弃风光功率的比值。
此步骤完成了多目标问题向单目标问题的转化，方便模型求解。
2.1.2 求解过程粒子群(particle swarm optimization, PSO)算法是一种模拟鸟群觅食现象的群集智能仿生算法，具有原理简单、易于实现、求解效率高、信息交互程度高等优点，因而被广泛应用于系统容量配置优化和水库优化调度等领域，且取得了良好的应用效果，故本文将采用PSO算法求解外层规划模型。
对于水风光蓄多能互补发电系统容量配置方案，即系统中风电、光伏的装机容量，基于当地资源可开发量和相关政策规定，确定风光电站容量的上、下限，随机生成满足容量约束的粒子群。
PSO中的粒子将通过式(20)、(21)更新自身的速度和位置，实现充分的空间迭代搜索，搜寻出最优解。
公式为式中，i为粒子个数；j为问题维数； vi,j为i粒子在j维的速度；ω为惯性权重；c1,c2为学习因子；r1,r2为[0,1]范围内的随机数；xi,j为i粒子j维位置； Pi,j为i粒子个体极值的j维位置；Pg, j为粒子全局极值的j维位置。
由于典型粒子群算法对初始粒子群质量敏感，且后期进化速度较慢、易陷入局部最优，为提高求解效率，采用一种半控制的粒子群算法(semi controlled particle swarm optimization, SC-PSO)进行求解。
即将粒子群求解总迭代过程按需分解成N段，并将速度限制参数最大范围除以N得到该段的限范围{-v0,v0}。
其中，第一段按无控制的PSO进行一次求解直至达到第 1 段最大迭代次数，记录此时最优粒子的信息。
从第n段开始(n≥2),调整粒子群体中不超过总粒子个数的a个粒子与上一段记录的最优粒子位置信息一致，随机生成其余粒子，调整速度限制参数为{-nv0,nv0},按半控制的 PSO进行求解至达到该段最大迭代次数，记录此时最优粒子信息。
重复此过程直至第N段寻优结束，得到寻优结果。
2.2 POA算法求解内层规划模型2.2.1 多目标问题转化内层规划模型解决的是在外层模型给定的容量配置下，水风光蓄互补发电系统在满足约束条件下的运行优化问题。
该模型中涉及四种电源出力与电网负荷的匹配问题和梯级水电之间的负荷分配问题。
且内层规划模型同样涉及多目标优化问题，故同样需要对目标函数进行处理，本文采用将目标函数I转化为约束条件的方法，对模型进行求解，即将目标函数I转化为式中，ε为模型循环迭代求解时所设置的精度。
2.2.2 求解算法逐步优化算法(POA)具有收敛性好、计算效率高、耗费时间短等优点，已被广泛应用于梯级水库的优化调度问题及多能互补调度问题，故本文采用该算法进行求解。
输入两电站水位流量曲线和水位库容曲线，同时输入出力约束、流量约束、水位约束，假定两库的调度期为1 d, 将一天离散为T(T=24)个时段。
算法的计算步骤如下。
(1)确定初始轨迹。
采用POA算法解决多阶段、多约束的问题，初期决策极为重要，初期决策选择不好可能会使迭代过程过早结束，导致收敛于局部最优解。
(2)根据电站的上下游关系，依次对第i个电站寻优。
首先保持第 0 时刻和第2时刻的水位Zi,0和Zi,2固定不变，对第1时刻的水位Zi,1进行调整，对第0和1两时段的发电量进行优化，保证两时段的发电量最大。
设置各水库第1时刻的水位为状态变量Zi,1,各电站的引用发电流量Qi,0和Qi,1 为决策变量。
对各水库第1时刻的水位Zi,1和相应决策变量Qi,0和Qi,1进行优化计算。
优化后的各水库水位分别为Zi,0,Zi,1,Zi,2,…,Zi,T,相应的决策变量变为Qi,0,Qi,1,Qi,2,…,Qi,T。
(3)同理，按照电站的上下游关系，依次对第i+1个梯级电站下一时刻进行寻优。
(4)重复步骤(3),直到遍历所有时刻。
得到水电站和抽蓄电站水库水位过程线、出力过程和梯级总发电量。
(5)将以上述过程求得的各水库过程线更新为初始轨迹，重新回到第(2)步。
当相邻两次迭代求得的目标函数增量满足预先指定的精度要求时，结束循环。
2.3 水风光蓄多能互补发电系统双层规划模型求解流程采用PSO和POA算法求解本文中搭建的水风光蓄多能互补发电系统双层规划模型，具体流程如图1所示。
图1 模型求解流程3 案例分析3.1 研究区域概况本文选取金沙江上游川滇段日调节电站旭龙电站、得荣抽水蓄能电站及周边风光资源组成的水风光蓄多能互补发电系统进行实例分析。
其中，得荣抽蓄与旭龙电站互为上下库。
旭龙水电站是金沙江上游河段“一库十三级”梯级开发方案中的第12级，具有日调节能力，坝址多年平均流量990 m3/s, 多年平均径流量313亿m3。
水库正常蓄水位2 302 m, 死水位2 294 m, 调节库容1.26亿m3,总库容约8.47亿m3,水电站装机容量2 400 MW,目前处于在建阶段。
得荣抽水蓄能电站上库位于得荣县，正常蓄水位3 080 m, 死水位3 030 m, 调节库容519万m3。
电站最大水头786 m, 最小水头706 m, 额定水头722 m, 额定发电流量224 m3/s, 最大扬程为806 m, 最小扬程为728 m。
输水线路长度约3.5公里，距高比约4.7,初拟装机1 400 MW,安装4台、单机容量350 MW的可逆式水泵水轮发电机组，连续满发小时数为6 h, 具有日调节能力。
得荣抽水蓄能电站利用在建的旭龙水电站作为下库，与旭龙水电站共同调节风光出力。
目前处于预可研阶段。
据统计，旭龙水电站和得荣抽蓄电站周边风光资源丰富，可配置风光电站规模共6 910 MW,其中风电资源量为710 MW,光伏资源量为6 200 MW,以光伏资源为主，具有较大的开发潜力，目前各风光场址皆处于规划阶段。
3.2 基本资料与参数设置由于旭龙电站只具有日调节能力，汛期时主要承担基荷和腰荷，基本不承担调峰作用。
故本文选取枯水期典型日数据进行研究分析。
模型计算以日为周期，计算时段为小时。
旭龙水电站和得荣抽水蓄能电站特征参数如表1所示。
算例采用风电、光伏单位千瓦出力根据附近典型风电场和光伏厂址相应数据推算得到。
四川电网枯期典型日负荷曲线和典型日风光出力特性曲线分别如图2、图3所示。
为充分利用水电站已有送出通道，取水风光蓄一体化清洁能源基地最大负荷为水电站装机规模2 400 MW。
弃风光率方面，为考虑按照四川省内新能源消纳要求，以弃风光率不超过5%为控制原则，并考虑其风光率为10%的敏感性方案。
图2 枯期典型日负荷曲线图3 枯期典型日风光出力特性曲线3.3 结果讨论本文主要对多能互补发电系统未加入抽水蓄能之前消纳风光规模和加入抽水蓄能之后消纳风光规模进行分析。
风电、光伏、水电和抽水蓄能以日内互补平衡为主要原则，不改变水库年内运行方式，不增加水电站弃水。
为充分发挥抽水蓄能电站的调节性能，抽蓄电站的上游初始库容设置为水库调节库容的一半。
为考虑按照四川省内新能源消纳要求，以弃风光率不超过5%为控制原则，并考虑其风光率为10%的敏感性方案。
在不同弃风光率的情况下，目标函数值f随风光比例α变化的情况如图4所示，由图4可知，目标函数值在α趋近于正无穷时，达到最大值，即在本文所采用的算例中，接入光伏项目的规模越大越好，即风光规模的最优比例为0∶1。
为探讨在不同弃风光率的条件下，未接入抽水蓄能电站和接入抽水蓄能电站时基地可接入风光规模和弃电情况，列举了风光比例分别为0∶1、1∶1、1∶0时，模型的计算结果，如表2所列。
图4 不同弃风光率条件下目标函数值变化由表2可知：(1)在弃风光率分别为0%,5%和10%时，若以接入风光总规模最大为目标，即以式(1)为目标，则风光项目最佳配置比例均为1∶0,即系统多接入风电有利于提升系统中新能源总规模。
(2)若以式(19)为目标，则风光项目最佳配置比例均为0∶1,即系统应尽可能少地接入风电，尽可能多地接入光伏，有利于系统在接入尽可能大的风光规模的同时，尽可能少地损失电量。
同时，也在一定程度上说明了风电出力的反调峰特性和光伏出力的正调峰特性。
(3)系统接入抽水蓄能电站后，在弃风光率为0%的条件下，接入不同比例的风光项目时，可接入的风光规模相较于系统未接入抽水蓄能电站时，分别提升了74%,68%,75%;在弃风光率为5%时，分别提升了52%,66%,65%;在弃风光率为10%时，分别提升了41%,60%,63%。
说明系统接入抽水蓄能电站后，抽蓄电站与常规水电联合运行，可以大幅度提升系统可接入的风光规模。
图5—图7分别为系统未接入抽水蓄能电站时，在不同弃风光率条件下的出力过程。
内层模型求解结果表明，互补发电系统加入风光后，水风光一体化送出，水电在风光出力较大时减小自身出力，以保证系统总出力不超过负荷，保障系统供电的安全性，在风光出力较小时放水发电，保证系统供电的可靠性，有效减缓了风光发电并网给系统带来的冲击，减小了负荷的峰谷差。
另一方面，水风光互补运行能够充分利用水电现有的送出通道，促进风电、光伏能源的消纳。
图5 弃风光率0%时水风光互补出力过程图6 弃风光率5%时水风光互补出力过程图7 弃风光率10%时水风光互补出力过程图8为四川省不同类型电站上网电价曲线，其中抽水蓄能电站工况为抽水状态时，向电网购电电价为当前向电网售电电价的3/4。
图9—图11为系统接入抽水蓄能电站后在不同弃风光率条件下的出力过程。
由图8—图11可知：(1)抽水蓄能电站具有明显的削峰填谷作用，可以有效减少系统的弃风光功率，抽水蓄能电站在夜晚系统总出力较小时发电，在白天系统总出力过大时抽水，使系统总出力与负荷相匹配，以保证系统安全稳定运行。
且相较于未接入抽蓄电站时，系统可接入的风光项目规模也得到较大提升；(2) 由于内层优化模型中，式(8)转化为约束条件，因此虽然在11时—17时电价处于较高水平，为满足系统出力曲线与负荷曲线尽可能吻合，抽水蓄能电站处于抽水蓄能状态。
在其余时段，由于抽蓄电站上网电价普遍高于常规日调节水电站，根据式(10),系统优先让抽水蓄能电站在两者相差较大的时段发电，以保证系统售电收益最大化，验证了模型的有效性；(3)系统中风光比例为1∶0时，由于风电在夜间仍保持较高出力，而负荷在相同时段较小，随着弃风光率逐渐增大，系统总出力曲线与负荷曲线的偏差增大，系统出力过程中发生弃电的时段也逐渐增多，由于抽蓄电站工作时，抽水工况和发电工况不能同时发生，且抽水蓄能电站为保证自身调节性能，往往要求调度周期内进出水量一致，而系统发生弃电的时段过多会导致抽蓄电站处于抽水工况的时段过多，不利于抽蓄电站发挥削峰填谷的作用。
且随着风电规模的加大，常规水电多个时段的出力水平也被压缩到最小，基本丧失调节能力，不利于水风光蓄互补运行；(4)系统中风光比例为0∶1时，光伏电站出力较为集中，有利于抽水蓄能电站集中在光伏出力较大的几个时段进行抽水蓄能，消耗多余电量，在光伏出力较小的时段放水发电，保证系统供电可靠性。
随着系统弃风光率的增大，系统发生弃电的时段数基本保持不变，更有利于抽蓄电站对系统出力进行调节。
且随着光伏规模加大，常规水电的出力水平受影响较小，更有利于发挥常规水电和抽水蓄能电站两者的调节作用，实现水风光蓄互补运行。
综上所述，系统中接入光伏项目的比例越大，越有利于水风光蓄一体化互补运行。
图8 电价曲线图9 弃风光率0%水风光蓄互补出力过程图10 弃风光率5%水风光蓄互补出力过程图11 弃风光率10%水风光蓄互补出力过程4 结 论本文以“双碳战略”下大型清洁能源基地的开发建设为背景，考虑系统消纳风光规模、弃风光功率与系统的安全稳定运行，构建了由大型水电站、风电站、光伏电站以及抽水蓄能电站组成的互补发电系统模型，以可接入风光规模最大和弃风光功率最小为外层目标函数，以源荷匹配度最大和系统在典型日售电收入最大为内层目标函数，将互补发电系统的容量配置与优化运行相结合，提出了一种风光容量配置优化的双层规划模型。
通过对金沙江上游川滇段四川侧水风光蓄一体化可再生能源基地枯期典型日的实例进行分析计算，得到以下结论：(1)在多能互补发电系统中，适当地提高风电的规模比例有利于提高接入风光项目总规模，但弃风光功率也会随之增大。
综合考虑可接入的风光规模和弃风光功率，提高系统中光伏的规模比例更有利于在接入风光项目总规模足够大的同时减少系统的弃风光功率，更有利于促进风光资源的消纳和系统的安全稳定运行。
(2)该地区风光资源量巨大，仅凭旭龙水电站风光出力进行调节，无法充分消纳该地区的风光资源，容易造成风光资源浪费，故需要接入抽水蓄能电站，与旭龙水电站联合运行，更好地起到削峰填谷的作用，从而提高资源的利用率。
(3)系统接入风光项目的最优规模和比例受到不同地区风光的出力特性、以及水电和抽蓄运行的影响。
因此在具体应用时，应根据实际情况进行分析。
(4)由于本文算例中，常规水电和抽蓄电站已完成规划，故本文主要是根据既有水电和抽水蓄能电站的调节能力，仅对风光容量配置进行了分析研究，下一步研究中将进一步讨论常规水电和抽蓄电站容量的容量影响或扩机的可能性。
且由于目前基地建设处于前期规划阶段，需要先从系统可消纳的风光资源量和弃电率考虑，确定系统可接入的最大风光容量，系统的经济性研究是下一步工作的重点和方向。
水利水电技术（中英文）水利部《水利水电技术（中英文）》杂志是中国水利水电行业的综合性技术期刊（月刊），为全国中文核心期刊，面向国内外公开发行。
本刊以介绍我国水资源的开发、利用、治理、配置、节约和保护，以及水利水电工程的勘测、设计、施工、运行管理和科学研究等方面的技术经验为主，同时也报道国外的先进技术。
期刊主要栏目有:水文水资源、水工建筑、工程施工、工程基础、水力学、机电技术、泥沙研究、水环境与水生态、运行管理、试验研究、工程地质、金属结构、水利经济、水利规划、防汛抗旱、建设管理、新能源、城市水利、农村水利、水土保持、水库移民、水利现代化、国际水利等。
