摘 要：在多能互补运行模式下，以水电为主的灵活性电源为配合风光消纳，其原有运行方式将发生显著变化，使得不同发电主体间的损益关系十分复杂。如不能有效厘清各主体损益关系并提出补偿机制，将难以发挥不同类型电源参与一体化运行的积极性。本文以雅砻江下游清洁能源基地为研究对象，选取四季典型日，设置3种水风光运行情景，分析不同季节不同情景下各电源主体的损益指标，量化了各主体的损益关系。结果表明：多能互补运行模式下，水风光系统总效益明显提升（情景2同比增加13.46%，情景3同比增加13.44%）、风光效益增量显著（情景2同比增加123.27%，情景3同比增加145.99%），而水电因补偿风光导致其效益损失（情景2同比减少0.33%，情景3同比减少3.21%）。
关键词:多能互补;多主体;损益关系;清洁能源;水风光一体化;
Analysis of multi-agent profit and loss relationship in hydro-wind-solar complementary
operation
JING Zhiqiang WANG Yimin WANG Xuebin CHEN Yunhua ZHOU Yong ZHAO Mingzhe
State Key Laboratory of Eco-Hydraulic in Northwest Arid Region, Xi 'an University of Technology
Yalong River Hydropower Development Co., LTD
Abstract：
In the multi-energy complementary operation mode, the original operation mode of hydropower-based flexible power sources will change significantly to match the scenery wind-solar output, which makes the profit and loss relationship between different power generation entities very complicated. If we cannot effectively clarify the relationship between profit and loss of each main body and propose compensation mechanism, it will be difficult to bring into play the enthusiasm of different types of power sources to participate in integrated operation. This paper takes Yalong River downstream clean energy base as the research object, selects four seasons typical days, sets three kinds of hydro-wind-solar operation scenarios, analyzes the profit and loss indexes of each power source under different scenarios in different seasons, and quantifies the profit and loss relationship of each subject. The results show that under the multi-energy complementary operation mode, the total benefit of the hydro-wind-solar system is significantly increased (scenario 2 increases by 13.46% and scenario 3 increases by 13.44%), and the increment of wind-solar benefit is significant (scenario 2 increases by 123.27% and scenario 3 increases by 145.99%), while hydropower loses its benefit due to compensating for wind power and photovoltaic (scenario 2 decreases by 0.33% and scenario 3 decreases by 3.21%).
Keyword：
multi-function complementary; multi-agent; profit and loss relationship; clean energy; integration of hydropower,wind power and photovoltaic;
0 引言
为实现“3060”减碳目标，我国大力开发风电、光伏使得其装机容量呈爆发式增长，预计风电、光伏装机容量将从2021年底的330GW和310GW发展至2030年的480GW和570GW、2050年的1440GW和2160GW[1,2,3]；然而，风电、光伏出力常呈现多种不稳定性特征，要想实现装机容量庞大的新能源并网，并保证电网安全，多能互补是基础。
依托梯级水电，我国规划了多个清洁能源基地，基地中梯级水电装机容量大、调节性能强[4,5,6,7,8,9,10,11]，具备强大的“削峰填谷”潜质，是灵活性电源的核心组分，这让水风光互补运行成为开展多能互补模式的重要一环。近些年来，国内外专家和学者围绕水风光互补运行进行了初步探索，如：万家豪等[12]学者基于源荷匹配的思想，运用分支定界与Charnes-Cooper理论，分别针对已建、待建的风光电场提出了与之相适应的风光互补特性评价方法；叶林等[13]学者以多能源互补系数为媒介，融合独立发电系统评价体系与混合发电系统评价体系的优点，构建了多能源一体化运行的评价体系，并将该体系应用于西部某水风光混合发电系统；姚天亮等[14]学者考虑风光互补经济性及扩建场地约束，提出了一种在已有风电场的基础上扩容光伏的方法，并在甘肃某风力发电场验证了该方法的合理性；朱燕梅等[15]学者通过构建混合电源配比优化模型，推算出了一定弃电损失下某一水电站可允许接入的最佳新能源容量比例；王学斌[16]针对新能源大规模高比例并网背景下的消纳问题，从水电调度运行角度，研究了考虑新能源消纳的不同时间尺度的水电站群调度运行方法；陈丽媛等[17]学者通过设置孤网和并网两种运行情景，将经济指标、生态坏境指标融入目标函数,构建了多能源互补运行优化模型，并根据能源互补特性提出了相应的调度方法，实践表明该方法可有效提升混合发电系统的供电可靠性；闻昕等[18]学者从可靠性、稳定性和经济性3个方面探讨了日前风光出力预测的不确定性对于水风光互补系统风险和效益的综合影响；明波等[19]学者通过量化不同水电出力情景下的光电弃电损失，由日内弃电规律滚动推导出了中长期弃电规律，并将长短嵌套弃电规律运用到多能互补发电模型，提取了各组分电源的调度规则；Bo等[20]学者将光伏出力预测的不确定性作为影响调度模型的关键因素，建立了水电、光伏出力互补调度模型，此外，将多层嵌套模式用于调度策略，实时修正调度过程，基于此辅助编写混合电源前一天发电计划，实践表明该套调度方法成效显著。
已有水风光互补运行研究多聚焦于互补特性、容量配置、调度运行策略、系统风险等方面，涉及水风光互补运行中多主体损益关系分析较少，尤其是清洁能源基地因增建大量的风电光伏项目，基地电源装机容量大幅提升，当风光实际出力低于风光预测出力时，梯级水电仅从电量角度可获得更大的上网空间，但同时由于风光出力的不确定性，梯级水电时常需要提供双向调峰、旋转备用等辅助服务来配合风光消纳，导致水电可能在低电价时段多发而高电价时段少发，且水电很难按照其既定的优化运行方式运转，使得清洁能源基地内部损益关系十分复杂，如果不能很好的量化清洁能源基地内部各电源的损益关系，极易产生互补的积极性不高，影响其健康开发，因此厘清水风光互补运行中梯级水电、风光电站、梯级水电内部各水电站之间的损益关系十分必要。
本文以雅砻江下游清洁能源基地为研究对象，通过选取春季、夏季、秋季、冬季四个典型日，设置3种水风光运行情景，构建相应的生产调度模型，分析四个季节不同情景下各类电源的发电量、发电收益、风光弃电量、风光弃电损失等指标的变化，致力于厘清水风光互补运行中多主体损益关系，以期为雅砻江下游清洁能源基地的运行与管理提供借鉴。
1 风光典型出力场提取
大型清洁能源基地规划的风电站、光伏电站数目众多，如果对每一个风电站、光伏电站全年逐小时的功率进行模拟，并将所有模拟结果逐一带入水风光调度模型，工作量很大，冗余程度较高。因此，为降低调度模型的冗余程度，本文首先通过遗传K-means聚类算法将清洁能源基地内风电站、光伏电站等效成几个相关较强的风电集群、光电集群[21,22,23,24,25]；其次，采用风功率与光伏功率物理模型对各风电、光电集群进行功率模拟，使用同步回代法对每个集群的功率样本进行缩减，得到风电、光伏各集群的典型出力场景；再次，分别将风电集群、光伏集群的典型出力场景相互组合得到清洁能源基地风电总出力场景和光电总出力场景；最后，采用遗传K-means聚类算法分别对风电总出力场景、光伏总出力场景聚类，得到具有较强代表性的清洁能源基地风电典型总出力场景和光电典型总出力场景。
1.1 遗传K-means聚类算法
本文采用遗传K-means聚类算法[21]对清洁能源基地风电站、光伏电站进行集群划分。该算法是在K-means算法[26,27]的基础上，将生物遗传进化理论引入聚类过程，以类间距（ICD）与类内距（ICS）的比作为适宜性度量，寻找最佳聚类中心和聚类数，可减少使用者因主观选择带来的随机性。
1.2 风功率与光伏功率模型
本文采用风功率物理模型与光伏功率物理模型对清洁能源基地风电功率和光电功率进行模拟。
1.2.1 风功率物理模型
风功率模拟的关键影响因素有空气流动速率、风资源利用效率、风力发电机的最大/最小发电风速、风力发电机的叶轮扫风面积等，本文综合风功率模拟的关键影响因素构建风功率物理模型：
Pw=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪00≤v≤v112CPAρv3v1≤v≤vNPevN≤v≤v20v2≤v（1）
式中：Pw为风电机组发电功率，W；CP为风电机组的风能利用系数；A为叶轮扫掠面积，m2；ρ为空气密度，kg/m3；v为风速，m/s；v1为切入风速，m/s；vN为风电机组的额定风速，m/s；Pe为风电机组额定功率，W；v2为切出风速，m/s。
1.2.2 光伏功率物理模型
光伏功率模拟的关键影响因素有光伏电板所能捕获的太阳辐射、光伏电板表面温度、光伏电板转换效率、最佳倾角等，本文综合光伏功率模拟的关键影响因素构建光伏功率物理模型：
PPV,t=PstcIr,tIstc[1+δt(Tt−Tstc)]（2）
式中：PPV,t为光伏板在t时刻的发电功率，W；Pstc为标准条件下单个光伏板的出力，W；Ir,t为t时刻实际辐射强度，W/m2；Istc为标准条件下对应太阳辐射强度，W/m2；δt为光伏板的功率温度系数；Tt为t时刻光伏板的温度，℃；Tstc为标准条件下温度Tstc=25℃。
1.3 同步回代缩减
本文采用同步回代法缩减清洁能源基地风光出力场景，以此响应生产调度模型输入的需要。该方法主要以kantorovich距离作为冗余信息的度量，通过判断初始集合与缩减后集合的相似度，删减过剩信息，保存集合关键特性，获得量级较小且具有强代表性的数据集合[30,31]。
2 水风光互补效益模型
2.1 水风光运行情景的设置
众所周知，强波动性的风电、光伏大规模接入电网，需要调峰电源补偿来确保电力系统的安全，在水风光互补中，水电主要是作为补偿电源，因此，本文设置以下3种水风光运行情景来识别各主体的损益关系：
为辅助理解情景2、情景3下水风光运行方式，绘制了情景2、情景3的运行示意图，如图1所示。
情景1（对照方案）：梯级水电先根据系统负荷波动发电，而风光在满足系统余留负荷波动的前提下上网。
情景2：先假定风光全部上网，梯级水电根据等效负荷（系统负荷减去风光出力）发电，水风光联合出力过程与系统负荷变化趋势不一致的部分（即图1红色部分表示的弃电量），由之前假定全部上网的风光弃掉。
情景3：风光全部上网，梯级水电根据等效负荷发电，水风光联合出力过程与系统负荷变化趋势不一致的部分（即图1红色部分表示的弃电量），由梯级水电弃掉。
2.2 模型构建
针对上述三种情景，本文建立调度周期为1日、最小调度时段为1小时的梯级水电效益模型与风光效益模型（情景1）、水风光互补效益模型（情景2、情景3）。
2.2.1 目标函数
情景1：梯级水电效益最大、系统余留负荷最小、系统余留负荷波动最小。
maxR1=∑t=1T[c(t)×∑i=1nNh,i(t)×Δt]（3）
minNretotal=∑t=1TNre(t)=∑t=1T[Ns(t)−∑i=1nNh,i(t)]（4）
minVre=1T∑t=1T[Nre(t)−Nre¯¯¯¯¯¯]2（5）
R2=maxR1+c(t)×[Nw(t)+Np(t)]×Δt（6）
式中：R1表示梯级水电收益，元；t表示调度的某一时间段；T表示调度总时段数，T取24；c(t)表示在t时段内的水风光打捆上网电价，元/（MW·h）；i表示雅砻江下游第i个水电站；n表示雅砻江下游水电站总数，n取5；Nh,i(t)表示在t时段内雅砻江下游第i个水电站的平均出力，MW；Δt表示在每个时段的时间，h；Nretotal表示系统余留负荷，MW；Ns表示系统在在t时段内的平均负荷，MW；Vre表示系统余留负荷波动，MW2/h；Nre(t)表示系统在t时段内的平均余留负荷，MW；N¯¯¯re表示系统T时段内的余留负荷平均值，MW；R2表示水风光未互补总收益，元；Nw(t)表示在t时段内雅砻江下游风电站的平均出力，MW；Np(t)表示在t时段内雅砻江下游光伏电站的平均出力，MW。
情景2、情景3：水风光互补系统效益最大、系统余留负荷最小、系统余留负荷波动最小。
maxR3=∑t=1T{c(t)×[∑i=1nNh,i(t)+Nw(t)+Np(t)]×Δt}（7）
minNretotal=∑t=1TNre(t)=∑t=1T{Ns(t)−∑i=1n[Nh,i(t)−Nw(t)−Np(t)]}（8）
minVre=1T∑t=1T[Nre(t)−Nre¯¯¯¯¯¯]2（9）
式中：R3表示水风光互补总收益，元。
2.2.2 约束条件
情景1、情景2、情景3对应模型的约束条件除风电光伏约束外均相同。
（1）水量平衡约束：
Vi,t+1=Vi,t+(Ii,t−Qi,t−qi,t)×Δt（10）
式中：Vi,t+1为第t时段末第i个水库的存储水量，m3；Vi,t为第t时段初第i个水库的存储水量，m3；Ii,t为第t时段第i个水库的入库流量，m3/s；Qi,t为第t时段第i个水库的发电流量，m3/s；qi,t为第t时段第i个水库的弃水流量，m3/s。
（2）水电出力约束：
Nminh,t,i≤Nh,i,t≤Nmaxh,t,i（11）
式中：Nmaxh,t,i、Nminh,t,i分别为第t时段第i个水电站出力上、下限，MW；Nh,i,t为第t时段第i个水电站出力，MW。
（3）水位约束：
Zmini,t≤Zi,t≤Zmaxi,t（12）
式中：Zmaxi,t、Zmini,t分别为第t时段第i个水库的最大限制水位、最小限制水位，m；Zi,t为第t时段第i个水库水位，m。
（4）发电流量约束：
Qmini,t≤Qi,t≤Qmaxi,t（13）
式中：Qmaxi,t、Qmini,t分别为第t时段第i个水库最大、最小发电流量，m3/s。
（5）外送通道容量约束：
∑i=1nNh,i(t)+Nw(t)+Np(t)≤Amax(t)（14）
式中：Amax(t)为第t时段外送通道容量限制，MW。
（6）风电光伏约束：
情景1：
∑t=1T(Nw,t+Np,t)=T×min(Ns,t−Nh,t）（15）
情景2：
Nw,t+Np,t=min[(Ns,t−Nh,t),(Ns,w,t+Ns,p,t)]（16）
情景3：
Nw,t+Np,t=Ns,w,t+Ns,p,t（17）
式中：Nh,t为梯级水电第t时段的平均出力，MW；Nw,t、Np,t分别为风电、光伏第t时段的平均模拟出力，MW。
（7）并网约束：
Ns,t≥Nh,i,t+Nw,t+Np,t（18）
（8）非负约束：以上变量均为非负值。
2.3 模型的求解算法
本文采用源于对鸟群捕食行为研究的粒子群算法（PSO）对上述优化模型进行求解[32,33,34]。
3 研究算例
雅砻江作为金沙江最大的支流，其水能资源优渥，干流梯级水电调节性能好，风光资源理论可开发量超过4000万千瓦，具备天然的水风光互补开发潜质。本文以雅砻江下游梯级水电站及规划的风光电站为研究对象，使用2016年雅砻江下游实测径流资料、格林威治平台的雅砻江下游规划的各风电站逐小时的风速、风向等风资源数据、Meteonorm商业软件的雅砻江下游规划的各光电站的逐小时太阳辐照强度、环境温度等光资源数据，开展算例分析。
3.1 梯级水电站
雅砻江下游水能资源丰富，水电总装机容量达1470万kW，约占雅砻江干流规划容量的一半，雅砻江下游共有锦屏I级（属年调节，装机360万kW）、锦屏II级（属日调节，装机480万kW）、官地（属日调节，装机240万kW）、二滩（属季调节，装机330万kW）、桐子林（属日调节，装机60万kW）五座水电站。
3.2 风、光电站
雅砻江下游风、光资源优渥，目前已经规划65个风电站和19个光伏电站，总装机约1270万kW。
首先，本文根据雅砻江下游清洁能源规划的风电站、光伏电站经纬度，在格林威治平台与Meteonorm商业软件中建立风能资源、光能资源虚拟监测点，并从建立的虚拟监测点中获取用于风光功率模拟相关数据，包括：全年日尺度和小时尺度的水平面总辐射、水平面散射辐射、环境温度、风速、风向。其次，综合考虑风光电站分布特点、地理纬度等因素，根据各电站风速序列、辐照度序列，采用遗传K-means聚类法将风电站划分为6个集群、光伏电站划分为3个集群。最后，以风、光资源数据为基础，使用公式（1）与公式（2）对雅砻江下游各风电、光电集群全年逐小时的风电、光电功率进行模拟。
3.3 上网电价
目前，面向大规模新能源并网的全新电价机制还未完全建立，考虑到国家正提倡新能源平价上网、水风光打捆外送，本文根据不同情景下生产调度模型中水电、风光的发电过程，采用四川省水电实时电价[35]作为水风光打捆上网电价，核算水风光系统、梯级水电、风光以及梯级水电内部各电站的收益。
3.4 研究方案
首先，通过同步回代与遗传K-means聚类相结合的方法从模拟出的风电、光电集群功率中提取冬春、夏秋风光典型联合出力场景。其次，按照四个季节雅砻江清洁能源基地发电能力与四川电网1日24小时负荷过程对应电量的比例放缩四川电网1日24小时负荷过程得到四个季节雅砻江清洁能源基地1日24小时的负荷过程。再次，根据径流年内变化特征选取来水典型日：春季（2月5日）、夏季（5月19日）、秋季（8月13日）、冬季（11月30日），以实测径流资料、各水电站特征参数、风光典型联合出力等数据作为模型输入，构建上述3种情景下生产调度模型。再次，把情景2、情景3的调度结果分别与情景1作比较，采用多种损益指标量化水风光互补模式下水风光系统、梯级水电、风光电站、梯级水电内部各水电站的损益情况。需要特别提醒读者的是在文中提到的“同比”均指与情景1相比。最后，比较情景2与情景3的调度结果，进一步分析在水风光互补模式下弃风光和弃水之间的差异，厘清不同互补情景下水风光系统内部各电源的损益变化。
4 结果与分析
4.1 风光典型出力场景
4.1.1 风电典型出力场景
雅砻江下游清洁能源基地风电典型出力场景提取结果，如图2所示。
由图2分析可得：雅砻江下游清洁能源基地风电典型出力年内呈冬春大、夏秋小，日内呈夜间大、白天小的特点。
4.1.2 光电典型出力场景
雅砻江下游清洁能源基地光电典型出力场景提取结果，如图3所示。
由图3分析可得：雅砻江下游清洁能源基地光电典型出力年内呈冬春大、夏秋小的特点，日内由于地球自转、日夜交替影响，光电典型出力存在相应变化，12时-16时光电典型出力达到峰值。
4.2 水风光联合出力过程
通过对不同情景下的生产调度模型求解，得出不同季节三种情景下的水风光联合出力结果，如图4所示。
由图4分析可得：三种情景的水风光联合出力过程均与系统负荷波动一致，情景1的系统余留负荷明显大于情景2、情景3，情景2与情景3的系统余留负荷基本相同，说明通过水风光互补模式可以有效提高水风光系统出力，减少电力系统缺电量。
4.3 多主体损益分析
4.3.1 水风光系统损益分析
四个季节不同情景下水风光系统的损益情况，如图5所示。
由图5分析可得：四个季节中情景2、情景3的水风光总发电量、总发电收益与情景1相比有所增加，其中秋季增加最显著，情景2秋季增加37549.84 MW·h（1541.17万元），情景3秋季增加37397.47MW·h（1534.02万元）。四个季节中情景2的水风光总发电量、总发电收益与情景3相比基本持平，说明采取水风光互补模式下弃风光（情景2）或弃水电（情景3）对于清洁能源基地的总效益来说差别较小。
4.3.2 梯级水电损益分析
四个季节不同情景下梯级水电的损益情况，如图6所示。
由图6分析可得：夏季、秋季情景2中梯级水电的发电量与情景1相比略有增加，而春季、冬季略有减少；秋季情景2中梯级水电的发电收益与情景1相比略有增加，而其他三个季节略有减少；值得注意的是，夏季情景2中梯级水电的发电量与情景1相比有所增加，而相应的发电收益却减少，原因在于本文在核算电源上网收益时使用的是实时电价，水风光互补模式下梯级水电在低价时段多发，因而存在发电量增加、收益反而减少的现象。除秋季外，其他三个季节情景3中梯级水电的发电量、发电收益与情景1相比存在不同程度的减少，其中春季减少最显著（发电量同比减少8.59%、发电收益同比减少9.48%）。情景3中梯级水电的发电量、发电收益与情景2相比较少，这说明在情景3下水风光互补过程中梯级水电为配合风光消纳，自身利益损失较为严重。
4.3.3 风光损益分析
四个季节不同情景下风光的损益情况，如图7所示。
由图7（a）分析可得：四个季节中情景2、情景3的风光可上网电量、可上网收益与情景1相比有所增加，其中春冬两季增幅最显著，例如：春冬两季情景3与情景1相比风光可上网电量提高162.59%、可上网收益提高171.38%。四个季节中情景3的风光可上网电量、可上网收益与情景2相比较多，其中春冬两季体现最为明显，春季、冬季情景3的风光可上网电量、可上网收益与情景2相比提高约20%。
由图7（b）分析可得：四个季节中情景2、情景3的风光弃电量、弃电损失与情景1相比有所减少，其中冬季减少最显著，情景2冬季减少30829.24MW·h（1403.75万元），情景3冬季减少42277.52MW·h（1828.97万元）。情景3的风光弃电量、弃电损失与情景2相比较少，情景3下四个季节的风光弃电量、弃电损失均为0，这表明雅砻江清洁能源基地通过多能互补方式从理论层面可以实现风光完全消纳、风光弃电损失降到最低。
4.3.4 梯级水电站内部各水电站损益分析
（1）锦屏I级水电站损益分析
四个季节不同情景下锦屏I级水电站的损益情况，如图8所示。
由图8分析可得：除春季外，其他三个季节情景2中锦屏I级的发电量与情景1相比存在不同程度的增加，其中秋季增加最显著（同比增加8.37%）；除秋季外，其他三个季节情景2中锦屏I级的发电收益与情景1相比存在不同程度的减少；夏季、冬季情景2中锦屏I级的发电量、发电收益与情景1相比变化不同步，原因在于水风光互补过程中锦屏I级在低价时段多发，导致发电量增加，收益反而减少。夏季、秋季情景3中锦屏I级的发电量与情景1相比存在不同程度的增加，其中秋季最显著（同比增加7.90%），而春季、冬季存在不同程度的减少，其中春季减少最显著（同比减少8.60%）；除秋季外，其他三个季节情景3中锦屏I级的发电收益与情景1相比存在不同程度的减少，其中春季减少最显著（同比减少8.79%）。四个季节中情景3的锦屏I级发电量、发电收益与情景2相比均较少，说明情景3下水风光互补过程中锦屏I级为配合风光消纳，效益受损较为严重。
（2）锦屏II级水电站损益分析
四个季节不同情景下锦屏II级水电站的损益情况，如图9所示。
由图9分析可得：夏季、冬季情景2中锦屏II级的发电量与情景1相比有所减少，而春季、秋季相反；除秋季外，其他三个季节情景2中锦屏I级的发电收益与情景1相比存在不同程度的减少。除秋季外，其他三个季节情景3中锦屏II级的发电量、发电收益与情景1相比存在不同程度的减少，其中春季减少最显著（发电量同比减少8.46%、发电收益同比减少9.14%）。在水风光互补模式下，秋季锦屏II级的效益不减反增，说明在秋季雅砻江清洁能源基地水风光互补运行过程中风光存在一定程度的正向调峰作用，使得锦屏II级调峰难度降低，让锦屏II级获得了更多的消纳空间，从而秋季其效益不减反增。除秋季外，其他三个季节情景3中锦屏II级的发电量、发电收益与情景2相比较少。
（3）官地水电站损益分析
四个季节不同情景下官地水电站的损益情况，如图10所示。
由图9分析可得：夏季、冬季情景2中锦屏II级的发电量与情景1相比有所减少，而春季、秋季相反；除秋季外，其他三个季节情景2中锦屏I级的发电收益与情景1相比存在不同程度的减少。除秋季外，其他三个季节情景3中锦屏II级的发电量、发电收益与情景1相比存在不同程度的减少，其中春季减少最显著（发电量同比减少8.46%、发电收益同比减少9.14%）。在水风光互补模式下，秋季锦屏II级的效益不减反增，说明在秋季雅砻江清洁能源基地水风光互补运行过程中风光存在一定程度的正向调峰作用，使得锦屏II级调峰难度降低，让锦屏II级获得了更多的消纳空间，从而秋季其效益不减反增。除秋季外，其他三个季节情景3中锦屏II级的发电量、发电收益与情景2相比较少。
（3）官地水电站损益分析
四个季节不同情景下官地水电站的损益情况，如图10所示。
由图11分析可得：除秋季情景2中二滩的发电量与情景1相比有所增加外，其他三个季节情景2与情景1基本持平；除秋季情景2中二滩的发电收益与情景1相比有所增加，其他三个季节情景2与情景1相比存在不同程度的减少。除秋季外，其他三个季节情景3中二滩的发电量、发电收益与情景1相比存在不同程度的减少，其中冬季减少最为显著，情景3冬季减少3598.13 MW·h（192.12万元）。除夏季外，其他三个季节情景3中二滩的发电量、发电收益与情景2相比较少。
（5）桐子林水电站损益分析
四个季节不同情景下桐子林水电站的损益情况，如图12所示。
由图12分析可得：除秋季情景2中桐子林的发电量、发电收益与情景1相比略有增加外，其他三个季节情景2与情景1基本持平。春季、冬季情景3中桐子林的发电量、发电收益与情景1相比略有减少，而夏季、秋季相反。四个季节中情景3的桐子林发电量、发电收益与情景2相比较少。
（6）相同季节不同水电站间的损益分析
由图8-图12分析可得相同季节不同水电站间的损益情况，具体如下：
春季情景2、情景3下各水电站（除情景2下锦屏II外）的发电量、发电收益与情景1相比存在不同程度的减少，其中情景3下锦屏II减少最为显著，情景3下锦屏II减少4421.37 MW·h（207.78万元）。春季情景3下各水电站的发电量、发电收益与情景2相比较少。
夏季情景2、情景3下各水电站的发电量与情景1相比基本持平，但情景2、情景3下各水电站的发电收益与情景1相比存在不同程度的减少，其中情景3下锦屏I减少最为显著（同比减少3%）。夏季情景3下各水电站的发电量、发电效益略低于情景2。
秋季情景2、情景3下各水电站（除官地外）的发电量、发电收益与情景1相比存在不同程度的增加，其中情景2下锦屏I增加最为显著，情景2下锦屏I增加5745.93 MW·h（192.85万元）。秋季情景3下官地、锦屏II的发电量、发电收益与情景2相比略有增加，而其他三个水电站略有减少。
冬季情景2、情景3下各水电站的发电量、发电收益与情景1相比存在不同程度的减少，其中情景3下锦屏II减少最为显著，情景3下锦屏II减少3318.52MW·h（187.86万元）。冬季情景3下各水电站的发电量、发电收益与情景2相比减少较多，减少量约占各水电站的10%。
5 结论与展望
（1）情景2、情景3的水风光系统总效益与情景1相比明显提升，其中风电光伏的效益显著增加，而梯级水电的效益存在不同程度的减少，表明梯级水电在水风光互补过程中牺牲自身利益“削峰填谷”，为风光消纳做出了巨大贡献。情景2与情景3的水风光系统总效益基本持平，但与情景2相比，情景3的风光效益增量更显著、风光弃电量更少。
（2）情景2、情景3中梯级水电内部各水电站的效益与情景1相比增减不一，但效益受损的水电站占据多数，与情景2相比，情景3中各水电站四个季节总的效益减少量大于其效益增加量更显著。值得关注的是春季、夏季、冬季情景3的各水电站效益均减少，而秋季情景3中锦屏I级、锦屏II级、二滩、桐子林的效益略有增加，究其原因：在秋季雅砻江清洁能源基地的风光与水电互补运行中具有一定的正向调峰，让水电调峰难度降低，从而使水电获得了一定程度的消纳空间，所以情景3中梯级水电内的部分电站在秋季效益会相比于情景1略有增加。
（3）水电配合风光消纳，并不仅仅是通过水电的上网空间来等价换取风光的上网空间，而是发挥水电特有的灵活性，以其较小的上网空间换取风光更大的上网空间，使得水风光系统整体效益提升，例如：情景3与情景1相比，风光总收益增加6147.94万元，而水电总收益仅减少1076.69万元，水风光系统整体收益提升5071.25万元。
本次研究仅选取了四季典型日，可能具有偶然性，且对于水电站补偿风光过程中的损益分析，暂未考虑水电机组频繁跨越不稳定区域所带来的安全运行问题，实际上，水电机组为了应对这些问题，需要作出一些调整，甚至技术改造。在下一步研究中，将根据雅砻江流域长期径流资料确定各电站的运行规则，并基于该规则进行长期运行模拟，考虑水电机组频繁跨越不稳定区域所带来的风险，展开多能互补运行中多主体损益研究。
参考文献
[1] 程春田. 碳中和下的水电角色重塑及其关键问题[J]. 电力系统自动化, 2021, 45(16): 29-36.
[2] 卓振宇, 张宁, 谢小荣, 等. 高比例可再生能源电力系统关键技术及发展挑战[J]. 电力系统自动化, 2021, 45(9): 171-191.
[3] 纪昌明, 赵亚威, 张验科. 促进清洁能源消纳的多网联合优化与决策模型[J]. 水力发电学报, 2021, 40(2): 64-76.
[4] 程春田, 武新宇, 申建建, 等. 亿千瓦级时代中国水电调度问题及其进展[J]. 水利学报, 2019, 50(1): 112-123.
[5] 王浩, 王旭, 雷晓辉, 等. 梯级水库群联合调度关键技术发展历程与展望[J]. 水利学报, 2019, 50(1): 25-37.
[6] 张建云, 周天涛, 金君良. 实现中国“双碳”目标 水利行业可以做什么[J]. 水利水运工程学报, 2022(1): 1-8.
[7] 梁艺缤, 畅建霞, 郭爱军, 等. 考虑水光协调性与经济性的水电站优化调度[J]. 水力发电学报, 2022, 41(06): 22-33.
[8] 王淏, 高进宇, 于洋, 等. 南方电网水-火电合作博弈及关键影响要素分析[J]. 水力发电学报, 2022, 41(1): 92-102.
[9] 赵珍玉, 张一, 李刚, 等. 风电并网条件下的梯级水电站长期优化调度[J]. 水力发电学报, 2020, 39(12): 62-75.
[10] 畅建霞, 王义民, 黄强, 等. 水电与风电联合补偿调度机理研究与应用[J]. 水力发电学报, 2014, 33(3): 68-73+80.
[11] 马吉明, 张楚汉, 王保国. 光伏水电互补, 低碳可再生能源的新途径——以青海为例[J]. 水力发电学报, 2013, 32(2): 1-4.
[12] 万家豪, 苏浩, 冯冬涵, 等. 计及源荷匹配的风光互补特性分析与评价[J]. 电网技术, 2020, 44(9): 3219-3226.
[13] 叶林, 屈晓旭, 么艳香, 等. 风光水多能互补发电系统日内时间尺度运行特性分析[J]. 电力系统自动化, 2018, 42(4): 158-164.
[14] 姚天亮, 吴兴全, 李志伟, 等. 计及多约束条件的风光互补容量配比研究[J]. 电力系统保护与控制, 2017, 45(9): 126-132.
[15] 朱燕梅, 陈仕军, 黄炜斌, 等. 一定弃风光率下的水光风互补发电系统容量优化配置研究[J]. 水电能源科学, 2018, 36(7): 215-218.
[16] 王学斌. 考虑大规模新能源并网的黄河上游水电站群多尺度调度研究[D]. 西安理工大学, 2019.
[17] 陈丽媛, 陈俊文, 李知艺, 等. “风光水”互补发电系统的调度策略[J].电力建设, 2013, 34(12): 1-6.
[18] 闻昕, 孙圆亮, 谭乔凤, 等. 考虑预测不确定性的风–光–水多能互补系统调度风险和效益分析[J]. 工程科学与技术, 2020, 52(3): 32-41.
[19] 明波, 李研, 刘攀, 等. 嵌套短期弃电风险的水光互补中长期优化调度研究[J]. 水利学报, 2021, 52(6): 712-722.
[20] MING Bo, LIU PAN, CHENG LEI, et al. Optimal daily generation scheduling of large hydro-photovoltaic hybrid power plants [J]. Energy Conversion and Management, 2018, 171: 528-540.
[21] 刘涛. 雅砻江下游风光出力模拟与多能互补短期优化调度[D]. 西安理工大学, 2021.
[22] 薛辉. 基于聚类风电场分群及等值建模的研究[D]. 华北电力大学(北京), 2016.
[23] 郭志, 陈洁, 黄净, 等. 基于改进遗传KM聚类算法的风电场机群划分方法[J]. 可再生能源, 2016, 34(2): 238-243.
[24] 黄松, 邱建林. 改进的遗传k-means算法及其应用[J]. 计算机工程与设计, 2020, 41(6): 1617-1623.
[25] 寇凌峰, 徐毅虎, 侯小刚, 等. 一种大规模分散光伏接入配电网的集群划分方法[J]. 可再生能源, 2019, 37(4): 525-530.
[26] 张扬科, 李刚, 李秀峰. 基于典型代表电站和改进SVM的区域光伏功率短期预测方法[J]. 电力自动化设备, 2021, 41(11): 205-210.
[27] 焦田利, 章坚民, 李熊, 等. 基于空间相关性的大规模分布式用户光伏空间分群方法[J]. 电力系统自动化, 2019, 43(21): 97-102+162.
[28] 吴成国, 王义民, 黄强, 等. 基于加速遗传算法的梯级水电站联合优化调度研究[J]. 水力发电学报, 2011, 30(6): 171-177.
[29] 金菊良, 杨晓华, 丁晶. 标准遗传算法的改进方案——加速遗传算法[J]. 系统工程理论与实践, 2001(4): 8-13.
[30] DUPACOVA J, GROWE-KUSKA N, ROMISCH W. Scenario reduction in stochastic programming - an approach using probability metrics [J]. Mathematical Programming, 2003, 95(3): 493-511.
[31] 张步涵, 邵剑, 吴小珊, 等. 基于场景树和机会约束规划的含风电场电力系统机组组合[J]. 电力系统保护与控制, 2013, 41(1): 127-135.
[32] KENNEDY J, EBERHART R, INSTITUTE OF ELECTRIC AND ELECTRONIC ENGINEER. Particle swarm optimization [C]. // Neural Networks, 1995 Proceedings, IEEE International Conference on vol.4. 1995: 1942-1948.
[33] EBERHART R, KENNEDY J, INSTITUTE OF ELECTRIC AND ELECTRONIC ENGINEER. A new optimizer using particle swarm theory [C]. // Piscataway NJ. MHS'95. USA: IEEE, 1995: 39-43.
[34] SHI Y, EBERHART R, INSTITUTE OF ELECTRIC AND ELECTRONIC ENGINEER. A modified particle swarm optimizer [C]. // Evolutionary Computation Proceedings, 1998 IEEE World Congress on Computational Intelligence, The 1998 IEEE International Conference on 1998: 69-73.
[35]李咸善，杨宇翔.基于双向电价补偿的含氢储能风电和梯级水电联合优化调度[J].电网技术, 2020, 44(9): 3297-3306.
