考慮氣象預報不確定性累積的風水發電協調方案研究
從氣象預報的不確定性隨預見期增長的特點出發，分析氣象預報的演進過程，提出不確定性累積模型的搭建條件與假設，通過定義預報演進量，推導了考慮預報不確定性累積的氣象參量的分布特征，搭建氣象預報不確定性累積模型，用于描述氣象預報不確定性隨預見期增長的相關關系，為后續的基于氣象預報不確定性累積模型的風水發電出力模型的建立以及風水發電的優化調度打下基礎。
以搭建的氣象預報不確定性累積模型為基礎，建立風電出力模型與水電出力模型。風電出力情況的預估主要依據預報風速、風電機組額定出力等數據，風電機組的輸出功率特性決定了其出力模型為混合型隨機變量模型，需要計算風機輸出功率概率密度函數并計算其期望值，最終得到風電機組出力情況。以MGF矩母函數為工具，根據水庫徑流預報模型計算得到累積徑流分布情況，結合入庫徑流與庫容水位的關系，分析了水電功率特性。
基于預報不確定性累積模型對風水聯合發電進行優化調度，為保證協調運行中水電的自身效益，綜合考慮風水聯合出力平穩性、水電棄水、水電保證出力多目標，引入水電庫容機會約束，構建了風水發電中期協調模型。通過矩母函數求解累積凈流的近似隨機變量，將庫容機會約束轉化為確定性等價類形式以便于模型求解。算例采用遺傳算法驗證了本文所提方案的有效性，并針對機會約束置信度、徑流預報演進量方差以及預見期對協調效果的影響進行了分析及驗證。關鍵詞：氣象預報不確定性，風水聯合運行，出力模型，優化調度
目錄中文摘要...I
1緒論..1
1.1課題研究背景及意義1
1.2國內外研究現狀...3
1.2.1風速及徑流預報不確定性研究現狀....3
1.2.2風電場、水電站出力模型研究現狀....6
1.2.3風電-水電聯合運行研究現狀8
1.3本文的主要內容...8
2氣象預報不確定性累積模型..11
2.1引言.11
2.2氣象預報不確定性分析....11
2.3預報演進量定義.12
2.4不確定性累積模型條件假設.13
2.5預報不確定性累積模型....14
2.6算例分析...15
2.7本章小結...18
3基于預報不確定性累積模型的風水出力模型19
3.1引言.19
3.2風電出力模型20
3.2.1風電波動特性分析20
3.2.2風電并網與風電消納問題...21
3.2.3風電機的功率輸出特性..22
3.3水電出力模型24
3.3.1水能資源及其特點24
3.3.2水電功率特性分析25
3.4風電水電互補特性分析....27
3.5算例分析...29
3.6本章小結...33
4基于預報不確定性累積模型的風水發電優化調度34
4.1引言.34IV
4.2風水發電中期調度優化模型.35
4.2.1目標函數.35
4.2.2約束條件.36
4.3模型求解方法37
4.3.1目標函數的等價轉換.37
4.3.2機會約束規劃處理38
4.3.3引進精英主義的遺傳算法...39
4.4算例分析...40
4.4.1算例簡介.40
4.4.2結果及分析..41
4.4.3影響因素分析...42
4.5本章小結...45
5結論與展望46
5.1論文主要結論46
5.2后續工作展望47
參考文獻48
V
1緒論1.1課題研究背景及意義
21世紀發展至今，能源危機與環境污染已經成為全世界各國都必須面臨與解決的嚴峻問題，一次能源的不合理利用也是造成環境污染的重要因素，因此，發展新型綠色環?？稍偕茉磳τ诮鉀Q能源危機與環境污染而言，都具有重要意義。近年來，太陽能、風能、潮汐能等新型能源得到有效的開發利用，利用新型能源發電、減少電網發電端一次能源的消耗也是實現電力系統能源結構變革、實現可持續發展的重要途經。與其他新型能源發電形式相比，風能發電具有能源總量大、易于開發利用、綠色環保無污染等優點，逐漸成為全世界各國關注的焦點，風電行業在近十年時間內得到高速發展，全球裝機容量逐年升高。圖1.1所示為根據某報告中的數據整理得到的2007-2018年全球范圍內風電裝機容量的總量變化情況。
時間（年）圖1.12007~2018年全球風電和裝機容量統計圖
我國將“2020、2030年非化石能源消費比重分別達到15%、20%”作為能源發展戰略目標[1]，雖然我國的能源利用仍以不可再生能源為主，但是我國針對風力發電的研究處于世界前列，統計數據顯示，2016年我國風電行業新增裝機容量超過2千萬千瓦，截至2016年年底，我國風電行業累計裝機容量超過1.6萬萬千瓦，排名世界首位。隨著大量大型風電場接入電網，其引發的一系列問題成為該領域研究熱點，
風電是將風能轉換為電能，而風能資源具有波動性與不可控性，這導致風電發電功率呈現隨機性與間歇性，風電出力的波動性會對電網的實時調度與運行控制產生不利影響，為了集中利用風能資源，會考慮建設風能發電基地，隨著建設規模的擴大，風機裝機容量不斷升高，風電上網對電網運行所造成的影響也會不斷加重，特別是電力系統實時調度-負荷調峰的難度將不斷加大[2]，如負荷需求處于高峰時，風電出力可能無法達到要求，而負荷需求處于低谷時，風電出力可能無法消納[3]，如果不對風電出力加以控制與協調，風電上網不僅無法實現充分利用風能的初衷，還會對電網運行產生反調峰影響，進一步惡化電網運行性能。為了保證電力系統運行的穩定性與可靠性，大規模風電上網的前提條件是預留足夠的調峰容量與備用電源，而這不僅會增加電網調度運行的資金投入，也會擴大電網調度調峰的調控范圍，這對電網調度運行的實時管理提出了更高的要求。
由于風能資源存在的波動性和不可控性，基于對系統安全性的考慮，風電消
納困難的問題日漸突出，據統計2011年至2015年全國平均棄風率達13.4%[3]，2016年全國棄風率達到了17.1%。為了解決風電并網給調度帶來的問題，也為了提高風電利用率、推動新型可再生能源的發展，鑒于水電在調峰深度和調峰速度上都具有很大的優勢，其調節庫容具有蓄能作用，考慮將風電與水電結合，兩者具有良好的互補特性，水庫庫容調節能力與水電快速響應特性可以及時跟蹤補償風電出力變化，當風電出力增加時，降低水電的出力，把水能蓄在水庫中；當風電出力降低時，加大水電出力，使風電與水電出力之和滿足負荷需求，從而達到削弱風電出力波動性對公共電網的不利影響的目的[4-5]。風電與水電的協調運行是促進風電消納、提升資源優化配置能力的有效途徑，這對于新能源并網、不同類型資源協調運行以及電力系統安全性的研究具有重要參考價值。
雖然風水協調運行對于促進風電消納具有一定的優勢，但是風水協調運行方案的制定受風、水氣象預報的影響，由于氣象預報結果存在一定的誤差，具有不確定性的特點，并且氣象預報的不確定性不可能消除，風速、徑流預報作為風水聯合調度的關鍵輸入信息，這種預報的不確定性必然會影響到風水協調調度決策的科學性。隨著電力與氣象領域的交互融合，面向電力生產的專業化、精細化氣象預報對于電力各環節正常、高效運行的作用逐漸得到重視[6-8]，氣象預報是風水發電聯合調度的關鍵支撐環節，準確的氣象預報能提升調度方案的科學性、合理性。
因此，為得到更為科學、合理的風水聯合調度方案，需要對氣象預報的不確定性進行分析，但已有研究大多采用恒定的概率分布或模糊參數表征不確定性，卻忽略了氣象預報不確定性與預見期的關系。實際上，在氣象預報及風電出力預測等產品的制定過程中，受眾多環節影響，其不確定性是隨預見期的增加而增大2
的[9-10]，直觀感受即“預報時間越長，氣象預報越不確定”，忽略這種相關關系會難以準確客觀地反應氣象預報的不確定性，從而影響中期調度決策效果。因此，深入分析風速、徑流氣象預報不確定性與預見期的關系，對不確定累積過程展開研究，并基于此建立風速、徑流等氣象要素與風電水電的出力關系，對風能和水能資源進行合理的規劃、提升風水聯合調度的科學性、促進新能源的消納、提升資源優化配置能力具有重要意義。
1.2國內外研究現狀
1.2.1風速及徑流預報不確定性研究現狀
①風速預報不確定性研究現狀
風是驅動風力發電機發電的主要動力，隨著自然條件的變化而變化，風速預報是解決大量大型風電并網的關鍵因素之一，隨著預報風速的精準度提升相應的
風電機組的出風力度也隨之提高。風速進行預報的時候，需要考慮采用何種預報
方法進行預報，圖1.2所示為風速預報方法的分類[11]，從圖1.2中可以看出，統計
預報方法不以數值天氣預報為基礎，而是利用中期歷史觀測數據挖掘隱藏的變化規律完成未來某個時間段的風速預報，風速統計預報模型在發展初期主要包括時間序列分析模型、灰色模型、自回歸滑動平均模型[12-16]等，在發展后期主要包括基于神經網絡的風速統計預報模型、基于支持向量機的風速統計預報模型等[17]。
物理預報的方法是以數值天氣預報作為基本判定的方法，涉及到的大氣數據包括溫度、大氣壓以及溫度等，利用計算機對風速物理預報模型進行求解就可以得到未來某個時間段的風速預報，進而得到風功率預報，風速物理預報模型包括METOF[18]模型、MESO模型[18]、RAMS模型[19]、WRF模型[20]等。物理預報以及統計預報方法相結合稱作混合預報方法，所以混合預報方法把這兩者的優點結合在一起，能夠有效降低風速預報的誤差。將物理預報方法求解得到的數據引入統計預報模型中，可以提升風速預報的效果；將預報模型與神經網絡相結合對風速進行預報，能夠對風速預報結果進行有效修正[21-25]。機器學習的重要分支是深度學習，它不僅可以學習樣本數據還可以把其內在特征進行抽象的提取，刻畫樣本數據的本質特征，對文字、圖像、聲音等各類數據都能夠較好地完成學習任務。文獻[11]首次將深度學習算法引入風速預報領域，驗證了深度學習方法在該領域的適用性。文獻[27]利用深度學習算法建立風速預報模型，分別以小時和天為單位進行預報測試，結果顯示該風速預報模型相比于其他算法建立的風速預報模型而言，預報誤差降低了10%。文獻[28]利用深度學習算法與神經網絡搭建風速預報模型，通過數據遷移解決了新建風電場風速難以預報的問題，有效提高了風電場風速預報精度。以上文獻都是側重對風速預報方法的研究，將最先進的深度學習算法應用于風速預報領域，而忽視了風速預報時長對風速預報不確定性的影響，也即未考慮短期預報、中期預報和長期預報等預報時長對風速預報誤差的影響，也未考慮風速預報誤差累積對風電出力預測的影響。
風速預報分為超短期、短期以及中長期三種預報類型。超短期預報的計量單位是分鐘，短期預報以小時為計量單位，中長期預報以天/月為計量單位。超短期預報和短期預報的預報誤差通常15%-30%，而中期預報的難度較大，預報誤差更高。預報誤差主要是由于未考慮到風速變化的不確定性，風速預報針對風速單點預報，這是預報手段導致的必然誤差，在單點預報的基礎上對風速不確定性區間進行預測，能夠有效降低風速預報的誤差。按照不確定性分析結果對風速不確定性區間預測方法進行劃分，可以分為置信區間法、風險指標法和概率值法，置信區間法指的是設定置信區間，規定風速波動的上下限，通常假定風速預報誤差服從高斯分布；風險指標法指的對影響風速不確定性的因素設定風險指標，反映各種不確定性因素對風速預報的影響程度；概率值法指的是利用各時間點風速預報值在某個范圍內波動的概率值表示風速預報的不確定程度，概率值越高，風速預報越準確，不確定程度越低[29-30]。
圖1.2風速預報方法的分類
Fig.1.2Classificationofwindspeedpredictionmethods②徑流預報不確定性研究現狀
水文預報指的是根據相關水文氣象數據對某水電站水量情況進行定性/定量預測，依據水文現象及水文過程建立的模型成為水文模型，水文氣象數據是水文模型的輸入數據，它的不確定性直接影響徑流預報的準確性。根據預報期的長短可以將徑流預報劃分為短期預報、中期預報和中期預報，根據預報結果的形式可以將徑流預報劃分為確定性預報、概率預報和集合預報。水文氣象數據主要包括降水、溫度、濕度等，就一般情況而言，根據實測降水等數據可以計算得到短期徑流預報[31-32]，將降水等水文氣象數據代入水文模型可以計算得到中期徑流預報[33-34]，利用統計模型/智能模型獲取徑流因子與環流因子可以計算得到中期徑流預報[35-37]。對于水電站而言，徑流預報屬于較為復雜的過程，需要綜合各方面的基礎數據，也需要搭建數學模型[38-39]，其中存在諸多不確定性因素，這導致了徑流預報的不確定性。
針對水文現象不確定性的研究通常是以水文模型為基礎進行的，其不確定性來源主要包括三個方面，模型輸入數據的不確定性、模型參數的不確定性和模型結構的不確定性，相對于模型參數和模型結構而言，模型輸入數據的不確定性對預報結果準確度的影響最大。就水電站徑流預報而言，降水資料的不確定性是最重要的不確定性因子，影響降水資料不確定性的主要因素是降水時空變異性、觀測站網固定點同時間觀測之間的差異，目前針對該問題的研究仍處于初期階段?，F階段針對該問題的研究主要集中在降水時空變異性對徑流總量、峰現時間等的影響，有關土壤含水情況、流域特征、流域響應等問題的研究較少。
Lopes[40]將搭建的模型應用于某確定流域范圍內，主要目的是分析降水空間變
異性對徑流、洪峰等因素的影響，結果顯示觀測站網的空間分布、分布密度以及
降水空間特性等都會對徑流預報產生較大影響。Chaubey等人[41]利用AGNPS模型
對降水空間變異性和站網觀測精度進行分析，結果顯示兩者都會對流量過程線產
生直接影響，而降水空間變異性還會直接影響水文模型參數的變異性，這也會進
一步影響徑流預報的結果。Bronstert等人[42]在特定流域范圍內研究了降水強度時
間變異性對水文模型的影響，結果顯示相對于一般情況而言，降水強度時間變異性提高了產流量。Shah等人[43-44]搭建了降水隨機模型，并將其與SHE模型結合用于探究降水空間變異性與流域響應之間的關系，將模型應用于特定流域范圍內后，結果顯示流域狀態不同的情況下，降水空間變異性對徑流預報的影響也會有所不同，在流域含水量較高的情況下，流域平均降水的徑流預報效果較好，在流域含
水量較低的情況下，流域平均降水的徑流預報效果不及分布輸入降水，降水空間
變異性與降水徑流響應之間呈現高度非線性關系。郝芳華等人[45]利用SWAT模型
研究降水空間變異性對產流量與產沙量之間的關系，結果顯示降水空間變異性對產流量和產沙量的不確定性影響較大。
以上文獻都是側重水文預報方法的研究，采用各種水文模型分析各種參數對水文預報結果的影響，而忽視了徑流預報時長對徑流預報不確定性的影響，也即未考慮預報時長對徑流預報誤差的影響，也未考慮徑流預報誤差累積對水電出力預測的影響?？紤]到降水等水文氣象數據不確定性對徑流預報不確定性的影響，在水文模型輸入數據時采用隨機變量取代確定數值，輸入數據的不確定性即可得5
到量化，水文模型輸出的不確定性也就可以得到量化，提高徑流預報的精度[46]。
1.2.2風電場、水電站出力模型研究現狀
①風電場出力模型研究現狀
風電場出力指的是風電場發電機組的輸出功率，風電場的輸出功率受到風速、環境條件、地理位置、設備性能等諸多因素的影響，呈現出隨機性與波動性的特點。相對而言，風電場輸出功率最重要的影響因素是風速，就國內的情況來看，風速的典型年特性為冬春季風速大、夏秋季風速小，風速的典型日特性為夜間風速大、日間風速小。風電場出力模型的搭建方法主要分為直接法和間接法，直接法是利用風速進行出力模型搭建，而間接法是利用功率進行出力模型搭建。
風電場風電機組的功率波動主要是受到風速波動的影響，在不同地區、不同季節、不同位置、不同時間點監測到的風速都會存在差異，許多研究學者在搭建風電場出力模型時，考慮的是通過準確描述風速變化趨勢的方式提高風電場出力模型的準確度。利用風速模型生成風速時間序列，再利用風電功率與風速的數學
關系得到風電出力時間序列，或者模擬風速分布特性后，再利用概率密度函數獲
取風電出力統計特性。KarkiR等人[47]在研究該問題時，利用自回歸滑動平均模型生成風速時間序列，而ChenP等人[48]在KarkiR等人研究基礎之上對風速不平穩
序列進行建模、修正后得到LARIMA模型，該模型能夠精確描述風速的變化趨勢。
曾鳴等人[49]假定風速分布特性遵循韋伯分布特性，利用其概率密度函數計算得到了風機出力的概率密度函數。宗培書等人[50]以某發電廠全年風電出力數據為基礎，
假定風速分布特性遵循韋伯分布特性，反推計算得到了不同條件下韋伯分布的參
數信息。李玉敦等人[51]利用非參數估計理論預估風速概率分布特性，利用蒙特卡洛方法對概率分布特性進行抽樣操作來獲取風速時間序列。林佳亮等人[52]以某風
電場夏季與冬季的風電出力數據為基礎分析風電出力的分布情況，結果顯示風電出力呈現出的季節特性為冬季出力大、夏季出力小，風電出力呈現出的晝夜特性為夜間出力大、日間出力小。
利用功率進行風電場出力模型搭建需要以該風電場的歷史輸出功率數據為依
據，利用風電歷史輸出功率生成模擬序列能夠避免利用風速計算風電出力過程產生的誤差。利用功率進行風電場出力建模的方法主要有馬爾可夫鏈模型、自回歸移動平均模型、蒙特卡洛模擬方法等[53-55]，這些方法都是采用隨機時間序列進行分析模擬，雖然能夠避免利用風速計算風電出力過程產生的誤差，但是考慮到風電
出力本身為非平穩、非正態隨機序列，因此利用功率進行風電場出力建模仍然無
法做到風電出力準確預測。LopesVV等人[56]曾采用馬爾可夫鏈模型生成風電出力
時間序列，分析了該模型的階數對風電出力預測準確度的影響。
無論是利用直接法進行風電場出力模型搭建，還是利用間接法進行風電場出6
力模型搭建，在研究不同時長風水發電優化調度問題時，都不應忽略風速預報預見期對風電場出力預測結果的影響，這其中包括風速預報在時間尺度上不確定性的差別以及風速預報不確定性累積對風電出力預測的影響。
②水電站出力模型研究現狀
水電站出力指的是水電站發電機組的輸出功率，水電站的輸出功率受到降水、環境條件、地理位置、設備性能等諸多因素的影響，呈現出啟停方便、效率高、生產成本低等特性[57]。與其他發電形式相比，水電站發電利用的水能資源可再生、可儲存、可調節，水電站機組也能夠靈活啟停，可以在較短的時間內增減出力，非常適合承擔電網的調峰、調頻等工作，水電站的發電設備簡單、使用壽命長、水源利用率高，水電建設施工困難、投資大、建設周期長，易受到地形、地質等條件的影響[57-58]。在不考慮能量損耗的情況下，水電站的功率輸出取決于水電站上下游水位之差以及水流通過水輪機的流量，在實際應用過程中，水電站發電過程中不可避免產生能量損失，一方面，水流摩擦河床、沖擊河岸等必然會造成一部分能量損失，另一方面，水流推動水輪機、水輪機帶動發電機等也必然會造成一部分能量損失，水電站實際出力必然小于理論計算出力。
現有的研究文獻與實際工程應用中，水電站出力模型通常利用Bernoulli流體能量守恒方程來表示[59-60]，Bernoulli流體能量守恒方程指出，理想流體定常流動時，同一細流管任一截面處，單位體積的壓力能、動能、勢能之和保持不變，由此可以得到水電站的輸出功率表達式?，F有文獻主要針對水電站輸出功率的調節與精準計算展開研究，電網對水電站下達功率調節指令，水電站根據指令對機組的輸出功率進行調節以滿足電網運行要求[61-64]，而水電站通過調節水輪機調速器達到調節輸出功率的目的。
水電站輸出功率的準確計算多是以水電機組的實際運行數據為基礎，對水電機組的輸出功率曲線進行擬合，再根據其他影響因素對輸出功率曲線進行修正[65-66]。小水電群的發電特性與大水電機組的發電特性略有不同，針對小水電群的輸出功率計算，文獻[67]采用的是小波分析法，提取小波分解中的部分分量用于建立組合模型，將日降水量與累計降水量映射為特征向量，為多個小波分量建立功
率預測模型，小波分解中的其他分量直接將相似日的負荷分量作為其功率預測值，兩者結合后進行小波重構得到最終的發電預測值。文獻[68]采用的是兩階段還原法，將電網負荷分解為全社會用電負荷與小水電發電負荷，全社會用電負荷利用通用
模型進行預測，小水電發電負荷則需要利用最大負荷、降水量、負荷曲線等數據進行分析計算并最終得到小水電發電負荷曲線。文獻[69]采用的是負荷分解法，將電網負荷分解為正常負荷和小水電負荷，按照負荷的特點進行劃分，利用多種方法對發電功率的計算結果進行融合，再通過最小二乘法獲取最終計算結果。文獻[70]采用的是線性外推法與相似日負荷預測法相結合，線性外推法可以彌補相似日負荷預測法的不足，提高功率計算的精確度。
徑流預報存在偏差，隨著預見期的延長，徑流預報偏差也隨之增加，這種不確定性的變化會對水電出力造成影響，預見期是徑流預報應用于水電出力的一個關鍵限制因素，不能忽視這種因素的影響。
1.2.3風電-水電聯合運行研究現狀
水能與風能資源具有良好的季節互補性，而水庫的庫容調節能力與水電機組的快速響應特性，使得水電出力能夠及時跟蹤補償風電的出力變化，削弱風電出力波動性對電網的不利影響，風電與水電的協調運行是促進風電消納、提升資源
優化配置能力的有利途徑。隨著多能互補逐漸受到電力、能源等領域的關注，相關學者對風電與水電的協調運行陸續開展了研究。如文獻[71]將待補償功率作為水電出力的閉環控制輸入，融合風功率預測，對風水協同運行的次日計劃進行了研究；文獻[72]研究提出了一種計及風、光、核、水、火多電源在內的短期協調優化
調度方法；文獻[73]考慮下一調度周期的調峰需求，以火電機組能耗為目標，提出了一種風水火發電短期優化調度方法；文獻[74]考慮風電出力的不確定性，提出了
一種含風險約束的風水協調運行策略，并從發電公司的角度，驗證了風水協調運行在經濟性及可靠性上的優勢。
相關研究取得了很多有價值的成果，但也存在若干可改進之處，可歸納為：1）時間尺度上，多為日內運行計劃，水電補償對象也是風電出力的日內波動[75-76]。
而同樣顯著的風電出力日間波動特征可能會使等效負荷呈現很大的日間差異，從
而增加系統的調峰需求和運行費用[77]；同時，水電站的庫容調節能力在較短的時
間尺度內也無法充分發揮，因此考慮風電的日間波動特征、并拓寬風電與水電協調運行的時間尺度是本領域亟需解決的問題。2）協調目標上，少有關注水電的自身效益。水電在補償風電的同時，不應過多浪費水能，需避免“棄水補償”的情況[78-79]，同時水電自身運行中也有保證出力的限制。3）運行場景上，通?；谑孪冉o定的水電、風電場站或機組，并未考慮對應的水能、風能資源是否具有良好的互補效果，由此得到的最優發電計劃也可能會產生水電的“欠補償”或“棄水補償”。
1.3本文的主要內容
為了解決由風的波動性與隨機性導致的風電并網問題，也為了提高風電利用率、推動新型可再生能源的發展，考慮將風電與水電結合，兩者具有良好的互補性，水庫庫容調節能力與水電快速響應特性可以及時跟蹤補償風電出力變化，削弱風電出力波動性對公共電網的不利影響，風電與水電的協調運行是促進風電消8
納、提升資源優化配置能力的有效途徑。風速、徑流預報是風水發電中期協調調度的重要輸入信息，對風水發電調度決策制定起到關鍵支撐作用，然而，氣象預報存在不確定性，并且氣象預報的不確定性隨著預見期的增大，其不確定性也在不斷增大，這種不確定性的變化會影響調度決策方案的科學性、準確性?？紤]到這種不確定性的影響，本文提出氣象預報不確定性累積模型，從氣象預報的不確定性隨預見期增長的特點出發，本文通過定義預報演進量，推導了考慮預報不確定性累積的氣象參量的分布特征，用于描述氣象預報不確定性隨預見期增長的相關關系；同時兼顧風電、水電自身效益及風水聯合出力平穩性、水電棄水等目標，在各個運行約束下，構建了風水發電中期協調模型，并通過算例驗證模型的有效性。利用本文所搭建的模型可提高風水資源在中期時間段尺度上調度決策的科學性，對于促進新能源消納、提升資源優化配置能力具有重要意義。
論文后續章節安排如下：
第2章研究氣象預報不確定性累積模型。搭建了氣象預報不確定性累積模型，氣象預報是風水發電調度的關鍵支撐環節，考慮到氣象預報的不確定性直接影響到風力發電與水力發電的輸出功率，從氣象預報的不確定性隨預見期增長的特點出發，分析氣象預報的演進過程，提出不確定性累積模型的搭建條件與假設，通過定義預報演進量，推導了考慮預報不確定性累積的氣象參量的分布特征，用于描述氣象預報不確定性隨預見期增長的相關關系，為后續的基于氣象預報不確定性累積模型的風水發電出力模型的建立以及風水發電的優化調度打下基礎。
第3章研究基于預報不確定性累積模型的風水發電出力模型。以第2章搭建的預報不確定性累積模型為基礎，建立了風電出力模型與水電出力模型，風電出力情況的預估主要依據預報風速、風電機組額定出力等數據，風電機組的輸出功率特性決定了其出力模型為混合型隨機變量模型，需要計算風機輸出功率概率密度函數并計算其期望值，最終得到風電機組出力情況；水電出力情況的預估主要依據水庫庫容、徑流等數據，以MGF矩母函數為工具根據水庫徑流預報模型計算得到實際徑流情況，最終得到水輪機組出力情況。根據風電水電出力的特征及規律，分析了風電資源以及水電資源這兩種天然資源的互補特性，利用風水聯合運行，促進新能源的消納，提升資源優化配置水平。
第4章研究基于預報不確定性累計模型的風水發電優化調度。充分考慮氣象預報不確定性對調度決策的影響，基于氣象預報不確定性累積模型對風水聯合發電優化調度進行研究，在協調模型的目標函數中，針對現有研究較少關注水電自身效益以及棄水嚴重的問題，除了風水聯合出力的平穩性外，同時考慮了水電棄水與水電保證出力兩種因素，水電在補償風電波動的同時兼顧自身的效益，通過矩母函數求解累計凈流的近似隨機變量，將庫容機會約束轉化為確定性等價類形式以便于模型求解，算例分析采用遺傳算法對機會約束置信度、徑流預報演進量方差以及預見期對協調效果的影響進行了分析，驗證了本文所提出的氣象預報不確定性累積模型在風水中期聯合調度中的有效性。
第5章是論文的主要結論和后續研究展望。
