《Renewable Energy》：Scenario-Based Multi-Objective Optimization for Hydro–Wind–Solar–Storage Integrated Systems
编辑推荐：
•提出了一种基于场景的水风光储系统优化框架。•C-vine Copula捕捉水电、风能和太阳能发电之间的空间相关性。•NSGA-III和TOPSIS确定最终的折中容量配置方案。引言在中国碳达峰和碳中和目标的推动下，电力行业正加快低碳转型的步伐[1]。风能和光伏发电凭借其清洁且
- •
提出了一种基于场景的水风光储系统优化框架。
- •
C-vine Copula捕捉水电、风能和太阳能发电之间的空间相关性。
- •
NSGA-III和TOPSIS确定最终的折中容量配置方案。
引言
在中国碳达峰和碳中和目标的推动下，电力行业正加快低碳转型的步伐[1]。风能和光伏发电凭借其清洁且资源丰富的优势已得到广泛应用[2]。然而，其发电量受气象条件影响显著，在不同时间尺度上表现出明显的随机性和波动性。这种变异性增加了电力系统维持功率平衡和运行安全性的难度。[3], [4]。水电由于其灵活的调节能力，能够通过水库调度有效平抑可再生能源的波动，提高可再生能源的消纳能力[5]。因此，协调水电与风能和光伏发电，可以增强出力互补性和清洁能源的利用效率[6]。
然而，水电调节受到来水不确定性、水库蓄水约束、水量平衡要求、生态流量约束以及梯级水库之间的协调等因素的限制[7]。这些约束限制了水电的灵活性，使其难以单独满足大规模风光发电的消纳和调峰需求。储能系统凭借快速响应和强削峰能力，可进一步增强系统灵活性，提升供电安全性[8]。因此，应优化水风光储（HWSS）系统的容量配置，以协调可再生能源利用、出力稳定性和系统灵活性。
在此背景下，基于场景的建模为HWSS容量优化提供了基础，通过刻画不同运行条件下可再生能源出力的不确定性。[9]。这种不确定性不仅体现在单一电源出力的变异性上，还体现在水、风、光发电之间的时空相关性[10]中，直接影响系统的联合出力行为。忽略这种相关性可能扭曲联合出力特征，降低容量优化的可靠性。因此，场景生成应考虑时空相关性，以支持可靠的互补容量规划。[11]。
现有的场景生成方法主要基于历史数据建立概率分布模型。时间序列模型[12]、Copula理论[13]等方法常被用于可再生能源出力不确定性建模。近期研究探讨了将统计方法与深度学习相结合的混合时间序列模型，以捕捉能源需求和经济预测中的非线性时间依赖性和季节性模式[14], [15], [16]。一旦表征了这些随机特性，即可通过从建立的概率模型中抽样来生成初始场景集合，通常采用蒙特卡洛抽样[17]或拉丁超立方抽样[18]，并应用K-means聚类[19]等场景缩减方法提取代表性典型场景。在此基础上，越来越多的研究关注场景生成中时空相关性的表征。Feng等人[20]通过结合Cholesky分解与分位数映射，改进了径流、风能和光伏发电之间时空相关性的表征。为描述风能和光伏出力的间歇性和多阶时间依赖性，Zhu等人[21]提出了一种具有混合离散-连续分布的高维vine Copula模型。Cheng等人[22]将高维C-vine Copula模型与蒙特卡洛抽样相结合，构建了联合水风光场景；而Shi等人[23]通过概率建模和Cholesky分解引入时间相关性，随后采用基于Wasserstein距离的场景缩减方法。
尽管现有方法为可再生能源不确定性建模提供了有益的参考，但其在流域尺度上描述长期水风光耦合关系的能力仍然有限，这可能削弱场景的代表性，进而影响容量规划结果。
因此，基于代表性不确定性场景的容量优化已成为多能互补系统规划中的关键问题。[24]。现有研究主要集中在目标函数构建和求解策略设计方面。在优化目标方面，Luo等人[25]针对抽蓄-光伏系统开发了考虑经济效益、光伏消纳和水库安全的多目标模型。Li等人[26]研究了风光热储系统的长期容量配置，将经济成本、碳排放和源荷偏差纳入目标函数。He等人[27]以金沙江下游梯级水电系统为案例，考虑梯级耦合，优化容量分配以减少弃电并提高输电利用率。在求解策略方面，Chang等人[28]采用混合粒子群优化算法进行水风光储系统的优化调度。Cui等人[29]提出了基于协同理论的双层框架，以确定水风光系统中风电和光伏的容量。此外，Guo等人[30]通过对比有无储能的可再生能源系统，评估了储能容量比例对多能互补效果的影响。
综上所述，以往研究已证实多能互补系统能够增强可再生能源消纳能力和系统灵活性。然而，当前容量优化研究主要侧重于经济效益和碳减排，在目标函数中对可再生能源出力波动的考虑较为有限。因此，此类系统对出力的平抑能力和稳定支撑作用无法得到充分体现。同时，许多研究依赖有限的运行条件或确定性场景，缺乏对多场景特征和能源之间时空相关性的系统考虑，这可能降低容量优化结果的可靠性。
关键挑战是在可再生能源出力不确定性和有限调节资源的条件下确定合理的容量方案。为解决这一问题，本研究开发了基于场景驱动的HWSS容量规划优化框架。采用马尔可夫链建模时间相关性，使用C-vine Copula刻画跨能源空间相关性。将该相关性模型与蒙特卡洛模拟和K-medoids聚类相结合，生成代表性联合出力场景。基于这些场景，建立了考虑总发电量、波动互补和爬坡互补的三目标容量优化模型。最后，采用NSGA-III–TOPSIS决策框架获取帕累托最优解并确定最终折中配置方案。
本研究的主要贡献总结如下。
- (1)
通过结合马尔可夫链与C-vine Copula，开发了一种考虑时空相关性的场景生成方法，用于水风光联合出力建模。
- (2)
提出了一种分时段Copula建模策略，以区分白天水风光相关性与夜间水风相关性。
- (3)
提出了一种基于场景驱动的容量决策策略，协调发电性能、出力平抑和爬坡调节，从而提高配置方案在可再生能源出力不确定性条件下的适应性。
本文其余部分结构如下：第2节详细介绍了方法论框架，包括时空相关性建模、场景构建和容量优化模型构建。第3节提供了案例研究结果及相关分析。第4节总结了论文的主要发现。
章节摘要
方法
为系统研究水风光储集成系统的最优容量配置，本文建立了完整的方法论框架，如图3所示。
数据描述
攀西位于四川省，是清洁能源资源丰富的可再生能源基地。数据集包含2021年水电、风能和太阳能发电的逐时出力序列。图7展示了相应的输入剖面。
水风光联合出力场景生成
为确定合适的马尔可夫状态数，在相同历史数据和场景生成条件下，对五个候选值（和）进行了敏感性分析。重建MAE、ACF-MAE，
结论
本研究建立了一套HWSS容量规划框架。采用马尔可夫链和C-vine Copula进行时空相关性建模，利用蒙特卡洛抽样和K-medoids聚类生成代表性场景，随后结合NSGA-III和TOPSIS进行帕累托解搜索和折中配置选择。主要结论如下：
首先，开发了一种考虑时空相关性的场景生成方法，用于多电源联合出力建模。通过
CRediT作者贡献声明
白家宇：调查、数据整理。 王万林：可视化、形式化分析。 史鹏：资源、调查、数据整理。 李昊：可视化、软件、数据整理。 李健：写作——审阅与编辑、验证、形式化分析。 徐晓：写作——审阅与编辑、监督、资源、方法论。 王玉婷：写作——原稿撰写、可视化、验证、方法论、调查、形式化分析
利益冲突声明
? 作者声明不存在任何已知的竞争性经济利益或个人关系可能影响本文所报告的工作。
致谢
资助来源：本工作由四川省科学技术厅重大专项（项目编号：2025ZDZX0033）资助。
王玉婷|徐晓|李健|李昊|史鹏|王万林|白家宇
