含抽蓄电站的多端柔性直流电网风光接入容量配比优化方法李湃1，黄越辉1，王跃峰1，李水旺21. 中国电力科学研究院有限公司 新能源与储能运行控制国家重点实验室，北京 100192；2. 西安交通大学 电气工程学院 电力设备电气绝缘国家重点实验室，陕西 西安 710049摘 要针对含风、光、抽蓄电站的多端柔性直流电网，协调规划其风光接入容量配比，可以充分利用不同类型电源的互补作用，实现大规模新能源的平稳送出和消纳。提出基于时序生产模拟的多端柔性直流电网风光接入容量配比优化方法，以发电清洁性最优为目标，综合考虑柔性直流电网运行限制、新能源弃电率、负荷调峰需求和抽蓄电站运行限制等约束条件，建立适应于多端柔性直流电网的风光接入容量配比优化模型。以新能源全年出力为输入，通过时序生产模拟仿真开展模型优化计算，确定各送端换流站的风光最优接入容量配比。以某四端柔性直流电网为例开展仿真测试，结果显示所提出模型能够充分利用风光的互补作用和抽蓄电站的调节作用得到最优的风光接入容量配比，验证了所提方法的有效性和工程实用性。关键词多端柔性直流；风光接入容量配比；时序生产模拟；抽蓄电站；混合整数线性规划中图分类号 TM61 文献标志码 A DOI 10.11930/j.issn.1004-9649.2018020090 引言多端柔性直流输电具有运行方式灵活、安全性高的优点，能够实现多电源的多点供电，成为解决新能源并网和消纳难题的一个重要技术手段[1-3]。构建多端柔性直流电网，将风、光、抽蓄电站等电源进行多点接入，利用柔性直流输电和抽蓄电站的灵活调节能力，可以实现有功功率稳定、可控的汇集和输出[4-5]。由于风能和太阳能资源具有天然的时空互补特性，合理优化接入多端柔性直流电网的风电和光伏发电容量配比，可以最大限度进行风、光发电的互补，进而利用抽蓄电站的调节能力，平抑大容量新能源的出力波动，实现完全的清洁供电。时序生产模拟仿真方法是研究含新能源的电力系统规划问题的有效方法之一[6-8]。研究表明，采用时序生产模拟方法时，新能源出力时间序列的时段越长、分辨率越高，规划结果的准确性越高[9]。目前，针对多端柔性直流电网的风光接入容量规划研究较为匮乏，已有的研究主要针对区域交流电网或风-光联合发电系统[10-13]，基于交流最优潮流模型对交流电网或风-光联合发电系统开展潮流计算，通过对比系统供电可靠性、经济性或环境效益等指标得到风、光接入容量的最优配比。由于柔性直流电网和交流电网特性的不同，已有方法直接应用在多端柔性直流电网中会面临以下问题交流最优潮流方法需要基于给定的风、光接入容量场景开展计算，当多端柔性直流电网的风、光接入点较多时，风、光配比场景的组合方式会急剧增长，大大增加了计算的复杂度；当多端柔性直流电网接入风、光、抽蓄电站后，电网的运行方式会变得更加复杂多样，而时序生产模拟仿真需要考虑的时间断面数量众多，复杂的交流最优潮流模型难以满足多端柔性直流电网长时间尺度时序生产模拟计算实用性的需要。针对已有方法的不足，本文提出了一种基于时序生产模拟的多端柔性直流电网风光接入容量配比优化方法，并以某四端柔性直流电网为例对所提出方法进行仿真测试，算例结果验证了所提方法的有效性和工程实用性。收稿日期2018−02−03； 修回日期2018−08−20。基金项目国家重点研发计划资助项目2017YFB0903300；国家电网公司科技项目NYB17201600097。第 52 卷 第 4 期中国电力Vol. 52, No. 42019 年 4 月ELECTRIC POWER Apr. 2019321 新能源与多端柔性直流电网混合时序生产模拟1.1 接入风、光、抽蓄电站的多端柔性直流电网图1为典型的四端柔性直流输电网，节点1送端换流站接入光伏电站，节点2送端换流站接入风电场，节点3送端换流站接入抽蓄电站，节点4受端换流站连接负荷。节点1和节点2为上网功率输入端，节点3可以双向输入、输出电力，节点4为下网功率的输出端。针对新能源出力的随机性和间歇性，抽蓄电站可以很好地与之进行互补调节。多端柔性直流电网中一端的换流站通常要采用定电压控制，其他各端换流站可以采用定功率控制[14]。通过相应的控制措施，可以实现柔性直流电网中传输线功率大小和方向的快速、灵活调节。图1展示了四端柔性直流电网中不同节点之间可能的功率流向，节点1和节点2、节点3和节点4之间的功率可以双向流动，而受电源和负荷位置的影响，节点1和节点3、节点2和节点4之间的功率只能是单向流动。1.2 基于时序生产模拟仿真的风光接入容量配比优化本文采用时序生产模拟的方式开展多端柔性直流电网风光接入容量的优化规划。计算流程如图2所示，具体过程如下。（1）基于历史数据，采用文献[16-17]中的方法对各送端换流站接入的风电和光伏发电出力进行全年的时间序列建模，得到一系列风光出力时间序列样本，并分别进行归一化处理；（2）以发电清洁性最优，即多端柔性直流电网全年下网电量最大为目标，考虑柔性直流电网运行限制、新能源弃电率、负荷调峰需求和抽蓄电站运行限制等约束条件，建立风光接入容量配比优化模型。为满足受端电网负荷的调峰需求，建立下网功率与受端电网日负荷特性的匹配模型，并作为优化模型的约束条件；（3）以风电、光伏发电出力和负荷全年时间序列为输入，对优化模型进行求解，分别得到各风光出力序列样本对应的风光最优接入容量配比，计算所有容量配比结果的期望值，得到最优的风光接入容量配比。2 风光接入容量配比优化模型2.1 目标函数优化目标为全网发电清洁性最优，可表示为maxT∑t1∑j2Ioutpoutj t（1）poutj t式中T为所考虑的优化时段数；为第j个受端换流站在第t时段输出的下网功率；Iout为受端换流站的节点集合。2.2 约束条件t 2 1;;T以下所有约束对所有的时段均成立。（1）功率平衡约束。图3为多端柔性直流电网中两个换流站的连接示意。电网需要满足的上网功率和下网功率平衡约束为光伏风电负荷ACDCDCACDCACACDC送端送端送端受端节点4节点2节点1节点3抽蓄电站图 1 四端柔性直流电网结构示意Fig. 1 Structure diagram of four-terminal VSC-HVDCsystem风光接入容量配比优化模型风电出力时间序列风光最优接入容量配比发电清洁性最优负荷时间序列新能源限电率抽蓄电站运行限制输入优化求解时间序列建模.光伏发电出力时间序列负荷需求日负荷特性匹配建模优化目标柔性直流电网运行限制图 2 风光接入容量配比优化计算框架Fig. 2 The optimization flowchart of wind and solarpower capacity proportion第 4 期 李湃等含抽蓄电站的多端柔性直流电网风光接入容量配比优化方法33∑i2Iinpini t∑j2Ioutpoutj t（2）pini t式中Iin为送端换流站的节点集合；为第i个送端换流站的上网功率。（2）送端换流站容量约束。如图3所示，送端换流站的上网功率需要满足换流站换流容量限制，即pini t≤Pbini ; i 2 Iin（3）Pbini式中为送端换流站i的最大换流容量。上网功率为pini tpWi tpVi tpHi t; i 2 Iin（4）pWi t pVi t pHi t式中，，分别为风电、光伏、抽蓄电站上网功率，均为优化变量。（3）受端换流站容量约束。如图3所示，受端换流站的下网功率需要满足换流站的容量限制，即有poutj t≤Pboutj ; j 2 Iout（5）Pboutj式中为受端换流站j的最大换流容量。（4）传输线安全约束。传输线路上的功率约束为Fl≤plt≤Fl; l 2 L（6）pltl t Fl l式中L为所有传输线路的集合为柔性直流电网线路在时段的传输功率为第条线路的最大输电容量。根据直流潮流模型[18]，线路的传输功率为plt∑i2Iininl;i pini t ∑j2Ioutoutl;j poutj t; l 2 L（7）inl;i i loutl;jl式中为第个送端换流站上网功率对第条线路的功率传输分布因子；为第j个受端换流站下网功率对第条线路的功率传输分布因子。（5）新能源发电约束。风电和光伏发电功率约束为80≤pWi t≤ Wi t PWi0≤pVi t≤ Vi t PVi ; i 2 Iin（8）PWi PViWi t Vi t式中和分别为风电和光伏发电的接入容量，均为优化变量；和分别为已知的风电和光伏发电出力归一化时间序列值，为已知量。（6）新能源弃电率约束。多端柔性直流电网中每个送端换流站接入的新能源在全时段下的弃电率应不超过设定上限，可表示为T∑t1pWi tpVi tT∑t1Wi t PWi Vi t PVi≥1 ; i 2 Iin（9）本文中，弃电率β取值为0.05。（7）抽蓄电站运行约束。包括发电功率约束、抽水功率约束、抽放水状态约束、库容约束、年综合利用小时数约束。发电功率约束为8Xit p Gi≤pGi t≤Xit pGiXit 2 f0;1g; i 2 Iin（10）pGi t pGi p Gi式中为抽蓄电站的发电功率；和为抽蓄电站发电功率的上、下限；Xit为0-1整数变量，其中Xit1表示抽蓄电站处于发电状态，Xit0表示抽蓄电站没有发电。抽水功率约束为8Yit p Si≤pSi t≤Yit pSiYit 2 f0;1g; i 2 Iin（11）pSi t pSi p Si式中为抽蓄电站的抽水功率；和为抽蓄电站抽水功率的上、下限；Yit为0-1整数变量，其中Yit1表示抽蓄电站处于抽水状态，Yit0表示抽蓄电站没有抽水。抽放水状态约束为XitYit≤1; i 2 Iin（12）库容约束为W0i Wmaxi≤pGi t G pSi t S≤W0i Wmini ; i 2 Iin（13）pGi t pSi tW0i WmaxiWmini G S式中和分别为抽蓄电站的发电功率和抽水功率；为抽蓄电站水库的初始水量；和分别为水库的最大和最小水量；和分别为发电和抽水时的平均水量/电量转换系数[19]。送端换流站i上网功率piint受端换流站j受端负荷下网功率pjouttpiwtpiVt pltpiHt线路l图 3 换流站连接示意Fig. 3 The interconnection diagram between differentterminals in VSC-HVDC system中国电力第 52 卷34年综合利用小时数约束为T∑t1pGi tpGi T∑t1pSi tpSi≤N; i 2 Iin（14）式中N为抽蓄电站设计的年最大综合利用小时数。pHi t抽蓄电站上网功率可表示为pHi tpGi t pSi t; i 2 Iin（15）（8）日负荷特性匹配约束。基本思想是将受端负荷进行每日的归一化处理，得到日负荷特性曲线，然后使得每日的下网功率曲线特性与受端日负荷特性曲线相匹配，并设置全年的匹配偏差不超过给定上限值。该约束的数学形式为8pouti tzi t z i t idt;t Didt0≤Didt≤Pboutizi t≥0;z i t≥0T∑t1zi tz i t≤“ T∑t1 idt;t Didt;i 2 Iout（16）dt t idt;tdt t DidtdtPboutizi t z i t““ 0001式中为仿真时刻所属的日序号；为第日时刻的归一化负荷，为已知量；为第日下网功率匹配的最大负荷值，为优化变量，并且不超过换流站的最大换流容量；和为松弛变量，表示下网功率与负荷匹配的正、负偏差；为匹配偏差系数，本文中偏差系数，即设定全时段的匹配偏差不超过目标负荷电量的0.1。受库容大小的限制及新能源出力的随机波动特性，仅靠抽蓄电站的调节难以使得下网功率完全匹配受端负荷。通过式（16）的建模，能够保证在下网功率无法匹配受端负荷时，尽量匹配负荷的日变化特性，后文的算例中会对该建模效果进行展示。式（1）（16）即组成了多端柔性直流电网风光接入容量配比优化模型。以全年的风电、光伏发电和负荷的时间序列为输入，利用本模型进行优化求解，可得到各送端换流站的风电和光伏发电最优接入容量，以及各时段的新能源、抽蓄电站上网功率和各受端换流站的下网功率。2.3 优化求解第2.2节所提出的模型为典型的混合整数规划模型，采用通用代数建模系统（general algebraicmodeling system，GAMS）来进行数学建模和优化求解。GAMS具有强大的代数和逻辑关系描述功能，并且模型可以独立于算法系统，适用于建立各种线性规划、混合整数规划、混合整数非线性规划、二次约束规划等问题的数学模型[20]。GAMS中可以调用BARON、Cplex、DICOPT等多种求解器，针对本文所建立的混合整数规划模型，调用Cplex求解器来进行求解。3 算例测试3.1 参数设置算例测试系统采用图1中的四端柔性直流电网，其线路参数如表1所示，选取电网中的节点1作为参考节点，计算电网的功率传输分布因子矩阵[17]，结果如表2所示。本算例中线路损耗设定为1，并在下网功率中进行折算。各换流站的容量设定如下节点1、节点2和节点4均为3 000 MVA，节点3为1 800 MVA。节点1接入光伏，节点2接入风电，节点3连接抽蓄电站，节点4连接受端负荷。生产模拟计算的时间步长为1 h，总时段数为一年，即8 760 h。本算例中的风电数据来源于张北地区的特许权风电场，光伏发电数据来源于国家能源大型风电并网系统研发（实验）中心，负荷数据为京津唐电网2014年全年8 760 h的负荷。图4为风电和光伏全年8 760 h的归一化出力时序曲线，其中，风电和光伏发电表 1 线路参数Table 1 Transmission line parameters线路编号起点节点终点节点线路长度/km最大传输功率/MW电阻（标么值）电感/mH1 1 2 60 3 000 0.001 2 602 1 3 220 3 000 0.004 4 2203 2 4 240 3 000 0.004 8 2404 3 4 100 3 000 0.002 0 100表 2 功率传输分布因子矩阵Table 2 Shift factor matrix of VSC-HVDC system节点1节点2节点3节点4线路编号1 0 –0.903 2 –0.354 8 –0.516 1线路编号2 0 –0.096 8 –0.645 2 –0.483 9线路编号3 0 0.096 8 –0.354 8 –0.516 1线路编号4 0 –0.096 8 0.354 8 –0.483 9第 4 期 李湃等含抽蓄电站的多端柔性直流电网风光接入容量配比优化方法35出力的最大同时率分别为89.8和93.2，年利用小时数分别为2 514 h和1 508 h。基于该数据，利用文献[16]和[17]的方法随机生成100组风电和光伏发电出力样本，所生成的随机出力样本与原始样本具有相同的年利用小时数、概率分布特性和波动特性等特征。设定节点1和节点2的新能源弃电率均不超过5。抽蓄电站采用6台300 MW的变速恒频抽蓄机组（以下称“变速”机组），与传统的“定速”机组只能进行固定功率抽水不同，“变速”机组的发电和抽水功率可以在40～100的功率区间内连续调节[21]。抽蓄电站抽水和发电时的平均水量/电量转换系数分别为ηS780 m3/MWh和ηG999 m3/MWh。抽蓄电站为周调节电站，上、下水库调节库容分别为4.8107和4.9107 m3，年最大综合利用小时数为3 700 h。3.2 测试结果3.2.1 未接入抽蓄电站时的风光最大接入容量采用式（1）（9）计算未接入抽蓄电站时柔性直流电网的风光最大接入容量。此时新能源的最大接入容量为5 957 MW，节点2的风电最大接入容量为3 342 MW，节点1的光伏发电最大接入容量为2 615 MW，风光接入容量配比为1.28∶1。风电接入容量高于光伏，这主要是由于风电的年利用小时数更高，在相同的装机规模和弃电率水平下，风电能够提供更多发电量。图5为某风光出力样本下多端柔性直流电网各换流站在3日内的发电运行情况，可以发现，由于新能源出力的随机性和间歇特性，柔性直流电网的下网功率难以匹配受端电网的负荷特性，大大增加了下网功率的调峰难度，并且由于换流站最大换流容量的限制造成了新能源弃电的发生。3.2.2 接入抽蓄电站时的风光最优接入容量配比通过100次仿真计算得到在接入抽蓄电站情况下风光的最优接入容量，其中，新能源总接入容量为6 538 MW，节点2的风电最优接入容量为3 526 MW，节点1的光伏最优接入容量3 012 MW，风光容量配比为1.17∶1。与未接入抽蓄电站的结果对比可知，在接入抽蓄电站后，柔性直流电网能够接入更多的新能源。表3为4个换流站的年利用小时数情况，由于光伏发电的接入容量低于风电，节点1换流站的年利用小时数要低于节点2，节点3换流站的年总利用小时数为3 696 h，未超过设定的3 700 h的上限。文献[22-23]的研究表明当采用全年时序生产模拟开展新能源规划计算时，若所输入的新能源出力序列样本具有相同的年利用小时数、概率分布特性及波动特性等特征，则得到的规划结果将非常相近，通常结果的期望值通过100次以内的模拟便可收敛。在本算例中，统计100组风光表 3 换流站年利用小时数Table 3 Annual utilization hours of terminalsh节点1节点2节点3节点4平均上网下网合计1 438 2 807 1 485 2 211 3 696 3 740 2 9200 1 000 2 000 3 000 4 000 5 000 6 000 7 000 8 000 9 00000.51.00 1 000 2 000 3 000 4 000 5 000 6 000 7 000 8 000 9 00000.51.0时间/h时间/h光伏出力标么值风电出力标么值图 4 年度归一化风电和光伏发电的时间序列图Fig. 4 The annual normalized time sequences of windand PV power05001 0001 5002 0002 5003 0003 5004 0001 7 13 19 25 31 37 43 49 55 61 67 73风电；光伏；新能源限电；下网功率；受端电网负荷发电功率/MW时间/h图 5 未接入抽蓄电站时多端柔性直流电网在某3日内的发电运行情况Fig. 5 The load and actual power injected into the VSC-HVDC system in 3 typical days without the pumpedstorage power station中国电力第 52 卷36序列样本的计算结果发现，得到的新能源总接入容量为6 5106 560 MW。图6为新能源最优接入容量期望值的收敛情况，结果显示，随着模拟次数的增加，新能源最优接入容量收敛于6 538 MW。图7为100组风光序列得到的风光接入容量配比分布。结果显示，100个随机序列的风光配比结果为1.161.18，并且所有结果的均值为1.17。图8展示了某风光出力样本下多端柔性直流电网各换流站在某3日内的发电运行情况，其中抽蓄电站发电功率为负表示处于抽水状态。结果显示在第1日中新能源出力水平较低，抽蓄电站通过先发电、后抽水，很好地平抑了新能源出力的波动；在第2日和第3日，抽蓄电站通过发电和抽水的一系列动作有效储存和转移了多余的电量。对比图5可以发现，在接入抽蓄电站后，下网功率虽然仍无法完全匹配受端电网负荷，但下网功率曲线的“形状”与受端电网负荷相似，即下网功率与日负荷变化特性相一致，因而能够大大降低下网功率的调峰难度。这一结果证实了式（16）中的日负荷特性匹配约束的有效性，说明通过所提出的模型得到的风光最优接入容量配比能够符合电网的实际运行要求。3.2.3 不同新能源接入容量场景下的风光最优配比图9展示了新能源接入容量从3 000 MW增加到6 538 MW时的风光最优接入容量和抽蓄电站的年利用小时数情况。结果显示，当新能源接入容量为3 000 MW时，电网全部接入风电，随着总接入容量的增加，光伏的接入容量逐渐变大，直至总接入容量为6 538 MW时，达到最大值3 012 MW。风电接入容量的变化趋势呈抛物线状，当总接入容量为5 500 MW时，达到最大值4 007 MW，然0 20 40 60 80 1006 5326 5346 5366 5386 5406 5426 5446 546随机模拟次数新能源最优接入容量期望/MW图 6 新能源总接入容量期望收敛Fig. 6 Convergence curve for expectation of renewableenergy optimal capacity1.160 1.165 1.170 1.175 1.1800510152025风光接入容量配比样本数量随机生成样本结果；原始风光序列结果图 7 100组风光随机序列的风光配比结果Fig. 7 The optimal wind and solar power capacityproportions of 100 samples−2 000−1 00001 0002 0003 0004 0001 7 13 19 25 31 37 43 49 55 61 67 73风电；光伏；抽蓄电站；下网功率；匹配负荷；受端电网负荷时间/h发电功率/MW图 8 某3日内多端柔性直流电网的发电运行情况Fig. 8 The load and actual power injected into the VSC-HVDC system within 3 typical days1 9002 1602 4202 6802 9403 2003 4603 72001 0002 0003 0004 0005 0006 0007 000年利用小时数/h风电；光伏；抽蓄电站年利用小时数接入容量/MW3 0003 5004 0004 5005 0005 5006 0006 538图 9 不同新能源接入容量下的风光最优接入容量和抽蓄电站年利用小时数Fig. 9 The optimal wind and solar power capacities andannual utilization hours of pumped storage power stationwith different renewable energy capacities第 4 期 李湃等含抽蓄电站的多端柔性直流电网风光接入容量配比优化方法37后便逐步下降到3 526 MW。在总接入容量较低时，由于风电的利用小时数更高，电网优先接纳风电，当风电接入容量高于一定的阈值后，由于弃电率约束的作用，电网会优先接纳随机性和波动性相对较小的光伏。同时，抽蓄电站的年利用小时数随着新能源接入容量的增加呈近似线性增长的趋势，当新能源接入容量达到6 538 MW时，抽蓄电站的年利用小时数达到最大值3 696 h。图10展示了新能源接入容量由3 500 MW增加到6 500 MW时的风光接入容量配比和全年下网电量情况。结果显示，风光最优容量配比随着新能源接入容量的增加不断降低，当接入容量为6 538 MW时，风光容量配比达到最小值1.17∶1。随着新能源接入容量的增加，总下网电量也呈现出逐步增加的趋势，由64.2亿kWh增加到112.2亿kWh。表4展示了不同新能源接入容量下优化模型的平均求解时间，计算机系统配置为Intel（R）Core（TM） i7-5500U CPU，内存8GB。经统计，8个计算场景的最大耗时为146 min，计算时间能够满足工程实用性的要求。4 结论本文以电网发电清洁性最优为目标，综合考虑多端柔性直流电网的运行限制、新能源弃电率、受端电网负荷的调峰需求、抽蓄电站运行限制等约束因素，通过全年的时序生产模拟计算，确定多端柔性直流电网各送端换流站的风光最优接入容量配比。通过对某四端柔性直流电网进行仿真测试，得出以下结论。（1）所提方法能够得到在给定新能源弃电率上限和抽蓄电站年最大利用小时数情况下，柔性直流电网的风光最优接入容量配比，在该容量配比下，柔性直流电网全年的总下网电量最大。（2）所提方法能够充分利用抽蓄电站的灵活调节能力，使下网功率很好地匹配受端电网负荷的日变化特性，有效降低下网功率的调峰难度，因而计算结果能够符合电网的实际运行要求。（3）由于风电的利用小时数更高，柔性直流电网会优先接纳风电，当风电接入容量高于一定的阈值后，受弃电率约束，电网会转而优先接纳随机性和波动性相对较小的光伏，整体来看，风电的接入容量要高于光伏。该结论能够为类似的多端柔性直流电网配套的新能源建设提供指导。（4）所提出方法能够通过1次优化计算得到各送端换流站接入点的最优风光容量配比，计算时间能够满足工程实用性的要求。参考文献崔福博, 郭剑波, 荆平, 等. 直流输电与直流电网直流配电技术综述[J]. 电网技术, 2014, 383 556–564.CUI Fubo, GUO Jianbo, JING Ping, et al. A review of DC powerdistribution technology[J]. Power System Technology, 2014, 383556–564.[1]汤广福, 罗湘, 魏晓光. 多端直流输电与直流系统技术[J]. 中国电机工程学报, 2013, 3310 8–17.TANG Guangfu, LUO Xiang, WEI Xiaoguang. Multi-terminalHVDC and DC-grid technology[J]. Proceedings of the CSEE, 2013,3310 8–17.[2]姚良忠, 吴婧, 王志冰, 等. 未来高压直流电网发展形态分析[J]. 中国电机工程学报, 2014, 3434 6007–6020.YAO Liangzhong, WU Jing, WANG Zhibing, et al. Multi-terminal[3]表 4 不同新能源接入容量下的模型平均求解时间Table 4 The average computation time for the pro-posed model with different renewable energy capacities接入容量/MW 3 000 3 500 4 000 4 500计算时间/min 15 16.8 17 45.7接入容量/MW 5 000 5 500 6 000 6 538计算时间/min 40.6 50.8 105 14640.6821.417.184.03 2.68 1.841.1764.277.086.192.899.3105.0110.0 112.2606672788490961021081141200510152025303540453 000 3 500 4 000 4 500 5 000 5 500 6 000 6 538风光容量配比风光容量配比；总下网电量新能源接入容量/MW下网电量/ 亿kWh图 10 不同新能源接入容量下的风光最优接入容量配比和全年下网电量Fig. 10 The optimal wind and solar power capacityproportions and annual power generation with differentrenewable energy capacities中国电力第 52 卷38HVDC and DC-grid technology[J]. Proceedings of the CSEE, 2014,3434 6007–6020.韩亮, 白小会, 陈波, 等. 张北500 kV柔性直流电网换流站控制保护系统设计[J]. 电力建设, 2017, 383 42–47.HAN Liang, BAI Xiaohui, CHEN Bo, et al. Control and protectionsystem design of Zhangbei 500 kV converter station in VSC-HVDCpower grid[J]. Electric Power Construction, 2017, 383 42–47.[4]李英彪, 卜广全, 王姗姗, 等. 张北柔直电网工程直流线路短路过程中直流过电压分析[J]. 中国电机工程学报, 2017, 3712 3391–3399.LI Yingbiao, BU Guangquan, WANG Shanshan, et al. Analysis ofDC overvoltage caused by DC short-circuit fault in Zhangbei VSC-based DC grid[J]. Proceedings of the CSEE, 2017, 3712 3391–3399.[5]舒印彪, 张智刚, 郭剑波, 等. 新能源消纳关键因素分析及解决措施研究[J]. 中国电机工程学报, 2017, 371 1–8.SHU Yinbiao, ZHANG Zhigang, GUO Jianbo, et al. Study on keyfactors and solution of renewable energy accommodation[J].Proceedings of the CSEE, 2017, 371 1–8.[6]International Renewable Energy Agency. Planning for the renewablefuture[R]. 2017.[7]曹阳, 黄越辉, 袁越. 基于时序仿真的风光容量配比分层优化算法[J]. 中国电机工程学报, 2015, 355 1072–1078.CAO Yang, HUANG Yuehui, YUAN Yue, et al. Stratifiedoptimization algorithm for optimal proportion of wind and solarcapacity based on time sequence simulation[J]. Proceedings of theCSEE, 2015, 355 1072–1078.[8]MWEEICK J H. On representation of temporal variability inelectricity capacity planning models[J]. Energy Economics, 2016, 59261–274.[9]ZONG W G. Size optimization for a hybrid photovoltaic-wind energysystem[J]. Electric Power and Energy Systems, 2012, 42 448–451.[10]MOHAMMED A, MARIO C, GIUSEPPE S, et al. Multicriteriaoptimal sizing of photovoltaic-wind turbine grid connectedsystems[J]. IEEE Trans on Energy Conversion, 2013, 282370–379.[11]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, 459 126–132.YAO Tianliang, WU Xingquan, LI Zhiwei. Research oncomplementary capacity ratio of wind power and photovoltaicconsidering multiple constraints[J]. Power System Protection andControl, 2017, 459 126–132.[12]宋洪磊, 吴俊勇, 冀鲁豫, 等. 风光互补独立供电系统的多目标优化设计[J]. 电工技术学报, 2011, 267 104–111.SONG Honglei, WU Junyong, JI Luyu, et al. Multi-objective optimalsizing of stand-alone hybrid wind/PV system[J]. Transactions ofChina Electrotechnical Society, 2011, 267 104–111.[13]曾鸣, 杨雍琦, 王雨晴, 等. 基于蒙特卡罗方法的电力系统电源侧协调规划模拟仿真研究[J]. 华北电力大学学报, 2016, 435 94–104.ZENG Ming, YANG Yongqi, WANG Yuqing, et al. Generation sidecoordinative power system planning simulation based on MonteCarlo [J]. Journal of North China Electric Power University,2016, 435 94–104.[14]BEDDARD A, BARNES M, PREECE R. Comparison of detailedmodeling techniques for MMC employed on VSC-HVDCschemes[J]. IEEE Transactions on Power Delivery, 2014, 302579–589.[15]李驰, 刘纯, 黄越辉, 等. 基于波动特性的风电出力时间序列建模方法研究[J]. 电网技术, 2015, 391 208–214.LI Chi, LIU Chun, HUANG Yuehui, et al. Study on modeling of wind power time series based on fluctuationcharacteristics[J]. Power System Technology, 2015, 391 208–214.[16]LI C, LI C, HUANG Y H, et al. Research on analysis forphotovoltaic power considering weather type[C]//InternationalConference on Renewable Power Generation. 2015 5-10.[17]FU Y, WANG C H, TIAN W