光伏光热联合发电基地并网优化调度模型苗淼1，刘赛2，施涛3，郭亚森2，张一清2，李俊贤11. 国网青海省电力公司经济技术研究院，青海 西宁 810008；2. 东南大学 电气工程学院，江苏 南京 210096；3. 中国电力科学研究院有限公司，江苏 南京 210003摘 要太阳能能源基地建设正在从单一光伏发电向光伏光热等多种太阳能能源利用形式方向发展。借助光热电站的大容量储热装置和具备快速爬坡速率的汽轮机组，光伏光热联合发电基地的并网运行的可调度性和可控性大大提升。从光伏光热联合发电基地的运行机理出发，建立了基于改进粒子群算法的光伏光热两阶段优化调度模型，第一阶段以削减等效负荷峰谷差、改善负荷曲线为优化目标，第二阶段以发电总成本最小为优化目标。该模型满足光伏光热电站的主要运行约束和传统机组组合安全约束，适用于光伏光热联合发电基地并网调度运行。对10机系统的仿真表明，在完全接纳太阳能发电的前提下，光伏光热发电基地在削减等效峰谷差、提高新能源消纳和降低发电总煤耗效益显著，同时对于光热电站的灵敏度分析表明，在规划建设光热电站时可根据单位峰谷差削减量以及建设成本来选择合适的装机容量和储热装置容量。关键词光伏；光热；改进粒子群；峰谷差；机组组合；灵敏度分析中图分类号 TM76 文献标志码 A DOI 10.11930/j.issn.1004-9649.2017112230 引言由于能源危机、环境恶化等问题，诸多国家正在加快太阳能、风能的开发与利用，太阳能光伏photovoltaic, PV发电和太阳能光热concentratingsolar power, CSP发电已经成为当前太阳能发电技术路线的主流。光伏发电间歇性、波动性和随机性的特点，给电力系统的安全、稳定、可靠运行带来了诸多问题[1-3]，加剧了大规模并网情况下电力系统的调峰压力，对系统的调峰平衡带来负面影响。因此，诸多文献对于含光伏并网的系统调度模型做了研究。文献[4]将碳交易机制引入电力系统经济调度中，构建了考虑大规模光伏电源接入和CO2排放经济价值的优化调度模型。文献[5]以最小化经济成本和电网供电方差为目标，建立了含光伏和蓄能的冷热电联供系统调峰调蓄优化调度数学模型，最大程度实现区域电网的削峰填谷。文献[6]为了提高分布式光伏在配电网中的渗透率，平抑其并网功率波动，提出一种包括配电系统实时调度和储能电站站内功率分配双层结构的储能电站实时调度方法。光热发电技术起步较晚，始于20世纪末期，然而，光热发电技术在中国以及世界范围内迎来快速发展，太阳能能源基地建设正在从单一光伏发电向光伏光热等多种太阳能能源利用发展。目前，国内外研究机构和高校已经开展了针对光热发电技术的大量研究，在优化运行、市场运行策略、优化规划和成本效益评估等方面研究日趋成熟[7-8]。但是，当前仅有少量的研究关注光热电站并网调度问题和最大化系统运行效益的最优调度策略。文献[9-10]建立了光热电站的数学模型，分析了参与市场运行的经济价值，但未考虑光热电站和电力系统的部分约束，无法直接用于电网调度。文献[11]基于风光互补性，建立了考虑能量与备用联合出清的随机机组组合模型，定量分析光热电站的能量效益和备用效益。文献[12]建立了含光热电站的电网调度模型，分析了光热电站并网在发电成本、可再生能源消纳等方面的效益。本文从光伏光热发电系统的运行机理入手，以削减等效负荷峰谷差和最大化并网效益为目标，建立基于光伏光热发电系统的两阶段优化调收稿日期2018−02−04； 修回日期2018−11−21。基金项目国家电网公司总部科技项目SGQHJY00GHJS1700078。第 52 卷 第 4 期中国电力Vol. 52, No. 42019 年 4 月ELECTRIC POWER Apr. 201951度模型，利用改进粒子群算法对10机系统进行仿真验证，在完全接纳联合发电基地出力的前提下，分析了光伏光热联合发电基地的并网效益。1 光伏电站运行机理当前，中国的并网光伏发电呈现着“分散开发、低压就地接入”与“大规模集中开发、中高压接入”的两种主要发展趋势，建设大型并网光伏电站是集中利用太阳能的重要方式。相比离网光伏发电系统，大型并网光伏电站可以略去蓄电池储能环节，基于最大功率点跟踪技术MPPT实现系统效率的提升；相比小型并网光伏发电系统，大型并网光伏电站可以集中利用太阳能，通过采用逆变器并联、集中管理和运行控制技术，可在不同运行场景下充分利用太阳能的时间特性和储能技术，对电力系统起到削峰、无功补偿的作用[13]。Um Pm大型并网光伏电站一般有多个基本单元构成，如图1所示，每个单元基本容量为0.31.0 MW。多块太阳能电池板经过串、并联组合构成光伏阵列，实施光电转换后产生的直流电通过防逆二极管连接至逆变器直流母线上。运行过程中，通过MPPT跟踪控制策略确定运行的最大功率点电压和功率。再辅以逆变器和必要的滤波环节，通过PQ控制策略及SPWM调制环节驱动开关器件，将直流电转换为满足电能质量要求的交流电，经变压器升压后并网。2 光热电站运行机理太阳能光热电站一般由聚光集热环节、储热环节和发电环节构成。光热电站内部主要包含光场solar field，SF、储热thermal storage，TS和热力循环power cycle，PC。不同子系统之间的能量传递是由导热流体heat transfer fluid，HTF实现的，当前主流HTF介质为热导油，典型双罐式光热电站主要结构[14]如图2所示。在聚光集热环节，SF中的HTF介质会被加热至足够高的温度，HTF介质可以直接进入发电环节加热水形成水蒸气带动发电机组发电，HTF介质也可以进入储热环节，通过热交换实现热存储和热释放。集热环节目前主要分为槽式、塔式、碟式和菲涅尔式；储热环节一般分为单罐式和双罐式；发电环节中，碟式光热电站一般采用斯特林发电机，其他形式的光热电站发电环节基本原理与常规发电机组一致。20PGNmin随着熔融盐储能技术的成熟，基于熔盐的储能介质在光热电站中的应用愈加广泛，该介质兼具大容量、高效率和低成本的优势。由于配备了TS，光热电站成为一种利于调度的资源，其出力可在约束范围内进行时间上的平移。因此，光热电站的调度特性更加明显[15]。同时，光热电站的热力循环相比普通火力发电具有更好的可控性和调节能力，可实现汽轮机组的快速调节，达到与燃气机组相近的爬坡速度，光热电站的机组最快可达到，这种快速爬坡能力进一步提升了可调度特性。对于电网调度而言，在简化光热电站的运行机理的同时，还应该重点考虑导热工质中能量的传递和交换，考虑该环节中能量流动的机理和运行约束。基于光热电站运行机理，光热电站能量流可简化为图3所示。忽略HTF中的能量损失以及TS和PC中的热光伏阵列光伏阵列光伏阵列光伏阵列直流母线MPPT控制PQ控制SPWM调制逆变器逆变器升压变压器电网图 1 大型并网光伏电站基本结构Fig. 1 Basic structure of large-scale grid-connectedPV stationsG聚光集热环节发电环节储热环节图 2 典型双罐式光热电站的基本结构Fig. 2 Basic structure of typical concentrating solarpower stations中国电力第 52 卷52损耗，可得到该系统的功率平衡关系，即PCSPt PCSP;HPt uCSPt PCSPSU（1）PCSP;HPt PCSP;SHt PCSP;THt PCSP;HTt（2）PCSP;SHt PCSP;solart PCSP;curtt（3）PCSP;SHt PCSP;HPtPCSP;HTtPCSP;THtPCSPSU uCSPt t式中，分别为SF向HTF传输的热功率、HTF向PC传输的热功率；，分别为TS和HTF之间相互传递的热功率；为启动PC所需功率；为时刻PC的启停变量，1表示启动，0表示关闭。光热电站接收的初始功率为PCSP;solart SFSSFRt（4）SF SSFRt t式中为光热转换效率；为SF中镜场面积；为时刻光照直接辐射指数。PCSP;solart PCSP;curtt根据式（3）所示，光热电站可利用能量由初始功率和弃光功率共同决定。HTF与TS装置之间的储/放热过程存在着热损耗，可用储放热效率来描述这一过程，如式（5）和式（6）所示。PTS;cht chPCSP;HTt（5）PTS;discht PCSP;THtdisch（6）TS装置中存在着热耗散的过程，往往该热耗散过程不可忽略，因此用储能状态方程描述为ETSt e ∆tETSt 1PTS;cht 1 PTS;discht 1 ∆t（7）ETSt t 式中为时刻TS装置中总能量；为热耗散系数。基于以上公式，最后可得PC模块最终的电功率与输入热功率的函数关系式为PCSPt fPCSP;solart （8）3 光伏-光热优化调度模型本文基于两阶段优化的思路，从光伏光热发电系统的运行机理入手，以削减等效负荷峰谷差和最大化并网效益为目标建立基于光伏光热联合发电基地的并网优化调度模型。3.1 第一阶段优化大型光伏光热联合发电基地并网运行后，由于光热电站配备了大容量的储热装置以及具备快速爬坡能力的汽轮机组，该系统对于电网而言具备了调节电网峰谷差、改善负荷曲线、增强电力系统灵活运行的作用。因此，在第一阶段优化过程中，以削减系统负荷峰谷差为目标，应用粒子群优化算法，建立光伏光热电站的调峰的优化调度模型，为第二阶段的机组组合和经济负荷分配提供等效负荷数据。3.1.1 目标函数以削减等效负荷峰谷差为目标，建立目标函数为minF1 1TT∑t1Pgridt Pgrid2（9）Pgrid1TT∑t1Pgridt（10）F1 TPgridt t PgridT式中为第一阶段优化目标函数；为系统调度总时段数；为时刻电网供电出力；为个时段内电网出力平均值。3.1.2 约束条件主要考虑光热电站中的运行约束，光伏出力考虑全部接入电网。出力约束为PCSPt PCSP;RsvUpt≤PCSPmax（11）PCSPt PCSP;RsvDownt≥PCSPmin（12）PCSPt t PCSP;RsvUptPCSP;RsvDowntPCSPmax PCSPmin式中为时刻光热电站出力；和分别为光热汽轮机组的上下备用；和分别为机组的最大、最小出力。爬坡约束为RCSPDown≤PCSPt PCSPt 1≤RCSPUp（13）RCSPUp RCSPDown式中和分别为机组最大向上、下爬坡能力。SF PCTSHTFHeat LossPtCSP,solar PtCSP,SH PtCSP,HP PtCSPPtCSP,HT utCSPPSUCSPPtCSP,THPtCSP,curt Heat Loss图 3 光热电站的能量流简化结构Fig. 3 Simplified structure of energy flow in CSP stations第 4 期 苗淼等光伏光热联合发电基地并网优化调度模型53TS装置的容量约束为8ETSmin≤ETSt≤ETSmaxETSmax flhPCSPmax（14）ETSmin ETSmaxflh式中和分别为TS装置的最小容量和最大容量约束；最大容量用（满负荷小时数，full-load hour）来衡量。TS装置的储放热功率约束为80≤PTS;cht≤PTS;chmax0≤PTS;disht≤PTS;dischmaxPTS;cht PTS;disht 0（15）PTS;chmax PTS;dischmax式中和分别为最大储/放热功率，且储/放热不能同时进行。机组上下备用约束为8PRsvUpt≥0PRsvDownt≥0（16）光热电站的弃光量约束为PCSP;curtt≥0（17）第一阶段的优化模型根据上述目标函数和约束条件，基于粒子群算法进行求解建模，其具体流程如图4所示。3.2 第二阶段优化第二阶段的火电机组优化调度在第一阶段优化后的等效负荷的基础上进行。优化目标是在调度周期内和一定约束条件下，合理安排机组启停和经济负荷分配，使得总发电成本最低。3.2.1 目标函数minF2Pit;uitN∑i1T∑t1[FiPitSi1 ui;t 1]uit（18）FiPitaiP2itbiPitci（19）N TPit i t uit it FiPit it ai bi ciSi i式中为机组总数；为系统调度总时段数；为机组在时段的功率出力；为机组在时段的启停状态，为0、1两个值；为机组在时段的运行耗量；、、为运行耗量特性参数；为机组的启动耗量。3.2.2 约束条件功率平衡约束为N∑i1Pituit eDt（20）旋转备用约束为N∑i1Pi;maxuit eDtRt（21）机组出力上下限为Pi;min≤Pi≤Pi;max（22）启停约束为T∑t1uit ui;t 1≤M（23）8Tonit≥MoniToffit≥Moffi（24）机组速率爬坡约束为Pit Pi;t 1≤Pi;maxv（25）˜Dt Pi;max Pi;min iRt tM Moni Moffi iPi;maxvi式中为等效负荷；和分别为第个机组出力上下限值；为第个时段系统旋转备用；、、分别为第个机组最大允许启停次数、最小连续运行和最小连续停运小时数；为第个机组的最大爬坡速率。第二阶段的优化模型根据上述目标函数和约束条件，基于改进双重粒子群算法[16]进行机组组合问题的求解建模，其具体流程如图5所示。开始是否否是初始化新能源机组数据以及约束条件随机初始化所有时段PSO粒子，使其满足出力约束、爬坡约束以及储热约束初始化种群个体极值和位置、全局极值和位置更新粒子速度，并使得速度满足约束直接修改粒子位置使其满足约束更新粒子位置并计算个体极值和全局极值是否满足出力约束、爬坡约束以及储热约束是否达到最大迭代次数根据全局极值位置计算最终等效负荷输出结果图 4 基于粒子群算法的第一阶段优化流程Fig. 4 Flowchart of first stage optimizationbased on PSO中国电力第 52 卷544 算例结果与分析PCSPmax120 MW PCSPmin 5 MWETSmax12 h 120 MW，ETSmin1 h 120 MW，RCSPUp RCSPDown12 MWmin2ETSmax基于本文提出的模型，对某光伏光热联合发电基地和由10台火力发电机组构成的系统进行算例分析。常规机组的所有机组特性数据详见文献[17]，光伏光热联合发电基地装机容量为480 MW，装机配比8∶3，光热机组，，，储热装置初始容量设置为最大容量的50，调度周期首末时刻储热装置容量变化量不超过。本文基于Matlab编程建立优化调度模型。第一阶段优化中最大迭代次数为40，初始产生100个粒子；第二阶段优化中离散粒子群确定机组启停状态部分的最大迭代次数为3，每时段初始产生30个粒子，连续粒子群确定机组经济负荷分配部分的最大迭代次数为20，每时段初始产生50个粒子。4.1 算例1光伏光热联合发电基地并网调度效益分析为验证本文模型的有效性和合理性，假定系统中的负荷曲线和经过调整后的光伏光热联合发电基地光照曲线如图6所示。对其进行建模分析，对比原始负荷、仅接入光伏电站、直接接入光伏电站与光热电站、光伏光热联合发电基地并网优化4种情况下的最终优化结果。表1和图7展示了4种情况下系统的等效负荷曲线以及峰谷差变化情况。光伏光热联合发电基地并网优化后的峰谷差降为689.44 MW，相对于直接引入光伏电站而言，峰荷降低了120 MW，峰谷差降低了115 MW，减少了14.3；相对于直接引强制机组启停状态开始随机初始化该时段BPSO粒子从初始时段开始，考虑启停约束，满足备用约束更新粒子位置，判断是否满足启停状态判断是否满足备用约束得到机组启停状态，用连续PSO进行机组经济分配，引导机组启停状态优化进入下一个时段机组启停的优化，修正机组连续停运时间按照机组优先排序指标，选择可以开启的机组中指标最小的进行开启判断是否满足备用约束判断是否完成机组启停状态所有时段用连续PSO进行机组经济负荷分配满足平衡约束、出力上下限约束，先不考虑机组爬坡约束输出结果判断是否达到BPSO迭代次数得到最优成本对应的启停状态得到所有时段机组的启停状态判断是否达到连续PSO迭代次数是否否否是是否是是否否是图 5 基于改进双重粒子群的第二阶段优化流程Fig. 5 Flowchart of second stage optimization based onimproved dual particle swarm01002003004005006007008009001 00002004006008001 0001 2001 4001 6001 8000100 0500 0900 1300 1700 2100时刻光照/Wm2 光照原始负荷；原始负荷/MW图 6 算例1的系统原始负荷和光照曲线Fig. 6 Load and power curve of PV and CSP for case 10100 0500 0900 1300 1700 2100 01002004006008001 6001 4001 2001 000等效负荷/MWCSP电站优化之后引入PV和CSP；引入PV；原始负荷；时刻 图 7 第一阶段优化等效负荷曲线结果Fig. 7 Equivalent load curves of first stage optimization表 1 不同场景下第一阶段优化结果Table 1 First stage optimization results ofdifferent cases场景峰荷/MW谷荷/MW峰谷差/MW原始负荷1 601.25 866.25 735.00引入PV 1 589.49 785.04 804.44引入PV和CSP 1 585.46 683.49 901.97CSP优化出力1 469.49 780.04 689.44第 4 期 苗淼等光伏光热联合发电基地并网优化调度模型55入光伏和光热电站而言，峰荷降低了115.97 MW，谷荷提高了96.55 MW，峰谷差降低了212.53 MW，减少了23.6，此时相对于原始负荷峰谷差减少了6.2。算例说明光伏光热联合发电基地并网后具备削峰填谷的作用，此处太阳能发电原始出力增加了峰谷差，但通过对于光热电站内部储热装置储/放热过程和出力的优化，削减了峰谷差，改善了等效负荷曲线。光热电站的TS装置储/放热功率和TS装置容量变化曲线如图8所示。算例1的第二阶段优化结果如表2所示，直接引入PV和光伏光热联合出力伏化后的火电机组煤耗相对于原始负荷场景分别减少了3.78和6.84；太阳能总发电量在引入光热电站后进一步提升至11.08；光伏光热出力优化后的开机总时段相对于直接引入光伏和原始负荷场景分别减少14个和5个。说明光伏光热联合发电基地并网运行有效地促进了新能源消纳，减少了煤耗和启停机次数。4.2 算例2光伏光热联合发电基地并网调度灵敏度分析PCSPmax在光伏光热联合发电基地并网过程中，光热电站的运行方式直接影响等效负荷曲线和煤耗总成本。本文针对光热电站的汽轮机组最大出力ETSmaxPCSPmax、ECSPmax和TS储热装置的最大容量进行并网调度的灵敏度分析。同时，分别定义单位峰谷差削减量为峰谷差削减量与的比值。PCSPmax图9反映了光热电站的汽轮机组最大出力变化时，峰谷差、单位峰谷差削减量以及煤耗的变化情况。如图9所示，在光热电站机组最大出力增加时，峰谷差的削减量在不断递增，可见在一定的光照条件下，汽轮机组装机容量越大，负荷曲线改善的情况越好。同时，根据单位峰谷差削减量和总煤耗的下降趋势可知，选择合适的机组装机容量从成本角度来看具有重要意义。ETSmax图10反映了光热电站TS储热装置的最大容量变化时，峰谷差、单位峰谷差削减量以及煤耗的变化情况。随着储热装置最大容量的增加，峰谷差、单位峰谷差削减量和煤耗均呈下降趋势，说明在一定光照条件下，储热装置容量的提升有助于进一步改善负荷曲线和降低煤耗。因此，在规划建设光热电站时应结合具体实际情况进行成本效益分析，选择合适的最大装机容量和120 600 1 080 1 560 2 040 2 520600650700750800850900峰谷差/MW01002003004005006007008009001 000单位削减量50 00050 50051 00051 50052 000煤耗/t单位峰谷差削减量；峰谷差；煤耗Emax/MWhTS图 10 光热电站TS储热装置最大容量的灵敏度分析曲线Fig. 10 Sensitivity analysis curve of maximum capacityof TS in CSP stations02004006008001 0001 2001 400−150−100−500501001500100 05 00 0900 1300 1700 2100储/放热功率/MWTS容量/MW时刻储热装置；TS容量图 8 光热电站储/放热功率和TS储热装置容量曲线Fig. 8 Capacity curves of CSP storage/thermal releasepower and TS thermal storage02468101214161860062064066068070072074076078050 70 90 110 130 150峰谷差/MW单位削减量Pmax/MW51 00051 20051 40051 60051 800煤耗/t单位峰谷差削减量；峰谷差；煤耗CSP图 9 光热电站机组最大出力的灵敏度分析曲线Fig. 9 Sensitivity analysis curve of maximum outputin CSP stations表 2 不同场景下第二阶段优化结果Table 2 Second stage optimization resultsof different cases场景火电机组总发电量/MWh煤耗/t太阳能总发电量/MWh开机总时段原始负荷29 016 55 339 0 90引入PV 26 621 53 249 2 395 99CSP优化出力25 801 51 554 3 215 85中国电力第 52 卷56储热装置容量，最大化经济效益。5 结语本文从光伏电站和光热电站的运行机理入手，建立了光伏光热联合发电基地并网的两阶段优化调度模型，并通过10机系统进行仿真验证，分析了联合发电基地的并网效益。结果表明（1）光伏光热联合发电基地在最大化利用太阳能资源的基础上，可以利用光热电站的特性，改善负荷曲线，降低等效负荷的峰荷和峰谷差；（2）由于光伏光热电站的引入，在提高太阳能资源利用效率的同时，机组的发电总煤耗和开机时段均有一定的减少，削减了系统运行成本；（3）在一定的运行条件下，对光热电站机组装机容量和储热装置容量的适当提升有助于提高峰谷差削减量和降低系统运行成本，但是在规划过程中，还应该结合建设成本进行成本效益分析，选择合适的装机容量进行建设。参考文献丁明, 王伟胜, 王秀丽, 等. 大规模光伏发电对电力系统影响综述[J].中国电机工程学报, 2014, 341 1–14.DING Ming, WANG Weisheng, WANG Xiuli, et al. A review on theimpact of large-scale PV generation on power systems[J].Proceedings of the CSEE, 2014, 341 1–14.[1]刘伟, 彭冬, 卜广全, 等. 光伏发电接入智能配电网后的系统问题综述[J]. 电网技术, 2009, 3319 1–6.LIU Wei, PENG Dong, BU Guangquan, et al. A survey on systemproblems in smart distribution network with grid-connectedphotovoltaic generation[J]. Power System Technology, 2009, 33191–6.[2]雷一, 赵争鸣. 大容量光伏发电关键技术与并网影响综述[J]. 电力电子, 2010, 93 16–22.LEI Yi, ZHAO Zhengming. Overview of large-scale PV integrationkey technologies and its impact[J]. Power Electronics, 2010, 9316–22.[3]娄素华, 胡斌, 吴耀武, 等. 碳交易环境下含大规模光伏电源的电力系统优化调度[J]. 电力系统自动化, 2014, 3817 91–97.LOU Suhua, HU Bin, WU Yaowu, et al. Optimal dispatch of powersystem integrated with large-scale photovoltaic generation under[4]carbon trading environment[J]. Automation of Electric PowerSystems, 2014, 3817 91–97.杨永标, 于建成, 李奕杰, 等. 含光伏和蓄能的冷热电联供系统调峰调蓄优化调度[J]. 电力系统自动化, 2017, 416 6–12.YANG Yongbiao, YU Jiancheng, LI Yijie, et al. Optimal loadleveling dispatch of CCHP incorporating photovoltaic and storage[J].Automation of Electric Power Systems, 2017, 416 6–12.[5]刘皓明, 陆丹, 杨波, 等. 可平抑高渗透分布式光伏发电功率波动的储能电站调度策略[J]. 高电压技术, 2015, 4110 3212–3223.LIU Haoming, LU Dan, YANG Bo, et al. Dispatch strategy of energystorage station to smooth power fluctuations of high penetrationphotovoltaic generation[J]. High Voltage Engineering, 2015, 41103212–3223.[6]杜尔顺, 张宁, 康重庆, 等. 太阳能光热发电并网运行及优化规划研究综述与展望[J]. 中国电机工程学报, 2016, 3621 5765–5775.DU Ershun, ZHANG Ning, KANG Chongqing, et al. Reviews andprospects of the operation and planning optimization for gridintegrated concentrating solar power[J]. Proceedings of the CSEE,2016, 3621 5765–5775.[7]赵志华, 刘剑军. 国内太阳能热发电技术发展与应用现状[J]. 太阳能, 201324 29–32.ZHAO Zhihua, LIU Jianjun. Domestic situation of CSP developmentand application[J]. Solar Energy, 201324 29–32.[8]SIOSHANSI R, DENHOLM P. The value of concentrating solarpower and thermal energy[J]. IEEE Transactions on SustainableEnergy, 2010, 13 173–183.[9]MADAENI S H, SIOSHANSI R, DENHOLM P. Estimating thecapacity value of concentrating solar power plants with thermalenergy storage a case study of the southwestern United States[J].IEEE Transactions on Power Systems, 2013, 282 1205–1215.[10]XU Ti, ZHANG Ning. Coordinated operation of concentrated solarpower and wind resources for the Provision of energy and reserveservices[J]. IEEE Transactions on Power Systems, 2017, 3221260–1271.[11]陈润泽, 孙宏斌, 李正烁, 等. 含储热光热电站的电网调度模型与并网效益分析[J]. 电力系统自动化, 2014, 3819 1–7.CHEN Runze, SUN Hongbin, LI Zhengshuo, et al. Grid dispatchmodel and interconnection benefit analysis of concentrating solarpower plants with thermal storage[J]. Automation of Electric PowerSystems, 2014, 3819 1–7.[12]赵争鸣, 刘建政, 孙晓瑛, 等. 太阳能光伏发电及其应用[M]. 北京科学出版社, 2006.[13]第 4 期 苗淼等光伏光热联合发电基地并网优化调度模型57VASALLO M J, BRAVO J M. A MPC approach for optimalgeneration scheduling in CSP plants[J]. Applied Energy, 2016, 165357–370.[14]KUEH K C Y, NATHAN G J, SAW W L. Storage capacitiesrequired for a solar thermal plant to avoid unscheduled reductions inoutput[J]. Solar Energy, 2015, 118 209–221.[15]李整, 谭文, 秦金磊. 一种用于机组组合问题的改进双重粒子群算法[J]. 中国电机工程学报, 2012, 3225 189–195.LI Zheng, TAN Wen, QIN Jinlei. An improved dual particle swarmoptimization algorithm for unit commitment problem[J]. Proceedingsof the CSEE, 2012, 3225 189–195.[16]韩学山, 柳焯. 考虑发电机组输出功率速度限制的最优机组组[17]合[J]. 电网技术, 1994, 186 11–16.HAN Xueshan, LIU Zhuo. Optimal unit commitment consideringunits ramp-rate limits[J]. Power System Technology, 1994, 18611–16.作者简介苗淼1982，男，博士，副研究员，从事电力系统规划、大规模新能源消纳送出研究，E-mail miaomiao_；刘赛1993，男，硕士研究生，从事新能源并网优化及交直流配电网优化运行研究，E-mail 。（责任编辑 李博）Optimal Dispatch Model of Grid-Connected Power Base ConsideringPhotovoltaic Power and Concentrating Solar PowerMIAO Miao1, LIU Sai2, SHI Tao3, GUO Yasen2, ZHANG Yiqing2, LI Junxian11. State Grid Qinghai Electric Power Company Economic Research Institute, Xining 810008, China; 2. School of ElectricalEngineering, Southeast University, Nanjing 210096, China; 3. China Electric Power Research Institute, Nanjing 210003, ChinaAbstract The construction of solar energy bases is developing from unitary photovoltaic power generation to multi-solar-energyutilization of photovoltaic power and concentrating solar power. By using the large capacity of thermal storage device of theconcentrating solar power station and the fast climbing speed of steam turbine units, the grid-connected united power base ofphotovoltaic power and concentrating solar power will improve significantly in terms of the control and dispatch capability. Based onthe operation mechanism, a two-stage optimal dispatch model of photovoltaic and concentrating solar power is established based onimproved particle swarm optimization algorithm. The objective of the first stage optimization is to reduce the peak-valley differenceof the equivalent load and improve the load curve, and the second stage optimization objective is to minimize the total cost of powergeneration. The model satisfies the main operati