考虑气象预报不确定性累积的风水发电协调方案研究
从气象预报的不确定性随预见期增长的特点出发，分析气象预报的演进过程，提出不确定性累积模型的搭建条件与假设，通过定义预报演进量，推导了考虑预报不确定性累积的气象参量的分布特征，搭建气象预报不确定性累积模型，用于描述气象预报不确定性随预见期增长的相关关系，为后续的基于气象预报不确定性累积模型的风水发电出力模型的建立以及风水发电的优化调度打下基础。
以搭建的气象预报不确定性累积模型为基础，建立风电出力模型与水电出力模型。风电出力情况的预估主要依据预报风速、风电机组额定出力等数据，风电机组的输出功率特性决定了其出力模型为混合型随机变量模型，需要计算风机输出功率概率密度函数并计算其期望值，最终得到风电机组出力情况。以MGF矩母函数为工具，根据水库径流预报模型计算得到累积径流分布情况，结合入库径流与库容水位的关系，分析了水电功率特性。
基于预报不确定性累积模型对风水联合发电进行优化调度，为保证协调运行中水电的自身效益，综合考虑风水联合出力平稳性、水电弃水、水电保证出力多目标，引入水电库容机会约束，构建了风水发电中期协调模型。通过矩母函数求解累积净流的近似随机变量，将库容机会约束转化为确定性等价类形式以便于模型求解。算例采用遗传算法验证了本文所提方案的有效性，并针对机会约束置信度、径流预报演进量方差以及预见期对协调效果的影响进行了分析及验证。关键词：气象预报不确定性，风水联合运行，出力模型，优化调度
目录中文摘要...I
1绪论..1
1.1课题研究背景及意义1
1.2国内外研究现状...3
1.2.1风速及径流预报不确定性研究现状....3
1.2.2风电场、水电站出力模型研究现状....6
1.2.3风电-水电联合运行研究现状8
1.3本文的主要内容...8
2气象预报不确定性累积模型..11
2.1引言.11
2.2气象预报不确定性分析....11
2.3预报演进量定义.12
2.4不确定性累积模型条件假设.13
2.5预报不确定性累积模型....14
2.6算例分析...15
2.7本章小结...18
3基于预报不确定性累积模型的风水出力模型19
3.1引言.19
3.2风电出力模型20
3.2.1风电波动特性分析20
3.2.2风电并网与风电消纳问题...21
3.2.3风电机的功率输出特性..22
3.3水电出力模型24
3.3.1水能资源及其特点24
3.3.2水电功率特性分析25
3.4风电水电互补特性分析....27
3.5算例分析...29
3.6本章小结...33
4基于预报不确定性累积模型的风水发电优化调度34
4.1引言.34IV
4.2风水发电中期调度优化模型.35
4.2.1目标函数.35
4.2.2约束条件.36
4.3模型求解方法37
4.3.1目标函数的等价转换.37
4.3.2机会约束规划处理38
4.3.3引进精英主义的遗传算法...39
4.4算例分析...40
4.4.1算例简介.40
4.4.2结果及分析..41
4.4.3影响因素分析...42
4.5本章小结...45
5结论与展望46
5.1论文主要结论46
5.2后续工作展望47
参考文献48
V
1绪论1.1课题研究背景及意义
21世纪发展至今，能源危机与环境污染已经成为全世界各国都必须面临与解决的严峻问题，一次能源的不合理利用也是造成环境污染的重要因素，因此，发展新型绿色环保可再生能源对于解决能源危机与环境污染而言，都具有重要意义。近年来，太阳能、风能、潮汐能等新型能源得到有效的开发利用，利用新型能源发电、减少电网发电端一次能源的消耗也是实现电力系统能源结构变革、实现可持续发展的重要途经。与其他新型能源发电形式相比，风能发电具有能源总量大、易于开发利用、绿色环保无污染等优点，逐渐成为全世界各国关注的焦点，风电行业在近十年时间内得到高速发展，全球装机容量逐年升高。图1.1所示为根据某报告中的数据整理得到的2007-2018年全球范围内风电装机容量的总量变化情况。
时间（年）图1.12007~2018年全球风电和装机容量统计图
我国将“2020、2030年非化石能源消费比重分别达到15%、20%”作为能源发展战略目标[1]，虽然我国的能源利用仍以不可再生能源为主，但是我国针对风力发电的研究处于世界前列，统计数据显示，2016年我国风电行业新增装机容量超过2千万千瓦，截至2016年年底，我国风电行业累计装机容量超过1.6万万千瓦，排名世界首位。随着大量大型风电场接入电网，其引发的一系列问题成为该领域研究热点，
风电是将风能转换为电能，而风能资源具有波动性与不可控性，这导致风电发电功率呈现随机性与间歇性，风电出力的波动性会对电网的实时调度与运行控制产生不利影响，为了集中利用风能资源，会考虑建设风能发电基地，随着建设规模的扩大，风机装机容量不断升高，风电上网对电网运行所造成的影响也会不断加重，特别是电力系统实时调度-负荷调峰的难度将不断加大[2]，如负荷需求处于高峰时，风电出力可能无法达到要求，而负荷需求处于低谷时，风电出力可能无法消纳[3]，如果不对风电出力加以控制与协调，风电上网不仅无法实现充分利用风能的初衷，还会对电网运行产生反调峰影响，进一步恶化电网运行性能。为了保证电力系统运行的稳定性与可靠性，大规模风电上网的前提条件是预留足够的调峰容量与备用电源，而这不仅会增加电网调度运行的资金投入，也会扩大电网调度调峰的调控范围，这对电网调度运行的实时管理提出了更高的要求。
由于风能资源存在的波动性和不可控性，基于对系统安全性的考虑，风电消
纳困难的问题日渐突出，据统计2011年至2015年全国平均弃风率达13.4%[3]，2016年全国弃风率达到了17.1%。为了解决风电并网给调度带来的问题，也为了提高风电利用率、推动新型可再生能源的发展，鉴于水电在调峰深度和调峰速度上都具有很大的优势，其调节库容具有蓄能作用，考虑将风电与水电结合，两者具有良好的互补特性，水库库容调节能力与水电快速响应特性可以及时跟踪补偿风电出力变化，当风电出力增加时，降低水电的出力，把水能蓄在水库中；当风电出力降低时，加大水电出力，使风电与水电出力之和满足负荷需求，从而达到削弱风电出力波动性对公共电网的不利影响的目的[4-5]。风电与水电的协调运行是促进风电消纳、提升资源优化配置能力的有效途径，这对于新能源并网、不同类型资源协调运行以及电力系统安全性的研究具有重要参考价值。
虽然风水协调运行对于促进风电消纳具有一定的优势，但是风水协调运行方案的制定受风、水气象预报的影响，由于气象预报结果存在一定的误差，具有不确定性的特点，并且气象预报的不确定性不可能消除，风速、径流预报作为风水联合调度的关键输入信息，这种预报的不确定性必然会影响到风水协调调度决策的科学性。随着电力与气象领域的交互融合，面向电力生产的专业化、精细化气象预报对于电力各环节正常、高效运行的作用逐渐得到重视[6-8]，气象预报是风水发电联合调度的关键支撑环节，准确的气象预报能提升调度方案的科学性、合理性。
因此，为得到更为科学、合理的风水联合调度方案，需要对气象预报的不确定性进行分析，但已有研究大多采用恒定的概率分布或模糊参数表征不确定性，却忽略了气象预报不确定性与预见期的关系。实际上，在气象预报及风电出力预测等产品的制定过程中，受众多环节影响，其不确定性是随预见期的增加而增大2
的[9-10]，直观感受即“预报时间越长，气象预报越不确定”，忽略这种相关关系会难以准确客观地反应气象预报的不确定性，从而影响中期调度决策效果。因此，深入分析风速、径流气象预报不确定性与预见期的关系，对不确定累积过程展开研究，并基于此建立风速、径流等气象要素与风电水电的出力关系，对风能和水能资源进行合理的规划、提升风水联合调度的科学性、促进新能源的消纳、提升资源优化配置能力具有重要意义。
1.2国内外研究现状
1.2.1风速及径流预报不确定性研究现状
①风速预报不确定性研究现状
风是驱动风力发电机发电的主要动力，随着自然条件的变化而变化，风速预报是解决大量大型风电并网的关键因素之一，随着预报风速的精准度提升相应的
风电机组的出风力度也随之提高。风速进行预报的时候，需要考虑采用何种预报
方法进行预报，图1.2所示为风速预报方法的分类[11]，从图1.2中可以看出，统计
预报方法不以数值天气预报为基础，而是利用中期历史观测数据挖掘隐藏的变化规律完成未来某个时间段的风速预报，风速统计预报模型在发展初期主要包括时间序列分析模型、灰色模型、自回归滑动平均模型[12-16]等，在发展后期主要包括基于神经网络的风速统计预报模型、基于支持向量机的风速统计预报模型等[17]。
物理预报的方法是以数值天气预报作为基本判定的方法，涉及到的大气数据包括温度、大气压以及温度等，利用计算机对风速物理预报模型进行求解就可以得到未来某个时间段的风速预报，进而得到风功率预报，风速物理预报模型包括METOF[18]模型、MESO模型[18]、RAMS模型[19]、WRF模型[20]等。物理预报以及统计预报方法相结合称作混合预报方法，所以混合预报方法把这两者的优点结合在一起，能够有效降低风速预报的误差。将物理预报方法求解得到的数据引入统计预报模型中，可以提升风速预报的效果；将预报模型与神经网络相结合对风速进行预报，能够对风速预报结果进行有效修正[21-25]。机器学习的重要分支是深度学习，它不仅可以学习样本数据还可以把其内在特征进行抽象的提取，刻画样本数据的本质特征，对文字、图像、声音等各类数据都能够较好地完成学习任务。文献[11]首次将深度学习算法引入风速预报领域，验证了深度学习方法在该领域的适用性。文献[27]利用深度学习算法建立风速预报模型，分别以小时和天为单位进行预报测试，结果显示该风速预报模型相比于其他算法建立的风速预报模型而言，预报误差降低了10%。文献[28]利用深度学习算法与神经网络搭建风速预报模型，通过数据迁移解决了新建风电场风速难以预报的问题，有效提高了风电场风速预报精度。以上文献都是侧重对风速预报方法的研究，将最先进的深度学习算法应用于风速预报领域，而忽视了风速预报时长对风速预报不确定性的影响，也即未考虑短期预报、中期预报和长期预报等预报时长对风速预报误差的影响，也未考虑风速预报误差累积对风电出力预测的影响。
风速预报分为超短期、短期以及中长期三种预报类型。超短期预报的计量单位是分钟，短期预报以小时为计量单位，中长期预报以天/月为计量单位。超短期预报和短期预报的预报误差通常15%-30%，而中期预报的难度较大，预报误差更高。预报误差主要是由于未考虑到风速变化的不确定性，风速预报针对风速单点预报，这是预报手段导致的必然误差，在单点预报的基础上对风速不确定性区间进行预测，能够有效降低风速预报的误差。按照不确定性分析结果对风速不确定性区间预测方法进行划分，可以分为置信区间法、风险指标法和概率值法，置信区间法指的是设定置信区间，规定风速波动的上下限，通常假定风速预报误差服从高斯分布；风险指标法指的对影响风速不确定性的因素设定风险指标，反映各种不确定性因素对风速预报的影响程度；概率值法指的是利用各时间点风速预报值在某个范围内波动的概率值表示风速预报的不确定程度，概率值越高，风速预报越准确，不确定程度越低[29-30]。
图1.2风速预报方法的分类
Fig.1.2Classificationofwindspeedpredictionmethods②径流预报不确定性研究现状
水文预报指的是根据相关水文气象数据对某水电站水量情况进行定性/定量预测，依据水文现象及水文过程建立的模型成为水文模型，水文气象数据是水文模型的输入数据，它的不确定性直接影响径流预报的准确性。根据预报期的长短可以将径流预报划分为短期预报、中期预报和中期预报，根据预报结果的形式可以将径流预报划分为确定性预报、概率预报和集合预报。水文气象数据主要包括降水、温度、湿度等，就一般情况而言，根据实测降水等数据可以计算得到短期径流预报[31-32]，将降水等水文气象数据代入水文模型可以计算得到中期径流预报[33-34]，利用统计模型/智能模型获取径流因子与环流因子可以计算得到中期径流预报[35-37]。对于水电站而言，径流预报属于较为复杂的过程，需要综合各方面的基础数据，也需要搭建数学模型[38-39]，其中存在诸多不确定性因素，这导致了径流预报的不确定性。
针对水文现象不确定性的研究通常是以水文模型为基础进行的，其不确定性来源主要包括三个方面，模型输入数据的不确定性、模型参数的不确定性和模型结构的不确定性，相对于模型参数和模型结构而言，模型输入数据的不确定性对预报结果准确度的影响最大。就水电站径流预报而言，降水资料的不确定性是最重要的不确定性因子，影响降水资料不确定性的主要因素是降水时空变异性、观测站网固定点同时间观测之间的差异，目前针对该问题的研究仍处于初期阶段。现阶段针对该问题的研究主要集中在降水时空变异性对径流总量、峰现时间等的影响，有关土壤含水情况、流域特征、流域响应等问题的研究较少。
Lopes[40]将搭建的模型应用于某确定流域范围内，主要目的是分析降水空间变
异性对径流、洪峰等因素的影响，结果显示观测站网的空间分布、分布密度以及
降水空间特性等都会对径流预报产生较大影响。Chaubey等人[41]利用AGNPS模型
对降水空间变异性和站网观测精度进行分析，结果显示两者都会对流量过程线产
生直接影响，而降水空间变异性还会直接影响水文模型参数的变异性，这也会进
一步影响径流预报的结果。Bronstert等人[42]在特定流域范围内研究了降水强度时
间变异性对水文模型的影响，结果显示相对于一般情况而言，降水强度时间变异性提高了产流量。Shah等人[43-44]搭建了降水随机模型，并将其与SHE模型结合用于探究降水空间变异性与流域响应之间的关系，将模型应用于特定流域范围内后，结果显示流域状态不同的情况下，降水空间变异性对径流预报的影响也会有所不同，在流域含水量较高的情况下，流域平均降水的径流预报效果较好，在流域含
水量较低的情况下，流域平均降水的径流预报效果不及分布输入降水，降水空间
变异性与降水径流响应之间呈现高度非线性关系。郝芳华等人[45]利用SWAT模型
研究降水空间变异性对产流量与产沙量之间的关系，结果显示降水空间变异性对产流量和产沙量的不确定性影响较大。
以上文献都是侧重水文预报方法的研究，采用各种水文模型分析各种参数对水文预报结果的影响，而忽视了径流预报时长对径流预报不确定性的影响，也即未考虑预报时长对径流预报误差的影响，也未考虑径流预报误差累积对水电出力预测的影响。考虑到降水等水文气象数据不确定性对径流预报不确定性的影响，在水文模型输入数据时采用随机变量取代确定数值，输入数据的不确定性即可得5
到量化，水文模型输出的不确定性也就可以得到量化，提高径流预报的精度[46]。
1.2.2风电场、水电站出力模型研究现状
①风电场出力模型研究现状
风电场出力指的是风电场发电机组的输出功率，风电场的输出功率受到风速、环境条件、地理位置、设备性能等诸多因素的影响，呈现出随机性与波动性的特点。相对而言，风电场输出功率最重要的影响因素是风速，就国内的情况来看，风速的典型年特性为冬春季风速大、夏秋季风速小，风速的典型日特性为夜间风速大、日间风速小。风电场出力模型的搭建方法主要分为直接法和间接法，直接法是利用风速进行出力模型搭建，而间接法是利用功率进行出力模型搭建。
风电场风电机组的功率波动主要是受到风速波动的影响，在不同地区、不同季节、不同位置、不同时间点监测到的风速都会存在差异，许多研究学者在搭建风电场出力模型时，考虑的是通过准确描述风速变化趋势的方式提高风电场出力模型的准确度。利用风速模型生成风速时间序列，再利用风电功率与风速的数学
关系得到风电出力时间序列，或者模拟风速分布特性后，再利用概率密度函数获
取风电出力统计特性。KarkiR等人[47]在研究该问题时，利用自回归滑动平均模型生成风速时间序列，而ChenP等人[48]在KarkiR等人研究基础之上对风速不平稳
序列进行建模、修正后得到LARIMA模型，该模型能够精确描述风速的变化趋势。
曾鸣等人[49]假定风速分布特性遵循韦伯分布特性，利用其概率密度函数计算得到了风机出力的概率密度函数。宗培书等人[50]以某发电厂全年风电出力数据为基础，
假定风速分布特性遵循韦伯分布特性，反推计算得到了不同条件下韦伯分布的参
数信息。李玉敦等人[51]利用非参数估计理论预估风速概率分布特性，利用蒙特卡洛方法对概率分布特性进行抽样操作来获取风速时间序列。林佳亮等人[52]以某风
电场夏季与冬季的风电出力数据为基础分析风电出力的分布情况，结果显示风电出力呈现出的季节特性为冬季出力大、夏季出力小，风电出力呈现出的昼夜特性为夜间出力大、日间出力小。
利用功率进行风电场出力模型搭建需要以该风电场的历史输出功率数据为依
据，利用风电历史输出功率生成模拟序列能够避免利用风速计算风电出力过程产生的误差。利用功率进行风电场出力建模的方法主要有马尔可夫链模型、自回归移动平均模型、蒙特卡洛模拟方法等[53-55]，这些方法都是采用随机时间序列进行分析模拟，虽然能够避免利用风速计算风电出力过程产生的误差，但是考虑到风电
出力本身为非平稳、非正态随机序列，因此利用功率进行风电场出力建模仍然无
法做到风电出力准确预测。LopesVV等人[56]曾采用马尔可夫链模型生成风电出力
时间序列，分析了该模型的阶数对风电出力预测准确度的影响。
无论是利用直接法进行风电场出力模型搭建，还是利用间接法进行风电场出6
力模型搭建，在研究不同时长风水发电优化调度问题时，都不应忽略风速预报预见期对风电场出力预测结果的影响，这其中包括风速预报在时间尺度上不确定性的差别以及风速预报不确定性累积对风电出力预测的影响。
②水电站出力模型研究现状
水电站出力指的是水电站发电机组的输出功率，水电站的输出功率受到降水、环境条件、地理位置、设备性能等诸多因素的影响，呈现出启停方便、效率高、生产成本低等特性[57]。与其他发电形式相比，水电站发电利用的水能资源可再生、可储存、可调节，水电站机组也能够灵活启停，可以在较短的时间内增减出力，非常适合承担电网的调峰、调频等工作，水电站的发电设备简单、使用寿命长、水源利用率高，水电建设施工困难、投资大、建设周期长，易受到地形、地质等条件的影响[57-58]。在不考虑能量损耗的情况下，水电站的功率输出取决于水电站上下游水位之差以及水流通过水轮机的流量，在实际应用过程中，水电站发电过程中不可避免产生能量损失，一方面，水流摩擦河床、冲击河岸等必然会造成一部分能量损失，另一方面，水流推动水轮机、水轮机带动发电机等也必然会造成一部分能量损失，水电站实际出力必然小于理论计算出力。
现有的研究文献与实际工程应用中，水电站出力模型通常利用Bernoulli流体能量守恒方程来表示[59-60]，Bernoulli流体能量守恒方程指出，理想流体定常流动时，同一细流管任一截面处，单位体积的压力能、动能、势能之和保持不变，由此可以得到水电站的输出功率表达式。现有文献主要针对水电站输出功率的调节与精准计算展开研究，电网对水电站下达功率调节指令，水电站根据指令对机组的输出功率进行调节以满足电网运行要求[61-64]，而水电站通过调节水轮机调速器达到调节输出功率的目的。
水电站输出功率的准确计算多是以水电机组的实际运行数据为基础，对水电机组的输出功率曲线进行拟合，再根据其他影响因素对输出功率曲线进行修正[65-66]。小水电群的发电特性与大水电机组的发电特性略有不同，针对小水电群的输出功率计算，文献[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组合模型，将日降水量与累计降水量映射为特征向量，为多个小波分量建立功
率预测模型，小波分解中的其他分量直接将相似日的负荷分量作为其功率预测值，两者结合后进行小波重构得到最终的发电预测值。文献[68]采用的是两阶段还原法，将电网负荷分解为全社会用电负荷与小水电发电负荷，全社会用电负荷利用通用
模型进行预测，小水电发电负荷则需要利用最大负荷、降水量、负荷曲线等数据进行分析计算并最终得到小水电发电负荷曲线。文献[69]采用的是负荷分解法，将电网负荷分解为正常负荷和小水电负荷，按照负荷的特点进行划分，利用多种方法对发电功率的计算结果进行融合，再通过最小二乘法获取最终计算结果。文献[70]采用的是线性外推法与相似日负荷预测法相结合，线性外推法可以弥补相似日负荷预测法的不足，提高功率计算的精确度。
径流预报存在偏差，随着预见期的延长，径流预报偏差也随之增加，这种不确定性的变化会对水电出力造成影响，预见期是径流预报应用于水电出力的一个关键限制因素，不能忽视这种因素的影响。
1.2.3风电-水电联合运行研究现状
水能与风能资源具有良好的季节互补性，而水库的库容调节能力与水电机组的快速响应特性，使得水电出力能够及时跟踪补偿风电的出力变化，削弱风电出力波动性对电网的不利影响，风电与水电的协调运行是促进风电消纳、提升资源
优化配置能力的有利途径。随着多能互补逐渐受到电力、能源等领域的关注，相关学者对风电与水电的协调运行陆续开展了研究。如文献[71]将待补偿功率作为水电出力的闭环控制输入，融合风功率预测，对风水协同运行的次日计划进行了研究；文献[72]研究提出了一种计及风、光、核、水、火多电源在内的短期协调优化
调度方法；文献[73]考虑下一调度周期的调峰需求，以火电机组能耗为目标，提出了一种风水火发电短期优化调度方法；文献[74]考虑风电出力的不确定性，提出了
一种含风险约束的风水协调运行策略，并从发电公司的角度，验证了风水协调运行在经济性及可靠性上的优势。
相关研究取得了很多有价值的成果，但也存在若干可改进之处，可归纳为：1）时间尺度上，多为日内运行计划，水电补偿对象也是风电出力的日内波动[75-76]。
而同样显著的风电出力日间波动特征可能会使等效负荷呈现很大的日间差异，从
而增加系统的调峰需求和运行费用[77]；同时，水电站的库容调节能力在较短的时
间尺度内也无法充分发挥，因此考虑风电的日间波动特征、并拓宽风电与水电协调运行的时间尺度是本领域亟需解决的问题。2）协调目标上，少有关注水电的自身效益。水电在补偿风电的同时，不应过多浪费水能，需避免“弃水补偿”的情况[78-79]，同时水电自身运行中也有保证出力的限制。3）运行场景上，通常基于事先给定的水电、风电场站或机组，并未考虑对应的水能、风能资源是否具有良好的互补效果，由此得到的最优发电计划也可能会产生水电的“欠补偿”或“弃水补偿”。
1.3本文的主要内容
为了解决由风的波动性与随机性导致的风电并网问题，也为了提高风电利用率、推动新型可再生能源的发展，考虑将风电与水电结合，两者具有良好的互补性，水库库容调节能力与水电快速响应特性可以及时跟踪补偿风电出力变化，削弱风电出力波动性对公共电网的不利影响，风电与水电的协调运行是促进风电消8
纳、提升资源优化配置能力的有效途径。风速、径流预报是风水发电中期协调调度的重要输入信息，对风水发电调度决策制定起到关键支撑作用，然而，气象预报存在不确定性，并且气象预报的不确定性随着预见期的增大，其不确定性也在不断增大，这种不确定性的变化会影响调度决策方案的科学性、准确性。考虑到这种不确定性的影响，本文提出气象预报不确定性累积模型，从气象预报的不确定性随预见期增长的特点出发，本文通过定义预报演进量，推导了考虑预报不确定性累积的气象参量的分布特征，用于描述气象预报不确定性随预见期增长的相关关系；同时兼顾风电、水电自身效益及风水联合出力平稳性、水电弃水等目标，在各个运行约束下，构建了风水发电中期协调模型，并通过算例验证模型的有效性。利用本文所搭建的模型可提高风水资源在中期时间段尺度上调度决策的科学性，对于促进新能源消纳、提升资源优化配置能力具有重要意义。
论文后续章节安排如下：
第2章研究气象预报不确定性累积模型。搭建了气象预报不确定性累积模型，气象预报是风水发电调度的关键支撑环节，考虑到气象预报的不确定性直接影响到风力发电与水力发电的输出功率，从气象预报的不确定性随预见期增长的特点出发，分析气象预报的演进过程，提出不确定性累积模型的搭建条件与假设，通过定义预报演进量，推导了考虑预报不确定性累积的气象参量的分布特征，用于描述气象预报不确定性随预见期增长的相关关系，为后续的基于气象预报不确定性累积模型的风水发电出力模型的建立以及风水发电的优化调度打下基础。
第3章研究基于预报不确定性累积模型的风水发电出力模型。以第2章搭建的预报不确定性累积模型为基础，建立了风电出力模型与水电出力模型，风电出力情况的预估主要依据预报风速、风电机组额定出力等数据，风电机组的输出功率特性决定了其出力模型为混合型随机变量模型，需要计算风机输出功率概率密度函数并计算其期望值，最终得到风电机组出力情况；水电出力情况的预估主要依据水库库容、径流等数据，以MGF矩母函数为工具根据水库径流预报模型计算得到实际径流情况，最终得到水轮机组出力情况。根据风电水电出力的特征及规律，分析了风电资源以及水电资源这两种天然资源的互补特性，利用风水联合运行，促进新能源的消纳，提升资源优化配置水平。
第4章研究基于预报不确定性累计模型的风水发电优化调度。充分考虑气象预报不确定性对调度决策的影响，基于气象预报不确定性累积模型对风水联合发电优化调度进行研究，在协调模型的目标函数中，针对现有研究较少关注水电自身效益以及弃水严重的问题，除了风水联合出力的平稳性外，同时考虑了水电弃水与水电保证出力两种因素，水电在补偿风电波动的同时兼顾自身的效益，通过矩母函数求解累计净流的近似随机变量，将库容机会约束转化为确定性等价类形式以便于模型求解，算例分析采用遗传算法对机会约束置信度、径流预报演进量方差以及预见期对协调效果的影响进行了分析，验证了本文所提出的气象预报不确定性累积模型在风水中期联合调度中的有效性。
第5章是论文的主要结论和后续研究展望。
