陶詩洋, 洪沅伸，張?zhí)斐?，仝? 王馨，蔡宏偉

(國網(wǎng)北京市電力公司電力科學(xué)研究院, 北京市 100075)

0 引 言

新能源發(fā)電對于降低電力系統(tǒng)的碳排放，實現(xiàn)電網(wǎng)的低碳調(diào)度具有重要意義[1]。國際能源署預(yù)計2020年全球風(fēng)電與光伏裝機容量較2019年將分別增加超過65 GW和107 GW[2]。風(fēng)電和光伏等新能源具有發(fā)電過程中零碳排放和零邊際成本等優(yōu)點，未來必將成為電力系統(tǒng)的主要電源。截至2020年底，中國風(fēng)電和光伏裝機均已突破250 GW[3]。新能源出力的波動性和不確定性給電力系統(tǒng)的運行帶來了新挑戰(zhàn)。隨著電力系統(tǒng)中新能源滲透率的不斷提高，常規(guī)機組的占比逐漸降低，導(dǎo)致系統(tǒng)的備用緊張。因此，電力系統(tǒng)必將從現(xiàn)在的新能源優(yōu)先消納的運行方式轉(zhuǎn)換為“源-網(wǎng)-荷”協(xié)同的高效靈活運行方式[4-5]。如何利用源-荷側(cè)多種靈活備用資源的調(diào)節(jié)潛力，平抑新能源出力的不確定性成為電力系統(tǒng)調(diào)度的熱點問題。多靈活備用資源是指電力系統(tǒng)中電源側(cè)和負荷側(cè)能夠增加系統(tǒng)電力運行靈活性，服務(wù)于系統(tǒng)動態(tài)供需平衡的資源。電力系統(tǒng)能夠通過靈活備用資源的快速調(diào)控，實現(xiàn)不確定性事件發(fā)生后系統(tǒng)的功率平衡。

在電源側(cè)，新能源滲透率不斷升高，并且常規(guī)機組的投入逐漸降低，因此需要開發(fā)新的靈活備用的提供者。事實上，當新能源的計劃輸出低于其潛在發(fā)電輸出時，其有能力在短時間內(nèi)提高或降低其出力。目前，已有學(xué)者針對風(fēng)電提供備用展開了研究。文獻[6]指出風(fēng)電場可以通過風(fēng)機降載或者風(fēng)機快速啟停來提供備用容量。文獻[7]基于“風(fēng)機降載”定量描述風(fēng)電備用。文獻[8]指出風(fēng)力發(fā)電機的調(diào)節(jié)能力使風(fēng)力發(fā)電能夠以積極的方式提供運行儲備。此外，能源市場偶爾出現(xiàn)的低電價刺激風(fēng)電供應(yīng)商通過參與輔助市場來尋求良好的利潤。文獻[6]建立了風(fēng)電參與系統(tǒng)備用的優(yōu)化模型，但忽略了風(fēng)電備用的不確定性。文獻[9]通過場景法考慮了風(fēng)電備用的不確定性，但其沒有考慮風(fēng)電場參與系統(tǒng)的再調(diào)度。需求響應(yīng)(demand response，DR)作為一種負荷側(cè)的靈活性資源得到了廣泛的研究。DR包括價格型和激勵型兩種。基于電價的DR通過電價引導(dǎo)負荷側(cè)用戶調(diào)整負荷需求，這種調(diào)整是自愿的，因此基于電價的DR是一種不可調(diào)度的DR資源[10]?；诩畹腄R(incentive-based demand response，IDR)需要參與用戶與DR代理商簽訂合同，明確用戶負荷削減量、補償?shù)认嚓P(guān)細節(jié)，IDR因涉及懲罰用戶響應(yīng)度較高，可看作是可調(diào)度的DR資源[11]。文獻[12]提出了計及需求響應(yīng)的魯棒優(yōu)化調(diào)度方法。文獻[13]建立了基于供需雙側(cè)互動的隨機機組組合模型。

當考慮到電力系統(tǒng)中的不確定性時，以適當?shù)姆绞浇：徒鉀Q它們是很重要的。隨機規(guī)劃是應(yīng)對新能源發(fā)電不確定性的處理方法之一。隨機優(yōu)化方法可以分為兩大類：一種是基于場景分析的隨機優(yōu)化法[14]，另一種是基于機會約束的隨機規(guī)劃[15]。這兩種方法都是通過概率分布來描述新能源出力的不確定性，但是新能源預(yù)測誤差的概率分布是較難得到的。在機會約束規(guī)劃模型中，由于概率約束的存在，其求解存在一定的困難?；趫鼍胺治龅碾S機優(yōu)化方法需要生成大量場景來模擬新能源出力，應(yīng)用較多的場景生成方法有蒙特卡洛法、拉丁超立方抽樣[16]、場景樹法[17]以及動態(tài)場景生成方法[18]?；趫鼍吧煞椒?，兩階段隨機規(guī)劃模型被提出[19]。兩階段隨機優(yōu)化模型是一種日前-實時的優(yōu)化模型，該方法在不確定性出現(xiàn)前做出決策，并且在決策過程中考慮了隨機變量的不確定性[20-21]。

在現(xiàn)有的研究中，同時考慮源-荷多靈活備用資源的發(fā)電-備用調(diào)度研究還較少。基于已有的研究，本文建立兩階段隨機發(fā)電-備用調(diào)度模型，以充分發(fā)揮多靈活備用資源對提升電力系統(tǒng)運行靈活性的作用。首先生成風(fēng)電和光伏出力場景，定義風(fēng)電并網(wǎng)容量系數(shù)和光伏并網(wǎng)系數(shù)，建立新能源出力可變的不確定場景模型。然后，建立常規(guī)機組、需求響應(yīng)以及風(fēng)電/光伏的備用模型。最后，基于兩階段隨機優(yōu)化方法建立考慮多靈活備用資源的備用調(diào)度模型。算例分析部分基于改進的IEEE RTS-24系統(tǒng)測試所提模型的有效性。

1 新能源出力不確定場景建模

本文采用隨機優(yōu)化方法來考慮系統(tǒng)中的不確定性。隨機優(yōu)化方法通過場景來刻畫新能源出力的不確定性。文獻[18]提出一種動態(tài)場景生成方法，該方法考慮隨機變量相關(guān)性。首先采用動態(tài)場景生成法來生成大量隨機場景。然后，采用K-menas方法將生成的初始場景縮減到較少的具有代表性的場景。

1.1 考慮風(fēng)電并網(wǎng)容量的可變場景建模

風(fēng)電機組的出力p和風(fēng)速的關(guān)系可以用式(1)表示：

(1)

式中：p(·)為風(fēng)機的輸出功率；v為預(yù)測風(fēng)速；vin為切入風(fēng)速；vout為切出風(fēng)速；vR為額定風(fēng)速；pR為風(fēng)機額定功率。

風(fēng)電出力的不確定性主要源于風(fēng)速的不確定性，首先基于場景生成法生成大量的風(fēng)速場景，如式(2)所示：

(2)

式中：s1，…，sN表示風(fēng)速隨機場景；vw,t,N表示場景N下風(fēng)電場w在t時段的風(fēng)速。

風(fēng)電場的出力等于風(fēng)電場內(nèi)所有風(fēng)機出力之和。基于風(fēng)速場景可進一步得到風(fēng)電場出力的不確定場景如式(3)所示：

(3)

文獻[22]指出風(fēng)電并網(wǎng)容量變化會改變其出力的不確定性。本節(jié)定義風(fēng)電并網(wǎng)容量系數(shù)χw,t，其可描述為：風(fēng)電場并網(wǎng)機組裝機容量總和與其總裝機容量的比值。通過風(fēng)電并網(wǎng)容量系數(shù)可以近似描述并網(wǎng)風(fēng)機數(shù)量變化對風(fēng)電場出力的影響?；陲L(fēng)機并網(wǎng)系數(shù)的可變風(fēng)電場景如式(4)所示：

(4)

式中：χw,t表示風(fēng)電場w在t時段的并網(wǎng)容量比例。

1.2 考慮光伏并網(wǎng)面積的可變不確定場景建模

光照是光伏電站出力的決定因素，某一時刻的太陽輻照強度直接影響光伏電站的出力。光伏發(fā)電的一般模型如式(5)所示：

Pp,t=ηpv·Ap,tSp,t

(5)

式中：Pp,t表示t時刻光伏電站p的出力；ηpv表示光伏系統(tǒng)的光電轉(zhuǎn)化效率；Ap,t為光伏電站p并網(wǎng)光伏系統(tǒng)的面積；Sp,t表示光伏電站p的光照強度。

根據(jù)式(5)可以看出改變并網(wǎng)光伏系統(tǒng)面積，光伏電站的出力和不確定性均會改變。本節(jié)定義光伏并網(wǎng)系數(shù)γp,t為并網(wǎng)光伏系統(tǒng)面積和光伏系統(tǒng)總面積的比值?；诠夥⒕W(wǎng)系數(shù)的光伏出力場景如式(6)所示：

(6)

2 源-荷多靈活備用資源建模

2.1 常規(guī)機組備用模型

在傳統(tǒng)的電力系統(tǒng)的運行中，風(fēng)電/光伏出力具有不確定性，需要系統(tǒng)提供備用來應(yīng)對這些不確定性，這些備用主要由火電機組提供。常規(guī)發(fā)電機組的出力與備用約束如式(7)—(10)所示：

(7)

(8)

(9)

(10)

2.2 基于激勵型需求響應(yīng)的需求側(cè)備用模型

參與IDR的負荷用戶由代理商統(tǒng)一管理，DR代理商向調(diào)度中心提交次日不同切負荷量水平下的切負荷補償價格，調(diào)度中心根據(jù)DR代理商提供的切負荷競價及系統(tǒng)運行條件來進行調(diào)度。負荷側(cè)的IDR通過切負荷也可以在調(diào)度中降低系統(tǒng)的備用需求，也可以看作是系統(tǒng)的一種靈活性備用資源。圖1展示了IDR的報價曲線，給出了不同IDR響應(yīng)等級下切負荷量與切負荷價格的關(guān)系。IDR的備用模型具體如下所示[13]：

(11)

Rk,d=Dk,d-Dk-1,d

(12)

ξk,d,t≥ξk-1,d,t

(13)

式中：下標d表示負荷代理商編號；Id,t為負荷側(cè)需求響應(yīng)備用；Rk,d表示第k級的切負荷量；ξk,d,t為0-1變量，ξk,d,t=1表示投入第k級切負荷；Dk,d為第k級切負荷點。

圖1 激勵型DR報價曲線Fig.1 Bidding curve of IDR

代理商d的切負荷補償備用補償價格Cd,t和不確定場景下的切負荷價格Cd,t,s分別如式(14)、(15)所示：

(14)

(15)

2.3 風(fēng)電/光伏備用模型

當風(fēng)電場內(nèi)部分風(fēng)機并網(wǎng)時，另一部分停運風(fēng)機可以快速并網(wǎng)為系統(tǒng)提供上調(diào)備用。同時，風(fēng)電場通過風(fēng)機退出運行可以提供下調(diào)備用。風(fēng)電場w的計劃出力Pw,t如式(16)所示，風(fēng)電場可以提供的上調(diào)和下調(diào)備用如式(17)—(20)所示：

(16)

(17)

(18)

(19)

(20)

由于風(fēng)電出力具有不確定性，所以不確定場景下風(fēng)電場提供的備用容量與期望場景下不同。通過定義上調(diào)和下調(diào)備用系數(shù)，可以得到不同風(fēng)電出力場景下風(fēng)電場可提供的備用，如式(21)—(22)所示。

(21)

(22)

與風(fēng)電場類似，當光伏電站內(nèi)部分光伏系統(tǒng)并網(wǎng)時，另一部分停運光伏系統(tǒng)可以并網(wǎng)為系統(tǒng)提供上調(diào)備用。同時，光伏系統(tǒng)退出運行可以為系統(tǒng)提供下調(diào)備用。光伏電站p的計劃出力Pp,t如式(23)所示，光伏電站提供的上調(diào)和下調(diào)備用如式(24)—(27)所示。不確定場景下光伏電站可提供的備用如式(28)—(29)所示：

(23)

(24)

(25)

(26)

(27)

(28)

(29)

3 計及源-荷多靈活備用的隨機備用調(diào)度

基于第1節(jié)的新能源出力場景模型和第2節(jié)的多靈活性資源備用模型，本節(jié)建立了考慮日前-日內(nèi)的兩階段隨機調(diào)度模型。該模型在日前階段制定機組組合與備用方案。在日內(nèi)階段充分考慮各種不確定性，通過調(diào)用各種靈活備用資源來平衡系統(tǒng)的實時功率，降低系統(tǒng)的棄風(fēng)/棄光或切負荷量，提高系統(tǒng)運行的可靠性。

3.1 目標函數(shù)

目標包括日前和日內(nèi)兩階段的成本，日前階段的成本包括發(fā)電成本和備用成本。日內(nèi)階段的成本包括再調(diào)度成本和懲罰成本。再調(diào)度成本為各場景下常規(guī)機組、風(fēng)電場/光伏電站以及IDR的再調(diào)度期望成本；懲罰成本包括各場景下的棄風(fēng)、棄光以及非自愿切負荷的期望成本。目標函數(shù)如式(30)：

(30)

3.2 第一階段約束

第一階段為日前的預(yù)調(diào)度過程，在滿足系統(tǒng)和機組運行約束的情況下安排系統(tǒng)的調(diào)度計劃和備用計劃。約束包括：

1)系統(tǒng)功率平衡約束如式(31)所示：

(31)

式中：Dd,t表示節(jié)點d在t時刻的負荷。

2)常規(guī)機組的出力上下限約束及備用約束如(7)—(10)所示。常規(guī)機組開停機時間約束如式(32)—(33)所示：

(Hon,g,(t-1)-Ton,g)·(ig,(t-1)-ig,t)≥0

(32)

(Hoff,g,(t-1)-Toff,g)·(ig,t-ig,(t-1))≥0

(33)

式中：Hon,g,t、Hoff,g,t表示機組已經(jīng)連續(xù)開機和停機的時間；Ton,g、Toff,g表示機組開機和停機時間約束。

3)常規(guī)機組開停機成本約束如式(34)—(36)所示：

(34)

Ug,t≥ug·ug,t,ug≥0

(35)

Dg,t≥dg·υg,t,dg≥0

(36)

式中：ug,t為機組開機變量，為0-1變量，若ug,t=1，表示機組開機；υg,t為機組停機變量，若υg,t=1，表示機組關(guān)機；ug和dg表示開停機成本。

4)常規(guī)機組的爬坡約束如式(37)—(38)所示：

(37)

(38)

5)輸電線路的傳輸容量約束如式(39)所示：

(39)

6)風(fēng)電場出力約束和光伏電站出力約束分別如式(40)和式(41)所示：

(40)

(41)

式中：Pw,t、Pp,t分別為風(fēng)電、光伏計劃出力。

7)此外，還包括風(fēng)電場/光伏電站備用約束式(16)—(29)；IDR約束(11)—(13)。

3.3 第二階段約束

第二階段為日內(nèi)不確定場景下的再調(diào)度過程，通過利用系統(tǒng)中的靈活備用資源以實現(xiàn)系統(tǒng)的功率平衡。約束包括：

1)不確定場景下的功率平衡約束如式(42)所示：

(42)

2)常規(guī)機組再調(diào)度以及出力上下限約束如式(43)—(47)所示，機組爬坡約束如式(48)—(49)所示：

(43)

(44)

(45)

(46)

(47)

(48)

(49)

3)風(fēng)電場再調(diào)度約束如式(50)—(52)所示，光伏電站再調(diào)度約束如式(53)—(55)所示，不確定場景下DR代理商實際切負荷約束如式(56)—(57)所示：

(50)

(51)

(52)

(53)

(54)

(55)

(56)

0≤Id,t,s≤Id,t

(57)

4)輸電線路傳輸容量約束如式(58)所示：

(58)

5)不確定場景下的棄風(fēng)、棄光、非自愿切負荷約束如式(59)—(61)所示：

(59)

(60)

(61)

(62)

圖2 兩階段隨機備用調(diào)度模型的求解流程Fig.2 Solving process of the two-stage stochastic reserve scheduling model

4 算例分析

本節(jié)采用改進的IEEE RTS-24系統(tǒng)進行算例分析，以驗證所提出模型的有效性。對標準的IEEE RTS-24系統(tǒng)進行了部分修改，在節(jié)點16接入一個風(fēng)電場，節(jié)點11接入一個光伏電站。常規(guī)機組參數(shù)見附錄中表A1。系統(tǒng)中有17個DR代理商。預(yù)測風(fēng)電和光伏發(fā)電如圖3所示。風(fēng)電和光伏發(fā)電的備用價格設(shè)置為5美元/(MW·h)，約為常規(guī)機組的三分之一，參考自文獻[9]。負荷聚合商參與IDR調(diào)度的分段報價參數(shù)如表1所示，棄風(fēng)、棄光懲罰設(shè)置為100美元/(MW·h)，非自愿切負荷懲罰設(shè)置為500美元/(MW·h)，參考自文獻[10]。

圖3 預(yù)測風(fēng)電和光伏發(fā)電數(shù)據(jù)Fig.3 Forecast data of wind power and photovoltaic power

表1 激勵型DR參數(shù)Table 1 Parameters of IDR

4.1 兩階段調(diào)度結(jié)果分析

首先生成500組風(fēng)電和光伏隨機場景，然后采用K-means法分別將風(fēng)電場景和光伏場景削減為5個場景。將削減后的風(fēng)速和光照場景分別組合得到25個場景。為充分說明風(fēng)電場/光伏電站靈活運行和IDR對系統(tǒng)運行的影響，本節(jié)設(shè)置5組模型作為對比，模型定義如表2所示。其中，模型5為本文提出的計及源-荷多靈活備用資源的隨機優(yōu)化調(diào)度。

表2 對比模型設(shè)置Table 2 Settings of comparison models

表3給出了以上5個模型的仿真結(jié)果?？傮w來看，模型1總成本最高，棄風(fēng)懲罰也最高。計及風(fēng)電/光伏備用和IDR的隨機備用調(diào)度模型的總成本最低，這一結(jié)果說明協(xié)同優(yōu)化多備用資源提升了電力系統(tǒng)運行效率。下面對各組模型進行對比分析。

表3 5組模型的優(yōu)化結(jié)果Table 3 Optimization results of five models 美元

與模型1的不同的是，模型2采用了新能源出力可變不確定場景模型，風(fēng)電/光伏的隨機場景隨著風(fēng)電并網(wǎng)容量系數(shù)和光伏并網(wǎng)系數(shù)變化。圖4對比了模型1和模型2中風(fēng)電出力的不確定場景。

從圖4中可以看出，模型1基于日前預(yù)測風(fēng)電生成隨機場景，風(fēng)電的不確定性較高。模型2通過在日前計劃中減少并網(wǎng)風(fēng)機容量可以削弱風(fēng)電出力的不確定性和波動性，從而降低了系統(tǒng)的備用需求和棄風(fēng)量。風(fēng)電場減少并網(wǎng)容量會增加常規(guī)機組的出力，使得系統(tǒng)運行成本升高，但總成本有所降低。

圖4 模型1和模型2中風(fēng)電出力的不確定場景Fig.4 Uncertain scenarios of wind power output in model 1 and model 2

模型3、模型4、模型5分別考慮了風(fēng)電/光伏提供備用、IDR提供備用、以及風(fēng)電/光伏和IDR同時提供備用。圖5對比了模型1、模型3、模型4、模型5的備用優(yōu)化結(jié)果。從圖5中可以看出，模型3中的備用容量由常規(guī)機組和風(fēng)電場以及光伏電站提供，其中風(fēng)電場和光伏電站提供了較多的備用。在高比例新能源并網(wǎng)的電力系統(tǒng)中，火電機組備用不足的情況下，可以采用風(fēng)電場提供備用容量以緩解系統(tǒng)的備用壓力。模型4考慮了IDR備用，從圖5中看出IDR可為系統(tǒng)提供上調(diào)備用。當新能源出力低于預(yù)測出力時，系統(tǒng)需要提供上調(diào)備用以滿足電力平衡。在負荷側(cè)采用IDR模型主動降低用戶的負荷需求，從而降低系統(tǒng)的上調(diào)備用需求。模型5同時考慮了常規(guī)機組、風(fēng)電場、光伏電站以及IDR提供備用容量，有效地降低了系統(tǒng)對常規(guī)機組備用的需求。

表4給出了模型1、模型3、模型4、模型5的風(fēng)電/光伏計劃并網(wǎng)比例。雖然模型1和模型4的新能源計劃并網(wǎng)比例為100%，但是這增加了常規(guī)機組的備用成本，并且在不確定場景下的棄風(fēng)懲罰較高。模型3和模型5通過使一部分風(fēng)電和光伏發(fā)電處于待并網(wǎng)狀態(tài)來為系統(tǒng)提供上調(diào)備用，這導(dǎo)致風(fēng)電和光伏的并網(wǎng)比例降低，但是不確定場景下的棄風(fēng)懲罰卻遠低于模型1和模型3。相較于模型3，模型5中考慮負荷側(cè)需求響應(yīng)，IDR可以為系統(tǒng)提供上調(diào)備用，降低了風(fēng)電提供上調(diào)備用的需求，增大了風(fēng)電消納比例。

圖5 4種模型的備用優(yōu)化結(jié)果 Fig.5 Reserve optimization results of four models

表4 各模型的新能源消納比例Table 4 Consumption rates of new energy power of five models %

4.2 常規(guī)電源備用短缺時的調(diào)度結(jié)果分析

隨著電力系統(tǒng)中新能源比例的提高，常規(guī)機組比例降低，系統(tǒng)的備用壓力增加。為了模擬常規(guī)機組備用容量不足，將常規(guī)機組可提供的最大備用降低為其一半。表5給出了系統(tǒng)備用緊張情況下模型1和模型5的調(diào)度結(jié)果。

從表5中可以看出，當常規(guī)機組可提供的備用容量不足時，相較于表3中的運行結(jié)果，模型1的運行成本、棄風(fēng)懲罰以及非自愿切負荷懲罰都進一步增加。而模型5考慮了多種靈活性資源提供備用容量，因此模型5的運行成本和不確定場景下的棄風(fēng)、棄光以及切負荷懲罰都沒有變化?？梢钥闯隹紤]新能源和負荷側(cè)需求響應(yīng)提供備用可以緩解系統(tǒng)的備用壓力，保證系統(tǒng)靈活運行。

表5 考慮常規(guī)機組備用不足的的優(yōu)化結(jié)果Table 5 Optimization results considering insufficient conventional unit reserve 美元

4.3 隨機優(yōu)化模型計算精度和時間分析

在隨機優(yōu)化模型中，場景的數(shù)量對模型的計算精度和時間有重要的影響。若輸入場景數(shù)目過多，則會大大增加計算時間。因此常采用場景削減方法對大量場景進行削減，以提高計算效率。為明確輸入場景數(shù)對計算結(jié)果的精度、計算時間的影響，本節(jié)以模型5為例，分析了不同場景數(shù)下的計算結(jié)果和時間。首先對生成的初始風(fēng)速和光照場景進行削減，分別削減為5、6、7、8、9、10個場景。然后將風(fēng)速場景和光照場景結(jié)合，共生成5組場景，每組場景的場景數(shù)分別為25、36、49、64、81、100。圖6統(tǒng)計了模型計算結(jié)果(運行成本)和計算時間隨場景數(shù)遞增的變化曲線。從圖6中可以看出隨著場景數(shù)量的增加，系統(tǒng)的運行成本略有增加，但計算時間卻顯著增加，且呈現(xiàn)出指數(shù)增長的趨勢。因此對場景進行削減可以在保證一定計算精度的同時，提高計算效率。此外，本文考慮了風(fēng)電場和光伏電站出力的不確定性，因為不同新能源場站的出力隨機性不同，因此考慮多個新能源場站出力的不確定性將會導(dǎo)致場景數(shù)呈現(xiàn)指數(shù)增長，這導(dǎo)致計算時間顯著增長。

圖6 運行成本和計算時間隨場景數(shù)的變化Fig.6 Change of operation result and calculation time with the number of scenarios

5 結(jié) 論

為緩解高比例新能源發(fā)電給電力系統(tǒng)帶來的備用需求壓力，本文提出了一種考慮源-荷多靈活備用資源的隨機優(yōu)化調(diào)度模型，通過算例分析得出以下結(jié)論：

1) 相較于僅依靠常規(guī)機組提供備用，充分發(fā)揮源-荷多靈活備用資源的調(diào)節(jié)能力將系統(tǒng)的總運行成本降低了15.1%，不確定場景下的棄風(fēng)和棄光懲罰降低了67.8%。

2) 基于考慮風(fēng)電并網(wǎng)容量和并網(wǎng)光伏面積的可變場景模型，更合理地描述了新能源出力的不確定性。未來新能源將成為電力系統(tǒng)的主要電源，新能源參與系統(tǒng)備用服務(wù)提供的上調(diào)備用比例為41%，下調(diào)備用比例為92%，這有效緩解了系統(tǒng)的備用壓力。

3) 激勵型DR可以在系統(tǒng)上調(diào)備用不足的情況下主動削減負荷，這相當于需求側(cè)資源為系統(tǒng)提供上調(diào)備用，其在系統(tǒng)的上調(diào)備用中的占比為57%。DR參與系統(tǒng)的備用服務(wù)顯著增加了系統(tǒng)的運行靈活性。

4) 隨著新能源出力場景數(shù)的增加，模型的求解時間呈現(xiàn)指數(shù)增長的變化規(guī)律。通過合理的場景削減，可以有效提高計算效率。當場景數(shù)從100減少到25，模型的求解時間降低了93.5%，且計算結(jié)果變化不大。

大容量儲能在提供快速調(diào)節(jié)能力以應(yīng)對新能源發(fā)電不確定性方面?zhèn)涫荜P(guān)注。在下一步的工作中將進一步研究包含儲能在內(nèi)的源-荷-儲多靈活備用資源對于促進新能源消納的方面的作用和價值。