2023年2月27日，《Electric Power Systems Research》（SCI国际期刊JCR二区，影响因子：3.818）在线发表了我院2020级水利水电工程专业（卓越工程师班）本科生汪俊松的研究成果，阐述了关于新能源消纳、抽水蓄能等方面的研究进展。该成果是基于我院大学生创新创业项目《基于深度学习与智能优化的海上风电场与抽水蓄能机组的实时协同控制研究》完成（项目编号：S202210486145，指导教师：殷秀兴教授，项目组成员：汪俊松、蔡闻达、刘宇槺）。

新能源发电是构建清洁低碳能源体系不可或缺的一部分，充分利用和大力开发风、光、水等可再生能源资源禀赋是我国在2060年前实现碳中和目标的重要途径。然而，受限于风电固有的间歇性、不可控发电特性，以及其他因素，新能源消纳问题一直十分突出，特别是伴随并网规模的快速扩大，巨大的灵活性需求带来的弃电风险、高比例清洁能源系统安稳运行等问题越来越突出。抽水蓄能是国际上破解新能源消纳难题的可行和有效途径之一，核心在于通过水电灵活性电源对电网进行调峰、填谷、备用、调频、调相，以提高电网电能运行质量和可靠性。

研究团队以DNN（Deep Neural Network）神经网络为基础，提出了一种可再生能源联合发电系统——基于深度学习与智能优化的风电-抽水蓄能-氢储能联合运行系统（图1）。首先，为了解决风电的随机性与不可控性，该团队提出了一种基于DNN神经网络的风力发电模型，以仿真模拟的数据为基础，对其进行训练，以此来预测在特定风速和风向下，风力发电机组的发电功率。

图1风-水-氢联合运行发电示意图

图2三组风电机组发电模型

图3神经网络示意图

其次，为了提高发电系统的稳定程度，减小发电系统的波动的同时追求经济效益最大化，该团队使用抽水蓄能机组（如图4）对电网进行调节，同时引入氢气储能提高经济效益。最后，该团队采用基于多目标的遗传算法针对风电机组排布、电解槽与抽水蓄能电站的基本参数对系统进行优化设计，最终各时刻系统各部分出力情况如下图5：

图4抽水蓄能机组示意图

图5每个时刻各系统出力情况

通过研究表明，该团队提出的发电模型能有效解决新能源消纳问题，降低电力系统的波动，提高电力系统稳定性，同时兼顾经济效益。与此同时，该团队针对含有三组风电机组和九组风电机组的发电系统进行优化设计，试验结果表明，该团队提出的模型在两种系统均能产生效应，充分说明了该模型的普适性、可发展性和可推广性。

图6优化前后功率波动对比图

研究团队主要创新点为：

（1）对于风力发电的预测，该团队摆脱了仅只针对风场自身特性进行预测，同时考虑了风电机组尾流影响等实际因素。

（2）该团队没有采用三次样条插值、Hermite插值等传统数学方法，而是采用了DNN神经网络进行深度学习的预测。

（3）该团队研究了海上风电-抽水蓄能及制氢系统的动态模型，提出了一种基于系统的整体协同设计与调度方法，实现了整体层面的协同运行。

论文连接：https://doi.org/10.1016/j.epsr.2023.109216。

（编辑：黄晓羽  审核：严鹏）