CN102709952B - 一种确定电网中各机组的有功功率的方法和系统 - Google Patents

Abstract

本发明涉及一种确定电网中各机组的有功功率的方法和系统。电网由火电机组和风电机组联网构成，具有T个工作时段，该方法包括：确定预参数、各时段的约束参量、各向量的第1次迭代值，设定迭代总数；从1起递增迭代次数k；确定各时段t内的各有功功率向量和有功功率速度向量的各次迭代值，使各分量均满足考虑了风电机组随机性的约束条件；根据目标函数公式计算T个时段内目标函数的各迭代值，在此基础上确定各有功功率向量的历史最优迭代向量，并确定全局最优迭代向量φ_g；在k超过(K-1)时，将φ_g各时段中的各分量作为相应机组的工作有功功率。本发明能合理调配火电机组和风电机组的有功功率，满足不同时段的有功功率需求。

Description

一种确定电网中各机组的有功功率的方法和系统

技术领域

本发明涉及电力电网技术领域，特别是涉及一种确定电网中各机组的有功功率的方法和系统。

背景技术

传统的电网指的是单纯由火电机组构成的电力网络，这种电力电网系统的发电量与耗费的燃料量成正比，因而伴随着大量化石能源的消耗以及污染的产生。为了降低能耗和污染，目前世界各国正在大力发展太阳能、风能等新能源，因而电网的构造逐渐由以火电为主转向多种发电机组并网。

不同发电机组的并网带来了以前以火电为主的电网所没有的问题，即如何对不同发电机组的功率进行调配的问题。由于大自然中的风是捉摸不定的，其风力具有很大的随机性，时强时弱，时有时无，因而风电机组的输出有功功率是不稳定的，而火电机组的输出有功功率则是稳定的，这样，在一个由火电机组和风电机组联网构成的电网中，必须比以前的电网储备更多的备用电能来应对风电机组输出有功功率的随机性变化，而且风电机组的有功功率在电网总有功功率中所占的比重越大，需要的备用电能的量也就越大，这大大限制了风电在电网中所占比重的上升，同时也大大影响了电网的经济效益和环境效益。

发明内容

本发明所要解决的技术问题是提供一种确定电网中各机组的有功功率的方法和系统，能合理调配火电机组和风电机组的有功功率，以满足不同时段的有功功率需求。

本发明解决上述技术问题的技术方案如下：一种确定电网中各机组的有功功率的方法，所述电网由M台火电机组和N台风电机组联网构成，具有T个工作的时段，第m台火电机组在时段t内的有功功率为P₁(m，t)，第n台风电机组在时段t内的有功功率为P₂(n，t)，其中，M、N、T均为不小于1的自然数，t为1与T之间的自然数，m为1与M之间的自然数，n为1与N之间的自然数；该方法包括：

步骤a：确定每台火电机组的燃料消耗量与有功功率之间的对应关系、每台火电机组的污染物排放量与有功功率之间的对应关系、所述燃料的单位价格P_g1、所述污染物单位排放量的排放许可价P_g2、火电机组单位有功功率的联网收益P_g3、风电机组单位有功功率的联网收益P_g4、第m台火电机组的额定有效功率P_R(m)和最大向下调峰容量P_max(m)、惯性因子ω、非负的学习因子c₁和c₂、位于0和1之间的随机常数r₁和r₂；确定各时段t内的以下参量：有功功率总需求P_D(t)、所述电网的有功功率网络损耗P_loss(t)、第m台火电机组的最大有功功率P_1max(m，t)与最小有功功率P_1min(m，t)、风电机组的有功功率的预测值P_e(t)、第i个(M+N)维有功功率速度向量的第1次迭代值V_i(1，t)；设定最大迭代次数K和有功功率向量的总数H；

步骤b：设置迭代次数k＝1；确定各时段t内的H个(M+N)维有功功率向量的第1次迭代值，使每个所述有功功率向量的第1次迭代值中的每个有功功率分量均满足约束条件；其中，每个所述有功功率向量均为M台火电机组的有功功率与N台风电机组的有功功率共同构成的向量，第i个所述有功功率向量的第1次迭代值记为X_i(1，t)，i为1与H之间的自然数；

所述约束条件包括：

容量约束条件：P_1min(m，t)≤P₁(m，t)≤P_1max(m，t)；

0≤P₂(n，t)≤P_e(t)；

平衡约束条件：

风电场有功功率变化量约束条件：

$0\≤{\mathrm{\ΔP}}_{2\mathrm{\Σ}}\left(t\right)\≤\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_1(m,t-1)-[\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_R\left(m\right)-\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_{\max }\left(m\right)];$

其中，ΔP_2∑(t)为时段t内N台风电机组的有功功率之和的变化量；

根据所述每台火电机组的燃料消耗量与有功功率之间的对应关系以及X_i(1，t)，确定各时段t内与X_i(1，t)对应的所述燃料的总消耗量F_1i(1，t)；根据所述每台火电机组的污染物排放量与有功功率之间的对应关系以及X_i(1，t)，确定各时段t内与X_i(1，t)对应的污染物的排放总量F_2i(1，t)；根据X_i(1，t)确定各P₁(m，t)和各P₂(n，t)；根据

计算T个时段内与第i个有功功率向量对应的目标函数的第1次迭代值F_i(1)；将X_i(1，t)作为第i个有功功率向量的历史最优迭代向量φ_i，将i从1到H的范围内对应于最大的F_i(1)的有功功率向量作为全局最优迭代向量φ_g；

步骤c：根据V_i(k+1，t)＝ω·V_i(k，t)+c₁·r₁·[φ_i(k，t)-X_i(k，t)]+c₂·r₂·[φ_g(k，t)-X_i(k，t)]和X_i(k+1，t)＝X_i(k，t)+V_i(k+1，t)，分别确定各时段t内第i个所述有功功率速度向量的第(k+1)次迭代值V_i(k+1，t)和第i个所述有功功率向量的第(k+1)次迭代值X_i(k+1，t)；

步骤d：根据所述每台火电机组的燃料消耗量与有功功率之间的对应关系以及X_i(k+1，t)，确定各时段t内与X_i(k+1，t)对应的所述燃料的总消耗量F_1i(k+1，t)；根据所述每台火电机组的污染物排放量与有功功率之间的对应关系以及X_i(k+1，t)，确定各时段t内与X_i(k+1，t)对应的污染物的排放总量F_2i(k+1，t)；根据X_i(k+1，t)确定各P₁(m，t)和各P₂(n，t)；根据计算T个时段内与第i个有功功率向量对应的目标函数的第(k+1)次迭代值F_i(k+1)；将k从0到(K-1)的范围内已计算出的所有F_i(k+1)中的最大值所对应的有功功率向量作为φ_i；将i从1到H的范围内与最大的F_i(k+1)对应的φ_i作为φ_g；

步骤e：k的值增加1；

步骤f：判断k的值是否超过(K-1)，是则执行步骤g，否则执行步骤c；

步骤g：将φ_g各时段中的各有功功率分量作为相应火电机组或风电机组在相应时段t内的工作有功功率。

本发明的有益效果是：本发明中，由于预先确定出火电机组的额定有效功率和最大向下调峰容量，并预先确定出各时段t内的有功功率总需求、电网的有功功率网络损耗、火电机组的最大与最小有功功率以及风电机组有功功率的预测值，并根据这些预设值设置了容量约束条件、平衡约束条件和风电场有功功率变化量约束条件，使各有功功率向量的第1次迭代值满足上述约束条件，然后从各有功功率向量的第1次迭代值开始，进行(K-1)次循环迭代，最终确定出使T个时段的目标函数值达到最大的有功功率向量作为全局最优迭代向量，从而将其各时段中的各有功功率分量确定为相应火电机组或风电机组在相应时段t内的工作有功功率，因此，本发明充分考虑了风电机组与火电机组联网构成的电网在各时段不同的有功功率需求，在此基础上，通过(K-1)次向量迭代实现了有功功率向量的不断优化，最终得到了火电机组和风电机组在各时段的有功功率的最优值，因此，本发明能够合理调配火电机组和风电机组的有功功率，以满足不同时段的有功功率需求。

进一步，在步骤c之后，在步骤d之前，该方法进一步包括：步骤d0：判断X_i(k+1，t)中的每个有功功率分量是否均满足所述约束条件，是则执行步骤d，否则，修正X_i(k+1，t)，使其中的每个有功功率分量均满足所述约束条件，执行步骤d。

进一步，在所述步骤a中进一步确定第i个所述有功功率速度向量在时段t内的最大值V_imax(t)；则

步骤a中确定V_i(1，t)的方法为：确定V_i(1，t)，使其在-V_imax(t)与V_imax(t)之间；

在步骤c之后，该方法进一步包括：步骤d1：判断各V_i(k+1，t)是否在-V_imax(t)与V_imax(t)之间，是则执行步骤d，否则，修正V_i(k+1，t)，使其在-V_imax(t)与V_imax(t)之间，执行步骤d。

进一步，步骤b中确定各时段t内的H个(M+N)维有功功率向量的第1次迭代值的方法为：随机确定各时段t内的H个(M+N)维有功功率向量的第1次迭代值。

进一步，步骤a中设定H的方法为：根据(M+N)的值设定H，使其不小于(M+N)。

另外，本发明还提供了一种确定电网中各机组的有功功率的系统，所述电网由M台火电机组和N台风电机组联网构成，具有T个工作的时段，第m台火电机组在时段t内的有功功率为P₁(m，t)，第n台风电机组在时段t内的有功功率为P₂(n，t)，其中，M、N、T均为不小于1的自然数，t为1与T之间的自然数，m为1与M之间的自然数，n为1与N之间的自然数；该系统包括：参数设定模块、向量迭代模块、目标函数与最优迭代向量确定模块、判断模块；其中，

所述参数设定模块用于，存储每台火电机组的单位有功功率所对应的燃料消耗量和污染物排放量、所述燃料的单位价格P_g1、所述污染物单位排放量的排放许可价P_g2、火电机组单位有功功率的联网收益P_g3、风电机组单位有功功率的联网收益P_g4、第m台火电机组的额定有效功率P_R(m)和最大向下调峰容量P_max(m)、惯性因子ω、非负的学习因子c₁和c₂、位于0和1之间的随机常数r₁和r₂；设定最大迭代次数K和有功功率向量的总数H；设定各时段t内的以下参量：有功功率总需求P_D(t)、所述电网的有功功率网络损耗P_loss(t)、第m台火电机组的最大有功功率P_1max(m，t)与最小有功功率P_1min(m，t)、风电机组的有功功率的预测值P_e(t)、H个(M+N)维有功功率向量的第1次迭代值、第i个(M+N)维有功功率速度向量的第1次迭代值V_i(1，t)，其中，每个所述有功功率向量均为M台火电机组的有功功率与N台风电机组的有功功率共同构成的向量，第i个所述有功功率向量的第1次迭代值记为X_i(1，t)，i为1与H之间的自然数；将所述有功功率向量的第1次迭代值发送到所述判断模块、向量迭代模块、目标函数与最优迭代向量确定模块；将V_i(1，t)发送到所述向量迭代模块；

所述向量迭代模块用于，从所述参数设定模块读取ω、c₁、c₂、r₁、r₂、H；根据所述迭代信号增加迭代次数k，使k从1开始递增，每次增加1，并将k的值发送到所述判断模块；根据V_i(k+1，t)＝ω·V_i(k，t)+c₁·r₁·[φ_i(k，t)-X_i(k，t)]+c₂·r₂·[φ_g(k，t)-X_i(k，t)]和X_i(k+1，t)＝X_i(k，t)+V_i(k+1，t)，分别确定各时段t内第i个所述有功功率速度向量的第(k+1)次迭代值V_i(k+1，t)和第i个所述有功功率向量的第(k+1)次迭代值X_i(k+1，t)，并将X_i(k+1，t)发送到所述目标函数与最优迭代向量确定模块；

所述目标函数与最优迭代向量确定模块用于，从所述参数设定模块读取每台火电机组的单位有功功率所对应的燃料消耗量和污染物排放量、P_g1、P_g2、P_g3、P_g4、H；根据所述每台火电机组的单位有功功率所对应的燃料消耗量和X_i(1，t)，确定各时段t内与X_i(1，t)对应的所述燃料的总消耗量F_1i(1，t)；根据所述每台火电机组的单位有功功率所对应的污染物排放量和X_i(1，t)，确定各时段t内与X_i(1，t)对应的污染物的排放总量F_2i(1，t)；根据X_i(1，t)确定各P₁(m，t)和各P₂(n，t)；根据

计算T个时段内与第i个有功功率向量对应的目标函数的第1次迭代值F_i(1)；将X_i(1，t)作为第i个有功功率向量的历史最优迭代向量φ_i，将i从1到H的范围内对应于最大的F_i(1)的有功功率向量作为全局最优迭代向量φ_g；根据所述每台火电机组的单位有功功率所对应的燃料消耗量和X_i(k+1，t)，确定各时段t内与X_i(k+1，t)对应的所述燃料的总消耗量F_1i(k+1，t)；根据所述每台火电机组的单位有功功率所对应的污染物排放量和X_i(k+1，t)，确定各时段t内与X_i(k+1，t)对应的污染物的排放总量F_2i(k+1，t)；根据X_i(k+1，t)确定各P₁(m，t)和各P₂(n，t)；根据

计算T个时段内与第i个有功功率向量对应的目标函数的第(k+1)次迭代值F_i(k+1)；将k从0到(K-1)的范围内已计算出的所有F_i(k+1)中的最大值所对应的有功功率向量作为φi；将i从1到H的范围内与最大的F_i(k+1)对应的φ_i作为φ_g；根据所述输出通知信号，将φ_g各时段中的各有功功率分量作为相应火电机组或风电机组在相应时段t内的工作有功功率输出；

所述判断模块用于，从所述参数设定模块读取P_R(m)、P_max(m)、K、P_D(t)、P_loss(t)、P_1max(m，t)、P_1min(m，t)、P_e(t)；判断每个所述有功功率向量的第1次迭代值中的每个有功功率分量是否均满足约束条件，是则向所述向量迭代模块发送迭代信号，否则通知所述参数设定模块重新设定各时段t内所述有功功率向量的第1次迭代值；判断k的值是否超过(K-1)，是则向所述目标函数与最优迭代向量确定模块发送输出通知信号，否则向所述向量迭代模块发送迭代信号；其中，所述约束条件包括：

容量约束条件：P_1min(m，t)≤P₁(m，t)≤P_1max(m，t)；

0≤P₂(n，t)≤P_e(t)；

平衡约束条件：

风电场有功功率变化量约束条件：

其中的ΔP_2∑(t)为时段t内N台风电机组的有功功率之和的变化量。

在上述技术方案的基础上，本发明还可以做如下改进：

进一步，所述向量迭代模块进一步用于，将X_i(k+1，t)发送到所述判断模块；

所述判断模块进一步用于，判断X_i(k+1，t)中的每个有功功率分量是否均满足所述约束条件，是则向所述目标函数与最优迭代向量确定模块发送约束达标信号，否则，通知所述向量迭代模块对X_i(k+1，t)进行修正；

所述目标函数与最优迭代向量确定模块用于，根据所述约束达标信号，确定F_1i(k+1，t)、F_2i(k+1，t)。

进一步，所述参数设定模块进一步用于，存储第i个所述有功功率速度向量在时段t内的最大值V_imax(t)，并将其发送到所述判断模块；确定V_i(1，t)，使其在-V_imax(t)与V_imax(t)之间；

所述向量迭代模块进一步用于，将V_i(k+1，t)发送到所述判断模块；

所述判断模块进一步用于，判断各V_i(k+1，t)是否在-V_imax(t)与V_imax(t)之间，是则向所述目标函数与最优迭代向量确定模块发送速度达标信号，否则，通知所述向量迭代模块对V_i(k+1，t)进行修正；

所述目标函数与最优迭代向量确定模块用于，根据所述速度达标信号，确定F_1i(k+1，t)、F_2i(k+1，t)。

进一步，所述参数设定模块用于，随机确定各时段t内的H个(M+N)维有功功率向量的第1次迭代值。

进一步，所述参数设定模块用于，根据(M+N)的值设定H，使其不小于(M+N)。

附图说明

图1为本发明提供的确定电网中各机组的有功功率的系统结构图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

本发明提出了一种确定电网中各机组的有功功率的方法，该方法中所述的电网由M台火电机组和N台风电机组联网构成，具有T个工作的时段，其中，M、N、T均为不小于1的自然数。事实上，这T个时段构成了电网的一个工作周期。在不同时段中，风电机组的有功功率的预测值是不同的，因而输出的有功功率有所不同，这样，火电机组在不同时段输出的有功功率也是不同的。第m台火电机组在时段t内的有功功率记为P₁(m，t)，第n台风电机组在时段t内的有功功率记为P₂(n，t)，t为1与T之间的自然数，m为1与M之间的自然数，n为1与N之间的自然数；该方法包括：

步骤a：确定每台火电机组的燃料消耗量与有功功率之间的对应关系、每台火电机组的污染物排放量与有功功率之间的对应关系、燃料的单位价格P_g1、污染物单位排放量的排放许可价P_g2、火电机组单位有功功率的联网收益P_g3、风电机组单位有功功率的联网收益P_g4、第m台火电机组的额定有效功率P_R(m)和最大向下调峰容量P_max(m)、惯性因子ω、非负的学习因子c₁和c₂、位于0和1之间的随机常数r₁和r₂；确定各时段t内的以下参量：有功功率总需求P_D(t)、电网的有功功率网络损耗P_loss(t)、第m台火电机组的最大有功功率P_1max(m，t)与最小有功功率P_1min(m，t)、风电机组的有功功率的预测值P_e(t)、第i个(M+N)维有功功率速度向量的第1次迭代值V_i(1，t)；设定最大迭代次数K和有功功率向量的总数H。

这里，确定每台火电机组的燃料消耗量与有功功率之间的对应关系意味着确定出每台火电机组输出单位有功功率所对应的燃料消耗量，不同火电机组的该燃料消耗量可以相同，也可以不同。同样，确定每台火电机组的污染物排放量与有功功率之间的对应关系意味着确定出每台火电机组输出单位有功功率所对应的污染物排放量，不同火电机组的该污染物排放量可以相同，也可以不同。

电网中的火电机组是利用燃料的燃烧来产生电力的，而风电是利用无成本的风力来产生电力的，为了后续步骤中确定目标函数值，本步骤需要确定出燃料的单位价格P_g1、火电机组产生的污染物的单位排放量的排放许可价P_g2以及火电机组单位有功功率的联网收益P_g3、风电机组单位有功功率的联网收益P_g4。

该步骤确定出第m台火电机组的额定有效功率P_R(m)和最大向下调峰容量P_max(m)、各时段t内的有功功率总需求P_D(t)、电网的有功功率网络损耗P_loss(t)、第m台火电机组的最大有功功率P_1max(m，t)与最小有功功率P_1min(m，t)、风电机组的有功功率的预测值P_e(t)，可根据这些预设值设置容量约束条件、平衡约束条件和风电场有功功率变化量约束条件等约束条件，从而使各有功功率向量的第1次迭代值满足上述约束条件，这样，就使得本发明调配火电机组和风电机组有功功率的方法满足了各时段对有功功率的需求，在此基础上的后续步骤中通过多次迭代来优化有功功率调配的方法也具有了初始条件。

该步骤中确定的各时段t内有功功率速度向量的第1次迭代值、惯性因子ω、非负的学习因子c₁和c₂、位于0和1之间的随机常数r₁和r₂，设定的最大迭代次数K和有功功率向量的总数H，均用于重复迭代过程，合理地确定这些预参数，有利于减少优化次数，加快优化进度，从而提高本发明实现有功功率调配的效率。

本步骤所设定的有功功率速度向量V_i(1，t)为(M+N)维向量，其任一分量对应着该电网中的一个发电机组，该发电机组可能为火电机组，也可能为风电机组，V_i(1，t)中各分量所对应的发电机组与后续步骤使用的各有功功率向量中各分量所对应的发电机组是完全相同的，例如，V_i(1，t)中前M个分量可以为第1台至第M台火电机组的有功功率的变化速度，后N个分量可以为第1台至第N台风电机组的有功功率的变化速度，这样，后续步骤使用的各有功功率向量中的前M个分量就为第1台至第M台火电机组的有功功率，后N个分量就为第1台至第N台风电机组的有功功率。

本步骤所设置的最大迭代次数K，由于有功功率速度向量的第1次迭代值和有功功率向量的第1次迭代值均为预先确定的，无需迭代产生，因此，本发明中的迭代次数实际上为(K-1)。

本步骤所确定的每台火电机组的燃料消耗量与有功功率之间的对应关系、每台火电机组的污染物排放量与有功功率之间的对应关系、P_g1、P_g2、P_g3、P_g4、P_R(m)、P_max(m)、各时段的P_D(t)、P_loss(t)、P_1max(m，t)、P_1min(m，t)、P_e(t)可以为已有数据，例如为从电网调度中心得到的统计数据，也可以为根据电网负荷曲线、风电场发电功率预测结果、电力系统辅助服务定价等确定出来的数据。

步骤b：设置迭代次数k＝1；确定各时段t内的H个(M+N)维有功功率向量的第1次迭代值，使每个有功功率向量的第1次迭代值中的每个有功功率分量均满足约束条件；其中，每个有功功率向量均为M台火电机组的有功功率与N台风电机组的有功功率共同构成的向量，第i个有功功率向量的第1次迭代值记为X_i(1，t)，i为1与H之间的自然数；

约束条件包括：

容量约束条件：P_1min(m，t)≤P₁(m，t)≤P_1max(m，t)；

0≤P₂(n，t)≤P_e(t)；

平衡约束条件：

风电场有功功率变化量约束条件：

$0\≤{\mathrm{\ΔP}}_{2\mathrm{\Σ}}\left(t\right)\≤\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_1(m,t-1)-[\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_R\left(m\right)-\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_{\max }\left(m\right)];$

其中，ΔP_2∑(t)为时段t内N台风电机组的有功功率之和的变化量；

根据每台火电机组的燃料消耗量与有功功率之间的对应关系以及X_i(1，t)，确定各时段t内与X_i(1，t)对应的燃料的总消耗量F_1i(1，t)；根据每台火电机组的污染物排放量与有功功率之间的对应关系以及X_i(1，t)，确定各时段t内与X_i(1，t)对应的污染物的排放总量F_2i(1，t)；根据X_i(1，t)确定各P₁(m，t)和各P₂(n，t)；根据

计算T个时段内与第i个有功功率向量对应的目标函数的第1次迭代值F_i(1)；将X_i(1，t)作为第i个有功功率向量的历史最优迭代向量φ_i，将i从1到H的范围内对应于最大的F_i(1)的有功功率向量作为全局最优迭代向量φ_g。

这里，约束条件是根据步骤a中确定的各时段的P_D(t)、P_loss(t)、P_1max(m，t)、P_1min(m，t)、P_e(t)设定的，充分考虑了各时段的有功功率需求、火电机组的载荷以及风电机组的输出功率随机性，因而本步骤使每个有功功率向量的第1次迭代值中的每个有功功率分量均满足约束条件，可使本发明的迭代过程在初始阶段即考虑到电网的实际情况，进而使最终获得的迭代优化结果能更好的适应风电机组的随机性、火电机组的载荷以及各时段的有功功率需求等要求。

本发明在步骤a中已确定了有功功率向量的总数H，每个有功功率向量的分量个数均为(M+N)，且每个有功功率向量均要经过(K-1)次迭代过程才能完成优化，因此，最终确定出的全局最优迭代向量是从很大数量的有功功率向量中选择出来的，这保证了本发明输出的优化结果的高质量。

约束条件中，容量约束条件有两个，分别为各火电机组和各风电机组有功功率的最大值和最小值的限定，即各火电机组和各风电机组的有功功率不能处于相应的最大值和最小值之外；平衡约束条件意味着在任一时段内，所有火电机组和风电机组的输出有功功率的总和，全部用于用户对电力的需求以及电网的损耗，没有剩余；风电场有功功率变化量约束条件意味着，在各时段内所有风电机组的有功功率的变化量，不能大于所有火电机组在相应时段所能提供的有功功率的变化量，这是对风电机组输出有功功率的随机性的限定，只有满足该约束条件，才能保证该电网所储备的电力能够抵御风电机组输出随机性的风险。

本步骤中，X_i(1，t)是以各火电机组和风电机组输出的有功功率作为分量的向量，按照预定的顺序，可根据X_i(1，t)获得任一火电机组输出的有功功率或风电机组输出的有功功率，因而根据步骤a所确定的每台火电机组的燃料消耗量与有功功率之间的对应关系，以及X_i(1，t)，即可确定各时段t内与X_i(1，t)对应的燃料的总消耗量F_1i(1，t)。同样，根据每台火电机组的污染物排放量与有功功率之间的对应关系，以及X_i(1，t)，也可以确定各时段t内与X_i(1，t)对应的污染物的排放总量F_2i(1，t)。

利用该步骤提供的

可计算出T个时段内与第i个有功功率向量对应的目标函数的第1次迭代值F_i(1)，由于有功功率向量有H个，因而i的取值为从1到H的自然数，目标函数的第1次迭代值的个数也为H个。

由于这是第1次迭代值，因而各有功功率向量的迭代值的个数也就为1个，无需进行其他运算，即可将其第1次迭代值作为各有功功率向量的历史最优迭代向量φ_i，并将i从1到H的范围内对应于最大的F_i(1)的有功功率向量作为全局最优迭代向量φ_g，这样也就得到了φ_i和φ_g的初始值。

步骤c：根据V_i(k+1，t)＝ω·V_i(k，t)+c₁·r₁·[φ_i(k，t)-X_i(k，t)]+c₂·r₂·[φ_g(k，t)-X_i(k，t)]和X_i(k+1，t)＝X_i(k，t)+V_i(k+1，t)，分别确定各时段t内第i个有功功率速度向量的第(k+1)次迭代值V_i(k+1，t)和第i个有功功率向量的第(k+1)次迭代值X_i(k+1，t)。

本步骤与步骤d、e、f是实现迭代优化的步骤，本步骤每执行一次，即可确定每个有功功率速度向量和有功功率向量在各时段内的下一次迭代值。

这里，由X_i(k+1，t)＝X_i(k，t)+V_i(k+1，t)可知：有功功率速度向量的第(k+1)次迭代值为相应时段内的相应有功功率向量的第(k+1)次迭代值减去其第k次迭代值所得的差值，因而有功功率速度向量表示的是有功功率向量在相邻两次迭代值之间的变化，如果将有功功率向量用物理学中的位置来表征的话，那有功功率速度向量就可用物理学中的速度来表征。

步骤d：根据每台火电机组的燃料消耗量与有功功率之间的对应关系以及X_i(k+1，t)，确定各时段t内与X_i(k+1，t)对应的燃料的总消耗量F_1i(k+1，t)；根据每台火电机组的污染物排放量与有功功率之间的对应关系以及X_i(k+1，t)，确定各时段t内与X_i(k+1，t)对应的污染物的排放总量F_2i(k+1，t)；根据X_i(k+1，t)确定各P₁(m，t)和各P₂(n，t)；根据

计算T个时段内与第i个有功功率向量对应的目标函数的第(k+1)次迭代值F_i(k+1)；将k从0到(K-1)的范围内已计算出的所有F_i(k+1)中的最大值所对应的有功功率向量作为φ_i；将i从1到H的范围内与最大的F_i(k+1)对应的φ_i作为φ_g。

这里，步骤c每执行一次，即可确定每个有功功率速度向量和有功功率向量在各时段内的下一次迭代值，本步骤在此基础上根据

即可计算得到T个时段内与每个有功功率向量对应的目标函数的下一次迭代值，进而将与同一有功功率向量对应的目标函数的所有迭代值中的最大迭代值所对应的有功功率向量作为φ_i，然后将i从1到H的范围内与各φ_i对应的目标函数的迭代值中最大的迭代值对应的φ_i作为φ_g。这就确定出了阶段性的全局最优迭代向量。

这里的目标函数

是用火电机组和风电机组的收益之和减去燃料总价、污染物排放总价这些成本支出，其最大值即为该电网系统的最大利润，因而本发明还关系到电力电网系统的经济效益。

步骤e：k的值增加1。

本步骤中的k为当前迭代次数，其自动加1是实现多次迭代的基础。

步骤f：判断k的值是否超过(K-1)，是则执行步骤g，否则执行步骤c。

本步骤是判断迭代过程是否结束的步骤，迭代次数k的值超过(K-1)，意味着预设的迭代优化过程已经结束，可将得到的全局最优迭代向量作为结果输出，k的值不超过(K-1)，意味着迭代过程尚未结束，因而返回执行步骤c，即依次重复执行步骤c、d、e和f。

步骤g：将φ_g各时段中的各有功功率分量作为相应火电机组或风电机组在相应时段t内的工作有功功率。

这里，φ_g本质上是H个(M+N)维有功功率向量中的一个有功功率向量在某一次迭代过程中的迭代值，其在各时段t内均有一个确定的向量值，且每个时段t内的该确定的向量值均包含(M+N)个有功功率分量，这些有功功率分量即为该时段t内相应火电机组或风电机组的工作有功功率的最优值。因此，在步骤f确定迭代过程已结束后，获得的全局最优迭代向量φ_g各时段中的各有功功率分量即为各时段火电机组和风电机组有功功率的最优选择，将其作为结果输出，可实现火电机组和风电机组有功功率的合理调配。

本发明中，由于预先确定出火电机组的额定有效功率和最大向下调峰容量，并预先确定出各时段t内的有功功率总需求、电网的有功功率网络损耗、火电机组的最大与最小有功功率以及风电机组有功功率的预测值，并根据这些预设值设置了容量约束条件、平衡约束条件和风电场有功功率变化量约束条件，使各有功功率向量的第1次迭代值满足上述约束条件，然后从各有功功率向量的第1次迭代值开始，进行(K-1)次循环迭代，最终确定出使T个时段的目标函数值达到最大的有功功率向量作为全局最优迭代向量，从而将其各时段中的各有功功率分量确定为相应火电机组或风电机组在相应时段t内的工作有功功率，因此，本发明充分考虑了风电机组与火电机组联网构成的电网在各时段不同的有功功率需求、火电机组的载荷以及风电机组输出有功功率的随机性，在此基础上，通过(K-1)次向量迭代实现了有功功率向量的不断优化，最终得到了火电机组和风电机组在各时段的有功功率的最优值，因此，本发明能够合理调配火电机组和风电机组的有功功率，以满足不同时段的有功功率需求。

由于本发明能够合理地调配火电机组和风电机组的有功功率，从而充分利用风电，因此，本发明能够提高风电和火电联网的电网的环境效益，降低电力系统对环境的污染破坏。

另外，由于本发明能够充分合理地调配风电与火电机组各时段的有功功率，因此，本发明所提供的电网无需储备大量的备用电能来应对风电机组输出功率的随机性变化，有利于扩大风电在电网中所占的比重，提高风电的应用程度。

由于本发明中的目标函数是用收益减去成本支出的，因此，本发明输出的火电机组和风电机组各时段有功功率的最优方案，还能使电网的经济收益最大化，从而实现该电网的经济调度。

本发明能自动获得火电机组和风电机组有功功率的调配最优方案，优化过程中不需人的参与，这有利于减少人为因素对优化速度、优化质量的影响，提高本发明的自动化水平和优化质量。

本发明中，在步骤c之后，在步骤d之前，该方法进一步包括：步骤d0：判断X_i(k+1，t)中的每个有功功率分量是否均满足约束条件，是则执行步骤d，否则，修正X_i(k+1，t)，使其中的每个有功功率分量均满足约束条件，执行步骤d。

这里，进一步在步骤d之前判断步骤c所确定的各有功功率向量的每个有功功率分量是否满足约束条件，只有其满足约束条件，才能计算目标函数的迭代值以及φ_i和φ_g，对于不满足约束条件的有功功率向量，则对其进行修正，使其满足约束条件后，才执行步骤d计算目标函数的迭代值以及φ_i和φ_g，这使得本发明进一步适应了风电机组的随机性输出和火电机组的载荷要求。

本发明中，在步骤a中，还可以进一步确定第i个有功功率速度向量在时段t内的最大值V_imax(t)；则步骤a中确定V_i(1，t)的方法为：确定V_i(1，t)，使其在-V_imax(t)与V_imax(t)之间；

在步骤c之后，该方法进一步包括：步骤d1：判断各V_i(k+1，t)是否在-V_imax(t)与V_imax(t)之间，是则执行步骤d，否则，修正V_i(k+1，t)，使其在-V_imax(t)与V_imax(t)之间，然后执行步骤d。

本发明中，有功功率速度向量表示的是有功功率向量在相邻两次迭代值之间的变化，这里进一步限定了有功功率速度向量的最大值，使其任一迭代值位于-V_imax(t)与V_imax(t)之间，而不能超越，这也就限定了有功功率向量任意相邻两次迭代值之间差值的最大值与最小值，从而保证了本发明中迭代优化过程朝着预先确定的优化方向进行，进而保证了优化的质量。

步骤b中确定各时段t内的H个(M+N)维有功功率向量的第1次迭代值的方法为：随机确定各时段t内的H个(M+N)维有功功率向量的第1次迭代值。

步骤b中所确定的各时段t内各有功功率向量的第1次迭代值是整个迭代过程的基础，因而确定第1次迭代值的过程可以认为是包含于该方法的初始化过程当中。这里进一步限定了该确定有功功率向量的第1次迭代值的方法为随机方法，即只要步骤b确定出的各有功功率向量的第1次迭代值满足约束条件，这些第1次迭代值的具体值无关紧要，后续的优化迭代过程总会朝着预定的方向进行，得到的全局最优迭代向量也都是最优值，因此，这里用随机方法确定各时段内各有功功率向量的第1次迭代值，可提高本发明提出的迭代方法的可靠性与稳定性。

步骤a中设定H的方法为：根据(M+N)的值设定H，使其不小于(M+N)。

本发明中，有功功率向量和有功功率速度向量的个数均为步骤a所确定的H，这里所确定的H的值与(M+N)有关，H不能小于(M+N)，否则会因为向量个数过少而影响迭代质量。

图1为本发明提供的确定电网中各机组的有功功率的系统结构图。这里的电网由M台火电机组和N台风电机组联网构成，具有T个工作的时段，这意味着电网中的所有火电机组和风电机组在同一时刻工作于同一时段，且所有火电机组和风电机组的时段划分也是完全相同的，其中，第m台火电机组在时段t内的有功功率为P₁(m，t)，第n台风电机组在时段t内的有功功率为P₂(n，t)，这里的M、N、T均为不小于1的自然数，t为1与T之间的自然数，m为1与M之间的自然数，n为1与N之间的自然数。

如图1所示，该系统包括：参数设定模块101、向量迭代模块102、目标函数与最优迭代向量确定模块103、判断模块104；其中，

参数设定模块101用于，存储每台火电机组的单位有功功率所对应的燃料消耗量和污染物排放量、燃料的单位价格P_g1、污染物单位排放量的排放许可价P_g2、火电机组单位有功功率的联网收益P_g3、风电机组单位有功功率的联网收益P_g4、第m台火电机组的额定有效功率P_R(m)和最大向下调峰容量P_max(m)、惯性因子ω、非负的学习因子c₁和c₂、位于0和1之间的随机常数r₁和r₂；设定最大迭代次数K和有功功率向量的总数H；设定各时段t内的以下参量：有功功率总需求P_D(t)、电网的有功功率网络损耗P_loss(t)、第m台火电机组的最大有功功率P_1max(m，t)与最小有功功率P_1min(m，t)、风电机组的有功功率的预测值P_e(t)、H个(M+N)维有功功率向量的第1次迭代值、第i个(M+N)维有功功率速度向量的第1次迭代值V_i(1，t)，其中，每个有功功率向量均为M台火电机组的有功功率与N台风电机组的有功功率共同构成的向量，第i个有功功率向量的第1次迭代值记为X_i(1，t)，i为1与H之间的自然数；将有功功率向量的第1次迭代值发送到判断模块104、向量迭代模块102、目标函数与最优迭代向量确定模块103；将V_i(1，t)发送到向量迭代模块102；

向量迭代模块102用于，从参数设定模块101读取ω、c₁、c₂、r₁、r₂、H；根据迭代信号增加迭代次数k，使k从1开始递增，每次增加1，并将k的值发送到判断模块104；根据V_i(k+1，t)＝ω·V_i(k，t)+c₁·r₁·[φ_i(k，t)-X_i(k，t)]+c₂·r₂·[φ_g(k，t)-X_i(k，t)]和X_i(k+1，t)＝X_i(k，t)+V_i(k+1，t)，分别确定各时段t内第i个有功功率速度向量的第(k+1)次迭代值V_i(k+1，t)和第i个有功功率向量的第(k+1)次迭代值X_i(k+1，t)，并将X_i(k+1，t)发送到目标函数与最优迭代向量确定模块103；

目标函数与最优迭代向量确定模块103用于，从参数设定模块101读取每台火电机组的单位有功功率所对应的燃料消耗量和污染物排放量、P_g1、P_g2、P_g3、P_g4、H；根据每台火电机组的单位有功功率所对应的燃料消耗量和X_i(1，t)，确定各时段t内与X_i(1，t)对应的燃料的总消耗量F_1i(1，t)；根据每台火电机组的单位有功功率所对应的污染物排放量和X_i(1，t)，确定各时段t内与X_i(1，t)对应的污染物的排放总量F_2i(1，t)；根据X_i(1，t)确定各P₁(m，t)和各P₂(n，t)；根据

计算T个时段内与第i个有功功率向量对应的目标函数的第1次迭代值F_i(1)；将X_i(1，t)作为第i个有功功率向量的历史最优迭代向量φ_i，将i从1到H的范围内对应于最大的F_i(1)的有功功率向量作为全局最优迭代向量φ_g；根据每台火电机组的单位有功功率所对应的燃料消耗量和X_i(k+1，t)，确定各时段t内与X_i(k+1，t)对应的燃料的总消耗量F_1i(k+1，t)；根据每台火电机组的单位有功功率所对应的污染物排放量和X_i(k+1，t)，确定各时段t内与X_i(k+1，t)对应的污染物的排放总量F_2i(k+1，t)；根据X_i(k+1，t)确定各P₁(m，t)和各P₂(n，t)；根据

计算T个时段内与第i个有功功率向量对应的目标函数的第(k+1)次迭代值F_i(k+1)；将k从0到(K-1)的范围内已计算出的所有F_i(k+1)中的最大值所对应的有功功率向量作为φ_i；将i从1到H的范围内与最大的F_i(k+1)对应的φ_i作为φ_g；根据输出通知信号，将φ_g各时段中的各有功功率分量作为相应火电机组或风电机组在相应时段t内的工作有功功率输出；

判断模块104用于，从参数设定模块101读取P_R(m)、P_max(m)、K、P_D(t)、P_loss(t)、P_1max(m，t)、P_1min(m，t)、P_e(t)；判断每个有功功率向量的第1次迭代值中的每个有功功率分量是否均满足约束条件，是则向向量迭代模块102发送迭代信号，否则通知参数设定模块101重新设定各时段t内有功功率向量的第1次迭代值；判断k的值是否超过(K-1)，是则向目标函数与最优迭代向量确定模块103发送输出通知信号，否则向向量迭代模块102发送迭代信号；其中，约束条件包括：

容量约束条件：P_1min(m，t)≤P₁(m，t)≤P_1max(m，t)；

0≤P₂(n，t)≤P_e(t)；

平衡约束条件：

风电场有功功率变化量约束条件：

其中的ΔP_2∑(t)为时段t内N台风电机组的有功功率之和的变化量。

这里的参数设定模块具有存储和参数设定功能，其可存储每台火电机组的单位有功功率所对应的燃料消耗量和污染物排放量、P_g1、P_g2、P_g3、P_g4、P_R(m)、P_max(m)、ω、c₁、c₂、r₁和r₂等参数，可用于设定K、H、P_D(t)、P_loss(t)、P_1max(m，t)、P_1min(m，t)、P_e(t)、H个(M+N)维有功功率向量的第1次迭代值以及各V_i(1，t)等参数，并将自身所存储和设定的参数提供给判断模块、向量迭代模块、目标函数与最优迭代向量确定模块使用。

如图1所示，向量迭代模块与参数设定模块、判断模块和目标函数与最优迭代向量确定模块均相连，可从参数设定模块读取ω、c₁、c₂、r₁、r₂、H等参数，并根据判断模块的指示来迭代计算V_i(k+1，t)和X_i(k+1，t)，将递增的k的值发送给判断模块，供其判断迭代过程是否完成，并将计算得到的X_i(k+1，t)发送到目标函数与最优迭代向量确定模块。向量迭代模块实现的是有功功率向量和有功功率速度向量的迭代计算功能，其在判断模块发出的迭代信号的指示下进行迭代计算，每收到一次迭代信号即进行一次迭代运算。

目标函数与最优迭代向量确定模块与参数设定模块、判断模块和向量迭代模块均相连，实现的是从参数设定模块读取参数，根据这些参数以及从向量迭代模块接收的X_i(k+1，t)来计算目标函数的各次迭代值，并在计算出目标函数的每次迭代值后，进一步计算得到φ_i和φ_g，并根据判断模块所发出的输出通知信号，将φ_g各时段中的各有功功率分量作为相应火电机组或风电机组在相应时段t内的工作有功功率输出。

判断模块与参数设定模块、向量迭代模块和目标函数与最优迭代向量确定模块均相连，实现的是从参数设定模块读取参数，根据向量迭代模块发送的k的值来判断迭代过程是否结束，判断有功功率向量的第1次迭代值是否满足约束条件，以及通知目标函数与最优迭代向量确定模块将结果输出的功能。判断模块所用的约束条件包括限制火电机组和风电机组有功功率上下限的容量约束条件、限制生成的有功功率与功率需求、电网损耗相一致的平衡约束条件、限制风电机组有功功率随机性变化范围的风电场有功功率变化量约束条件，这些约束条件的设置，使得本发明充分考虑了风电机组随机性输出的限制，保证了功率输出的稳定以及电网的环境和经济效益。

图1中的向量迭代模块进一步用于，将X_i(k+1，t)发送到判断模块；

判断模块进一步用于，判断X_i(k+1，t)中的每个有功功率分量是否均满足约束条件，是则向目标函数与最优迭代向量确定模块发送约束达标信号，否则，通知向量迭代模块对X_i(k+1，t)进行修正；

目标函数与最优迭代向量确定模块用于，根据约束达标信号，确定F_1i(k+1，t)、F_2i(k+1，t)。

这里，判断模块进一步判断有功功率向量的各次迭代值是否满足约束条件，只有有功功率向量的各次迭代值满足约束条件时才向目标函数与最优迭代向量确定模块发送约束达标信号，使其根据该约束达标信号，确定出F_1i(k+1，t)、F_2i(k+1，t)，进而计算目标函数的各次迭代值以及φ_i和φ_g，否则，通知向量迭代模块对X_i(k+1，t)进行修正，使其满足约束条件，这有利于保证各次迭代优化朝着预定的方向进行，进而保证优化的质量。

图1中的参数设定模块进一步用于，存储第i个有功功率速度向量在时段t内的最大值V_imax(t)，并将其发送到判断模块；确定V_i(1，t)，使其在-V_imax(t)与V_imax(t)之间；

向量迭代模块进一步用于，将V_i(k+1，t)发送到判断模块；

判断模块进一步用于，判断各V_i(k+1，t)是否在-V_imax(t)与V_imax(t)之间，是则向目标函数与最优迭代向量确定模块发送速度达标信号，否则，通知向量迭代模块对V_i(k+1，t)进行修正；

目标函数与最优迭代向量确定模块用于，根据速度达标信号，确定F_1i(k+1，t)、F_2i(k+1，t)。

这里，参数设定模块设定了有功功率速度向量的最大值V_imax(t)，从而将其各次迭代值限制于-V_imax(t)与V_imax(t)之间，这有利于进一步保证迭代优化过程朝着预定方向进行，提高优化的速度和质量。

图1中的参数设定模块用于，随机确定各时段t内的H个(M+N)维有功功率向量的第1次迭代值。这里，参数设定模块用随机方式来确定有功功率向量的第1次迭代值，可提高该系统迭代优化的可靠性和稳定性。

该系统中，参数设定模块用于，根据(M+N)的值设定H，使其不小于(M+N)。这里，参数设定模块设定的H与火电机组和风电机组的总数(M+N)有关，H不能小于(M+N)，否则，有功功率向量和有功功率速度向量的总数过少，迭代结果也就不能达到最优了。

由此可见，本发明具有以下优点：

(1)本发明中，由于预先确定出火电机组的额定有效功率和最大向下调峰容量，并预先确定出各时段t内的有功功率总需求、电网的有功功率网络损耗、火电机组的最大与最小有功功率以及风电机组有功功率的预测值，并根据这些预设值设置了容量约束条件、平衡约束条件和风电场有功功率变化量约束条件，使各有功功率向量的第1次迭代值满足上述约束条件，然后从各有功功率向量的第1次迭代值开始，进行(K-1)次循环迭代，最终确定出使T个时段的目标函数值达到最大的有功功率向量作为全局最优迭代向量，从而将其各时段中的各有功功率分量确定为相应火电机组或风电机组在相应时段t内的工作有功功率，因此，本发明充分考虑了风电机组与火电机组联网构成的电网在各时段不同的有功功率需求、火电机组的载荷以及风电机组输出有功功率的随机性，在此基础上，通过(K-1)次向量迭代实现了有功功率向量的不断优化，最终得到了火电机组和风电机组在各时段的有功功率的最优值，因此，本发明能够合理调配火电机组和风电机组的有功功率，以满足不同时段的有功功率需求。

(2)由于本发明合理地调配火电机组和风电机组的有功功率，从而充分利用风电，因此，本发明能够提高风电和火电联网的电网的环境效益，降低电力系统对环境的污染破坏。

(3)由于本发明中的目标函数是用收益减去成本支出的，因此，本发明输出的火电机组和风电机组各时段有功功率的最优方案，还能使电网的经济收益最大化，从而实现该电网的经济调度。

(4)由于本发明能够充分合理地调配风电与火电机组各时段的有功功率，因此，本发明所提供的电网无需储备大量的备用电能来应对风电机组输出功率的随机性变化，有利于扩大风电在电网中所占的比重，提高风电的应用程度。

(5)本发明能自动获得火电机组和风电机组有功功率的调配最优方案，优化过程中不需人的参与，这有利于减少人为因素对优化速度、优化质量的影响，提高本发明的自动化水平和优化质量。

(6)本发明限定了有功功率速度向量的最大值，使其任一迭代值位于-V_imax(t)与V_imax(t)之间，而不能超越，这也就限定了有功功率向量任意相邻两次迭代值之间差值的最大值与最小值，从而保证了本发明中迭代优化过程朝着预先确定的优化方向进行，进而保证了优化的质量。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种确定电网中各机组的有功功率的方法，其特征在于，所述电网由M台火电机组和N台风电机组联网构成，具有T个工作的时段，第m台火电机组在时段t内的有功功率为P₁（m,t），第n台风电机组在时段t内的有功功率为P₂（n,t），其中，M、N、T均为不小于1的自然数，t为1与T之间的自然数，m为1与M之间的自然数，n为1与N之间的自然数；该方法包括：

步骤a：确定每台火电机组的燃料消耗量与有功功率之间的对应关系、每台火电机组的污染物排放量与有功功率之间的对应关系、所述燃料的单位价格P_g1、污染物单位排放量的排放许可价P_g2、火电机组单位有功功率的联网收益P_g3、风电机组单位有功功率的联网收益P_g4、第m台火电机组的额定有效功率P_R（m）和最大向下调峰容量P_max（m）、惯性因子ω、非负的学习因子c₁和c₂、位于0和1之间的随机常数r₁和r₂；确定各时段t内的以下参量：有功功率总需求P_D（t）、所述电网的有功功率网络损耗P_loss（t）、第m台火电机组的最大有功功率P_1max（m,t）与最小有功功率P_1min（m,t）、风电机组的有功功率的预测值P_e（t）、第i个（M+N）维有功功率速度向量的第1次迭代值V_i(1,t)；设定最大迭代次数K和有功功率向量的总数H；

步骤b：设置迭代次数k=1；确定各时段t内的H个（M+N）维有功功率向量的第1次迭代值，使每个所述有功功率向量的第1次迭代值中的每个有功功率分量均满足约束条件；其中，每个所述有功功率向量均为M台火电机组的有功功率与N台风电机组的有功功率共同构成的向量，第i个所述有功功率向量的第1次迭代值记为X_i(1,t)，i为1与H之间的自然数；

所述约束条件包括：

容量约束条件：P_1min（m,t）≤P₁（m,t）≤P_1max（m,t）；

0≤P₂（n,t）≤P_e（t）；

平衡约束条件： $\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_1(m,t)+\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{P}_2(n,t)=P_D\left(t\right)+P_{\mathrm{loss}}\left(t\right);$

风电场有功功率变化量约束条件：

$0\≤{\mathrm{\ΔP}}_{2\mathrm{\Σ}}\left(t\right)\≤\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_1(m,t-1)-[\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_R\left(m\right)-\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_{\max }\left(m\right)];$

其中，ΔP_2∑(t)为时段t内N台风电机组的有功功率之和的变化量；

根据所述每台火电机组的燃料消耗量与有功功率之间的对应关系以及X_i(1,t)，确定各时段t内与X_i(1,t)对应的所述燃料的总消耗量F_1i(1,t)；根据所述每台火电机组的污染物排放量与有功功率之间的对应关系以及X_i(1,t)，确定各时段t内与X_i(1,t)对应的污染物的排放总量F_2i(1,t)；根据X_i(1,t)确定各P₁（m,t）和各P₂（n,t）；根据

$F=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}[\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_1(m,t)\·P_{g3}+\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{P}_2(n,t)\·P_{g4}-F_{1i}(1,t)\·P_{g1}-F_{2i}(1,t)\·P_{g2}]$ 计算T个时段内与第i个有功功率向量对应的目标函数的第1次迭代值F_i(1）；将X_i(1,t)作为第i个有功功率向量的历史最优迭代向量φ_i，将i从1到H的范围内对应于最大的F_i(1）的有功功率向量作为全局最优迭代向量φ_g；

步骤c：根据V_i（k+1,t)=ω·V_i（k,t)+c₁·r₁·[φ_i(k,t)-X_i(k,t)]+c₂·r₂·[φ_g(k,t)-X_i(k,t)]和X_i(k+1,t)=X_i(k,t)+V_i（k+1,t)，分别确定各时段t内第i个所述有功功率速度向量的第（k+1）次迭代值V_i（k+1,t)和第i个所述有功功率向量的第（k+1）次迭代值X_i(k+1,t)；

步骤d：根据所述每台火电机组的燃料消耗量与有功功率之间的对应关系以及X_i(k+1,t)，确定各时段t内与X_i(k+1,t)对应的所述燃料的总消耗量F_1i(k+1,t)；根据所述每台火电机组的污染物排放量与有功功率之间的对应关系以及X_i(k+1,t)，确定各时段t内与X_i(k+1,t)对应的污染物的排放总量F_2i(k+1,t)；根据X_i(k+1,t)确定各P₁（m,t）和各P₂（n,t）；根据 $F=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}[\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_1(m,t)\·P_{g3}+\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{P}_2(n,t)\·P_{g4}-F_{1i}(k+1,t)\·P_{g1}-F_{2i}(k+1,t)\·P_{g2}],$ 计算T个时段内与第i个有功功率向量对应的目标函数的第（k+1）次迭代值F_i(k+1）；将k从0到（K-1）的范围内已计算出的所有F_i(k+1）中的最大值所对应的有功功率向量作为φ_i；将i从1到H的范围内与最大的F_i(k+1）对应的φ_i作为φ_g；

步骤e：k的值增加1；

步骤f：判断k的值是否超过（K-1），是则执行步骤g，否则执行步骤c；

步骤g：将φ_g各时段中的各有功功率分量作为相应火电机组或风电机组在相应时段t内的工作有功功率。

2.根据权利要求1所述的方法，其特征在于，在步骤c之后，在步骤d之前，该方法进一步包括：步骤d0：判断X_i(k+1,t)中的每个有功功率分量是否均满足所述约束条件，是则执行步骤d，否则，修正X_i(k+1,t)，使其中的每个有功功率分量均满足所述约束条件，执行步骤d。

3.根据权利要求1所述的方法，其特征在于，在所述步骤a中进一步确定第i个所述有功功率速度向量在时段t内的最大值V_imax(t)；则

步骤a中确定V_i(1,t)的方法为：确定V_i(1,t)，使其在-V_imax(t)与V_imax(t)之间；

在步骤c之后，该方法进一步包括：步骤d1：判断各V_i（k+1,t)是否在-V_imax(t)与V_imax(t)之间，是则执行步骤d，否则，修正V_i（k+1,t)，使其在-V_imax(t)与V_imax(t)之间，执行步骤d。

4.根据权利要求1、2和3中任一项所述的方法，其特征在于，步骤b中确定各时段t内的H个（M+N）维有功功率向量的第1次迭代值的方法为：随机确定各时段t内的H个（M+N）维有功功率向量的第1次迭代值。

5.根据权利要求1、2和3中任一项所述的方法，其特征在于，步骤a中设定H的方法为：根据（M+N）的值设定H，使其不小于（M+N）。

6.一种确定电网中各机组的有功功率的系统，其特征在于，所述电网由M台火电机组和N台风电机组联网构成，具有T个工作的时段，第m台火电机组在时段t内的有功功率为P₁（m,t），第n台风电机组在时段t内的有功功率为P₂（n,t），其中，M、N、T均为不小于1的自然数，t为1与T之间的自然数，m为1与M之间的自然数，n为1与N之间的自然数；该系统包括：参数设定模块、向量迭代模块、目标函数与最优迭代向量确定模块、判断模块；其中，

所述参数设定模块用于，存储每台火电机组的单位有功功率所对应的燃料消耗量和污染物排放量、所述燃料的单位价格P_g1、污染物单位排放量的排放许可价P_g2、火电机组单位有功功率的联网收益P_g3、风电机组单位有功功率的联网收益P_g4、第m台火电机组的额定有效功率P_R（m）和最大向下调峰容量P_max（m）、惯性因子ω、非负的学习因子c₁和c₂、位于0和1之间的随机常数r₁和r₂；设定最大迭代次数K和有功功率向量的总数H；设定各时段t内的以下参量：有功功率总需求P_D（t）、所述电网的有功功率网络损耗P_loss（t）、第m台火电机组的最大有功功率P_1max（m,t）与最小有功功率P_1min（m,t）、风电机组的有功功率的预测值P_e（t）、H个（M+N）维有功功率向量的第1次迭代值、第i个（M+N）维有功功率速度向量的第1次迭代值V_i(1,t)，其中，每个所述有功功率向量均为M台火电机组的有功功率与N台风电机组的有功功率共同构成的向量，第i个所述有功功率向量的第1次迭代值记为X_i(1,t)，i为1与H之间的自然数；将所述有功功率向量的第1次迭代值发送到所述判断模块、向量迭代模块、目标函数与最优迭代向量确定模块；将V_i(1,t)发送到所述向量迭代模块；

所述向量迭代模块用于，从所述参数设定模块读取ω、c₁、c₂、r₁、r₂、H；根据迭代信号增加迭代次数k，使k从1开始递增，每次增加1，并将k的值发送到所述判断模块；根据V_i（k+1,t)=ω·V_i（k,t)+c₁·r₁·[φ_i(k,t)-X_i(k,t)]+c₂·r₂·[φ_g(k,t)-X_i(k,t)]和X_i(k+1,t)=X_i(k,t)+V_i（k+1,t)，分别确定各时段t内第i个所述有功功率速度向量的第（k+1）次迭代值V_i（k+1,t)和第i个所述有功功率向量的第（k+1）次迭代值X_i(k+1,t)，并将X_i(k+1,t)发送到所述目标函数与最优迭代向量确定模块；

所述目标函数与最优迭代向量确定模块用于，从所述参数设定模块读取每台火电机组的单位有功功率所对应的燃料消耗量和污染物排放量、P_g1、P_g2、P_g3、P_g4、H；根据所述每台火电机组的单位有功功率所对应的燃料消耗量和X_i(1,t)，确定各时段t内与X_i(1,t)对应的所述燃料的总消耗量F_1i(1,t)；根据所述每台火电机组的单位有功功率所对应的污染物排放量和X_i(1,t)，确定各时段t内与X_i(1,t)对应的污染物的排放总量F_2i(1,t)；根据X_i(1,t)确定各P₁（m,t）和各P₂（n,t）；根据

$F=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}[\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_1(m,t)\·P_{g3}+\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{P}_2(n,t)\·P_{g4}-F_{1i}(1,t)\·P_{g1}-F_{2i}(1,t)\·P_{g2}]$ 计算T个时段内与第i个有功功率向量对应的目标函数的第1次迭代值F_i(1）；将X_i(1,t)作为第i个有功功率向量的历史最优迭代向量φ_i，将i从1到H的范围内对应于最大的F_i(1）的有功功率向量作为全局最优迭代向量φ_g；根据所述每台火电机组的单位有功功率所对应的燃料消耗量和X_i(k+1,t)，确定各时段t内与X_i(k+1,t)对应的所述燃料的总消耗量F_1i(k+1,t)；根据所述每台火电机组的单位有功功率所对应的污染物排放量和X_i(k+1,t)，确定各时段t内与X_i(k+1,t)对应的污染物的排放总量F_2i(k+1,t)；根据X_i(k+1,t)确定各P₁（m,t）和各P₂（n,t）；根据 $F=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}[\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_1(m,t)\·P_{g3}+\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{P}_2(n,t)\·P_{g4}-F_{1i}(k+1,t)\·P_{g1}-F_{2i}(k+1,t)\·P_{g2}],$ 计算T个时段内与第i个有功功率向量对应的目标函数的第（k+1）次迭代值F_i(k+1）；将k从0到（K-1）的范围内已计算出的所有F_i(k+1）中的最大值所对应的有功功率向量作为φ_i；将i从1到H的范围内与最大的F_i(k+1）对应的φ_i作为φ_g；根据输出通知信号，将φ_g各时段中的各有功功率分量作为相应火电机组或风电机组在相应时段t内的工作有功功率输出；

所述判断模块用于，从所述参数设定模块读取P_R（m）、P_max（m）、K、P_D（t）、P_loss（t）、P_1max（m,t）、P_1min（m,t）、P_e（t）；判断每个所述有功功率向量的第1次迭代值中的每个有功功率分量是否均满足约束条件，是则向所述向量迭代模块发送迭代信号，否则通知所述参数设定模块重新设定各时段t内所述有功功率向量的第1次迭代值；判断k的值是否超过（K-1），是则向所述目标函数与最优迭代向量确定模块发送输出通知信号，否则向所述向量迭代模块发送迭代信号；其中，所述约束条件包括：

容量约束条件：P_1min（m,t）≤P₁（m,t）≤P_1max（m,t）；

0≤P₂（n,t）≤P_e（t）；

平衡约束条件： $\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_1(m,t)+\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{P}_2(n,t)=P_D\left(t\right)+P_{\mathrm{loss}}\left(t\right);$

风电场有功功率变化量约束条件：

$0\≤{\mathrm{\ΔP}}_{2\mathrm{\Σ}}\left(t\right)\≤\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_1(m,t-1)-[\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_R\left(m\right)-\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{P}_{\max }\left(m\right)];$ 其中的ΔP_2∑(t)为时段t内N台风电机组的有功功率之和的变化量。

7.根据权利要求6所述的系统，其特征在于，所述向量迭代模块进一步用于，将X_i(k+1,t)发送到所述判断模块；

所述判断模块进一步用于，判断X_i(k+1,t)中的每个有功功率分量是否均满足所述约束条件，是则向所述目标函数与最优迭代向量确定模块发送约束达标信号，否则，通知所述向量迭代模块对X_i(k+1,t)进行修正；

所述目标函数与最优迭代向量确定模块用于，根据所述约束达标信号，确定F_1i(k+1,t)、F_2i(k+1,t)。

8.根据权利要求6所述的系统，其特征在于，所述参数设定模块进一步用于，存储第i个所述有功功率速度向量在时段t内的最大值V_imax(t)，并将其发送到所述判断模块；确定V_i(1,t)，使其在-V_imax(t)与V_imax(t)之间；

所述向量迭代模块进一步用于，将V_i（k+1,t)发送到所述判断模块；

所述判断模块进一步用于，判断各V_i（k+1,t)是否在-V_imax(t)与V_imax(t)之间，是则向所述目标函数与最优迭代向量确定模块发送速度达标信号，否则，通知所述向量迭代模块对V_i（k+1,t)进行修正；

所述目标函数与最优迭代向量确定模块用于，根据所述速度达标信号，确定F_1i(k+1,t)、F_2i(k+1,t)。

9.根据权利要求6、7、8中任一项所述的系统，其特征在于，所述参数设定模块用于，随机确定各时段t内的H个（M+N）维有功功率向量的第1次迭代值。

10.根据权利要求6、7、8中任一项所述的系统，其特征在于，所述参数设定模块用于，根据（M+N）的值设定H，使其不小于（M+N）。

Images