CN104091207A - 考虑有害气体排放量的含风电场多目标机组组合优化方法 - Google Patents

Abstract

本发明公开了一种考虑有害气体排放量的含风电场多目标机组组合优化方法。该方法采用风电功率区间预测信息来考虑风电出力的不确定性，建立了考虑常规机组发电费用最小和有害气体排放量最少的多目标机组组合优化模型，并提出一种新的多目标量子离散粒子群优化方法求解该模型得到帕累托最优解，最后决策者根据对运行运行成本和环境效益的要求，折衷选取最适合的机组开停和负荷分配方案。采用本发明能够应对大规模风电场的接入，在机组组合问题中综合考虑经济效益和环保效益，所提出的多目标量子离散粒子群优化方法融合了量子理论和经典离散粒子群的优点，并引入帕累托最优的基本概念处理多目标优化问题，与已有技术相比，具有收敛速度快、计算效率高、优化结果更佳的优势，对于大规模电网的机组组合问题更具实用性。

Description

考虑有害气体排放量的含风电场多目标机组组合优化方法

技术领域

本发明属于电力系统的调度运行与分析计算领域，特别是一种涉及考虑有害气体排放量的含风电场电力系统多目标机组组合优化方法。

背景技术

为了响应国家节能减排的号召，风电接入电网的比例也越来越大。一方面，风电不产生任何有害气体，引入风电可以减少国家有害气体的排放量；另一方面，由于风电的不确定性和随机性，其大规模接入将对系统运行增加额外的负担。而任何对系统运行强加的限制条件都将导致运行费用的增加，可能对排放量产生不利的影响。因此，在含风电场的机组组合问题中，将风电功率预测信息、有害气体排放量的影响考虑到电力系统发电计划中是十分必要的。

目前在机组组合模型中，考虑风电功率预测信息主要基于风电功率点预测、风电功率场景预测和风电功率区间预测。基于风电功率点预测的日前计划就是采用风电功率预测曲线，增加原有备用容量来考虑风电的不确定性，该方法虽简单，但过于粗糙；基于风电功率场景预测的日前计划则先从风电功率概率分布使用分层抽样法进行离散化，生成场景，然后通过场景减少技术得到最优场景集，通过多个典型的风电场景来体现风电的不确定性，该方法场景的生成比较复杂；基于风电功率区间预测的日前计划，可以让运行调度者根据经济性和可靠性的要求，灵活选择满足一定的置信概率的风电功率预测区间，进而进行调度决策，因此本发明采用将风电功率区间预测的信息纳入电力系统机组组合模型中，考虑风电的不确定性和随机性。

量子离散粒子群是一种新颖的概率搜索算法，它和传统的离散粒子群不同在于：(1)采用量子比特位编码，然后模拟量子坍塌的随机观察来产生粒子位置向量，不断探索未知空间，提高了粒子群的种群多样性；(2)传统的速度更新公式被通过量子旋转门更新量子比特位代替，减少了一些参数的设置。因此，量子离散粒子群融合了量子理论和经典离散粒子群的优点，具有比普通粒子群更好的种群多样性，更快的收敛速度和全局寻优的能力。对于多目标优化问题，存在多个彼此冲突的目标，如何得到最优解很困难。非帕累托方法虽高效且易实现，但不能产生帕累托最优前端的某些部分，因此急需一种用于求解机组组合优化问题的多目标优化方法。

发明内容

本发明的目的在于针对现有技术的不足，提供一种考虑有害气体排放量的含风电场电力系统多目标机组组合优化方法。本发明收敛速度快、计算效率高、优化结果更佳，对于大规模电网的机组组合问题更具实用性。

为实现上述目的，本发明提供了一种考虑有害气体排放量的含风电场多目标机组组合优化方法，考虑有害气体排放量的含风电场多目标机组组合优化方法，其特征在于包括下述步骤：

S1：获取电网的发电机机组参数、运行特性及约束条件；获取未来24小时所有负荷的预测数据；获取风电功率的预测数据，得到风电功率预测值的概率区间；

S2：根据电网的基本参数和预测数据对多目标机组组合问题进行建模；

S3：初始化量子比特位，并生成代表机组开停状态的初始种群矩阵；

S4：按启发式调整规则对种群矩阵进行调整，生成新的满足约束条件的种群矩阵；

S5：用原对偶内点法对各时段每个机组进行负荷经济分配；

S6：利用目标函数计算每个粒子的适应度值；

S7：评价种群中的所有粒子，更新各粒子的历史最优位置和适应度值以及全局最优位置和适应度值，并将非支配解加入到外部档案中；

S8：更新量子比特位，并生成下一代种群矩阵；

S9：判断量子离散粒子群方法的迭代次数是否超过预先设置的最大迭代次数，如果已超过，则算法停止，得到帕累托最优解；否则转步骤S4；

S10：从一系列帕累托最优的机组组合方案中折衷选取一个合适的方案。

上述步骤S1中，获取风电功率预测值概率区间的方法是：首先通过风电功率点预测得到风电功率预测曲线，再通过建立风电功率预测误差的概率分布函数，得到风电功率预测值的概率区间，电网运行者可根据对于经济性和可靠性的要求灵活选择置信概率，实际应用中，对于预测区间的置信概率，一般取较为适中的值，如80％，避免因预测区间过大而失去参考意义和因预测区间过小而难以包含较大的风电功率预测误差。

上述步骤S2中，所建立的多目标机组组合模型的目标函数为常规火电机组的发电成本最小和有害气体排放量最少，有害气体排放量曲线用二次函数表示，约束条件包括系统功率平衡约束、系统正/负旋转备用约束、火电机组出力限制、火电机组最小开停机时间限制，

min F＝min(f₁(P_i,j),f₂(P_i,j))

$f_1\left(P_{i,j}\right)=\underset{j=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(u_{i,j}(a_i{\left(P_{i,j}\right)}^2+b_i{P}_{i,j}+c_i)+S_{i,j}(1-u_{i,j-1})*u_{i,j})$

$f_2\left(P_{i,j}\right)=\underset{j=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left(u_{i,j}({\mathrm{\γ}}_i{\left(P_{i,j}\right)}^2+{\mathrm{\β}}_i{P}_{i,j}+{\mathrm{\α}}_i)\right)$

约束条件：

$\left\{\begin{array}{c}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{u}_{i,j}{P}_{i,j}+P_j^w=P_j^L\\ \underset{i}{\overset{N}{\mathrm{\Σ}}}{u}_{i,j}{P}_{i\max }+{\underset{\‾}{P}}_j^w\≥P_j^L\×(1+L\%)\\ \underset{i}{\overset{N}{\mathrm{\Σ}}}{u}_{i,j}{P}_{i\min }+{\stackrel{\‾}{P}}_j^w\≤P_j^L\\ u_{i,j}{P}_{i\min }\≤P_{i,j}\≤u_{i,j}{P}_{i\max }\\ ({\mathrm{TON}}_{i,j-1}-{\mathrm{MUT}}_i)(u_{i,j-1}-u_{i,j})\≥0\\ ({\mathrm{TOFF}}_{i,j-1}-{\mathrm{MDT}}_i)(u_{i,j}-u_{i,j-1})\≥0\end{array}\right.$

上述公式中：f₁(P_i,j)为发电运行总成本，f₂(P_i,j)为有害气体排放总量，i为火电机组号；j为时段号；u_i,j为机组i第j时段的启停状态；N为总的火电机组数；T为调度周期总的时段数；a_i、b_i、c_i为燃料费用系数；S_i,j为火电机组i第j时段的启动成本；P_i,j为火电机组i第j时段输出的有功功率；SH_i和SC_i分别为火电机组i的热启动和冷启动费用；TOFF_i,j为火电机组i第j时段连续停机的时段数；MDT_i为机组i的最小停机时间；T_cold,i为机组i的冷启动时间；α_i、β_i、γ_i为火电机组i排放量系数；为系统第j时段的负荷预测值；为第j时段的风电点预测值；L％为系统正旋转备用率；P_imin和P_imax分别为火电机组i的最小和最大出力；和分别为第j时段满足一定置信概率的风电功率预测区间的上下限；TON_i,j为火电机组i第j时段连续开机的时段数；MUT_i为机组i的最小开机时间。

上述步骤S3中量子化比特位和都初始化为并按照下式生成初始种群矩阵：

式中：i＝1,…,NP，j＝1,…,m。rn_i,j是0和1之间均匀分布的随机数；NP是种群大小。

上述步骤S4中在正/负旋转备用约束处理、最小开停机时间约束处理与过量旋转备用处理等方面采用了相应的启发式规则对越界粒子进行局部修正，提高种群的质量。

上述步骤S5包括如下步骤：

S51：初始化参数，给原变量和对偶变量赋初值，同时计算障碍参数μ的初值；

S52：在当前点建立牛顿方程组，计算牛顿方向；

S53：计算沿牛顿方向的原变量和对偶变量的迭代步长，更新原对偶变量，修正障碍参数；

S54：计算对偶间隙ρ，判断ρ≤10^-6是否满足，若满足则迭代结束，否则转S52。

上述步骤S7评价所有粒子优劣时，由于多目标可能存在冲突，无法求得使所有目标函数同时达到极值的最优解，因此只能寻求系统的非支配解，即帕累托解，而外部档案则是用来保存进化过程中的非支配解。

多目标量子离散粒子群的外部档案更新过程如下：对于每个新的解，如果该解被外部档案的所有成员支配，则该新解禁止加入外部档案；如果该解被外部档案中部分成员支配，这些被支配的解就被从外部档案中清除，并将新解加入外部档案；如果该解和外部档案所有成员都互不支配，则直接将该解加入外部档案。当外部档案解的总数达到最大值，则计算外部档案所有成员的拥挤距离并从大到小进行排列。外部档案中拥挤距离较大的解保留，其他解被清除。

上述步骤S8中按照以下公式更新量子比特位和并生成下一代种群矩阵：

$\left[\begin{array}{c}{\mathrm{\α}}_{i,j}^{k+1}\\ {\mathrm{\β}}_{i,j}^{k+1}\end{array}\right]=\left[\begin{array}{cc}\cos \left({\mathrm{\Δ\θ}}_{i,j}^{k+1}\right)& -\sin \left({\mathrm{\Δ\θ}}_{i,j}^{k+1}\right)\\ \sin \left(\mathrm{\Δ}{\mathrm{\θ}}_{i,j}^{k+1}\right)& \cos \left({\mathrm{\Δ\θ}}_{i,j}^{k+1}\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\α}}_{i,j}^k\\ {\mathrm{\β}}_{i,j}^k\end{array}\right]$

式中：为旋转角。

上述步骤S10根据对运行成本和有害气体排放量的综合考虑，从一系列帕累托最优的机组组合方案中折衷选取一个合适的方案。

本发明的有益效果是，本发明考虑了风电出力波动性对机组组合的影响，采用多目标量子离散粒子群优化方法，得出以常规发电机组燃料成本费用最小和有害气体排放量最少为目标的一系列机组开停状态和负荷分配方案。电网决策者可以根据自己的意图，从这些机结果中选取最适合的机组组合方案，作为日前发电计划。该方案能够确保电力资源的优化配置，降低运行费用，同时减少有害气体排放量。所提出的多目标量子离散粒子群优化方法与已有技术相比，具有收敛速度快、计算效率高、优化结果更佳的优势，对于大规模电网的机组组合问题更具实用性。

附图说明

图1是本发明的考虑有害气体排放量的含风电场多目标机组组合优化方法流程图；

图2是置信概率为90％的某风电场出力预测区间示意图。

图3是10机系统在不加风电时采用本发明方法所得到的帕累托最优前沿。

图4是10机系统在加入风电时采用本发明方法所得到的帕累托最优前沿。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以10台机组24小时的机组组合优化为实施例，结合附图对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明求解考虑有害气体排放量的含风电场多目标机组组合优化方法，包括如下步骤：

S1：获取10机系统的发电机机组参数、运行特性参数如表1所示，发电机排放量参数如表2所示；获取未来24小时所有负荷的预测数据如表3所示；获取风电功率的预测数据，得到风电功率预测值的概率区间如图1所示。

表1 10机系统的发电机机组参数

表2 10机系统的发电机排放量参数

机组	αi/ton h-1	βi/ton MW-1h-1	γi/ton MW-2h-1
				U-1	103.3908	-2.4444	0.0312
U-2	103.3908	-2.4444	0.0312
				U-3	300.391	-4.0695	0.0509
U-4	300.391	-4.0695	0.0509
				U-5	320.0006	-3.8132	0.0344
U-6	320.0006	-3.8132	0.0344
				U-7	330.0056	-3.9023	0.0465
U-8	330.0056	-3.9023	0.0465
				U-9	350.0056	-3.9524	0.0465
U-10	360.0012	-3.9864	0.047

表3 未来24小时所有负荷的预测数据

时间(hour)	负荷(MW)	时间(hour)	负荷(MW)	时间(hour)	负荷(MW)
						1	700	9	1300	17	1000
2	750	10	1400	18	1100
						3	850	11	1450	19	1200
4	950	12	1500	20	1400
						5	1000	13	1400	21	1300
6	1100	14	1300	22	1100
						7	1150	15	1200	23	900
8	1200	16	1050	24	800

获取风电功率预测值概率区间的方法是：首先通过风电功率点预测得到风电功率预测曲线，再通过建立风电功率预测误差的概率分布函数，得到风电功率预测值的概率区间。电网运行者可根据对于经济性和可靠性的要求灵活选择置信概率。实际应用中，对于预测区间的置信概率，一般取较为适中的值，如80％，避免因预测区间过大而失去参考意义和因预测区间过小而难以包含较大的风电功率预测误差。本实施例采用置信概率为90％的某风电场出力预测区间，如图1所示。

S2：根据电网的基本参数和预测数据对机组组合问题进行建模，目标函数除了考虑常规火电机组的发电成本外，还考虑有害气体排放量。像火电机组燃料费用曲线一样，有害气体排放量曲线用二次函数表示即可满足精度要求。约束条件包括系统功率平衡约束、系统正/负旋转备用约束、火电机组出力限制、火电机组最小开停机时间限制等。

具体的目标函数与约束条件表示如下：

min F＝min(f₁(P_i,j),f₂(P_i,j))

$f_1\left(P_{i,j}\right)=\underset{j=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(u_{i,j}(a_i{\left(P_{i,j}\right)}^2+b_i{P}_{i,j}+c_i)+S_{i,j}(1-u_{i,j-1})*u_{i,j})$

$f_2\left(P_{i,j}\right)=\underset{j=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left(u_{i,j}({\mathrm{\γ}}_i{\left(P_{i,j}\right)}^2+{\mathrm{\β}}_i{P}_{i,j}+{\mathrm{\α}}_i)\right)$

系统功率平衡约束：

$\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{u}_{i,j}{P}_{i,j}+P_j^w=P_j^L$

系统正/负旋转备用约束：

$\left\{\begin{array}{c}\underset{i}{\overset{N}{\mathrm{\Σ}}}{u}_{i,j}{P}_{i\max }+{\underset{\‾}{P}}_j^w\≥P_j^L\×(1+L\%)\\ \underset{i}{\overset{N}{\mathrm{\Σ}}}{u}_{i,j}{P}_{i\min }+{\stackrel{\‾}{P}}_j^w\≤P_j^L\end{array}\right.$

火电机组出力限制：

u_i,jP_imin≤P_i,j≤u_i,jP_imax

火电机组最小开停机时间限制：

$\left\{\begin{array}{c}({\mathrm{TON}}_{i,j-1}-{\mathrm{MUT}}_i)(u_{i,j-1}-u_{i,j})\≥0\\ ({\mathrm{TOFF}}_{i,j-1}-{\mathrm{MDT}}_i)(u_{i,j}-u_{i,j-1})\≥0\end{array}\right.$

上述公式中：f₁(P_i,j)为发电运行总成本，f₂(P_i,j)为有害气体排放总量，i为火电机组号；j为时段号；u_i,j为机组i第j时段的启停状态；N为总的火电机组数；T为调度周期总的时段数；a_i、b_i、c_i为燃料费用系数；S_i,j为火电机组i第j时段的启动成本；P_i,j为火电机组i第j时段输出的有功功率；SH_i和SC_i分别为火电机组i的热启动和冷启动费用；TOFF_i,j为火电机组i第j时段连续停机的时段数；MDT_i为机组i的最小停机时间；T_cold,i为机组i的冷启动时间；α_i、β_i、γ_i为火电机组i排放量系数；为系统第j时段的负荷预测值；为第j时段的风电点预测值；L％为系统正旋转备用率；P_imin和P_imax分别为火电机组i的最小和最大出力；和分别为第j时段满足一定置信概率的风电功率预测区间的上下限；TON_i,j为火电机组i第j时段连续开机的时段数；MUT_i为机组i的最小开机时间。

S3：根据火电机组参数初始化量子比特位，生成代表机组开停状态的初始种群矩阵。

量子计算建立在量子态的矢量表达基础上，其最小的信息单位是量子比特位。区别于经典比特位，量子比特位不但可以处于0态或1态，还可以处于两者的线性叠加态，其状态表示为：

$|{\mathrm{\ψ}}_{i,j}\⟩={\mathrm{\α}}_{i,j}|0\⟩+{\mathrm{\β}}_{i,j}|1\⟩,{\left|{\mathrm{\α}}_{i,j}\right|}^2+{\left|{\mathrm{\β}}_{i,j}\right|}^2=1$

式中：α_ij、β_ij为代表相应状态出现概率的两个复数；|α_ij|²、|β_ij|²分别表示量子比特处于状态0和状态1的概率。

初始化量子比特位，即将个体中所有代表机组开停状态出现概率的复数和都设定为表示所有可能的叠加态以相同的概率出现；粒子的位置向量按下式生成，每个粒子自身最优位置的初始值即为它的初始位置，全局最优位置的初始值为种群中最小费用的粒子所在的位置。

式中：i＝1,…,NP，j＝1,…,m。rn_i,j是0和1之间均匀分布的随机数；NP是种群大小，。

S4：按启发式调整规则对种群矩阵进行调整，生成新的满足约束条件的种群矩阵。

S5：用原对偶内点法对各时段每个机组进行负荷经济分配，包括以下步骤：

S51：初始化参数，给原变量和对偶变量赋初值，同时计算障碍参数μ的初值。

S52：在当前点建立牛顿方程组，计算牛顿方向。

S53：计算沿牛顿方向的原变量和对偶变量的迭代步长，更新原对偶变量，修正障碍参数。

S54：计算对偶间隙ρ，判断ρ≤10^-6是否满足，若满足则迭代结束，否则转S52。

S6：利用目标函数计算每个粒子的适应度值。

S7：评价种群中的所有粒子，更新各粒子的历史最优位置和适应度值以及全局最优位置和适应度值，并将非支配解加入到外部档案中。

在量子离散粒子群中，粒子群大小固定，其粒子不会被替代，而只是调整它们的pbest和整个粒子群中的gbest。在多目标情况下，存在一组非劣解，而不是单个的全局最好位置，而且当两个解彼此互不支配时，每个粒子可能不只一个pbest。因此，pbest和gbest选取比单目标优化时更加困难，也更重要。

(1)pbest选取：如果粒子支配它的pbest，则pbest被该粒子代替；如果粒子和它的pbest互不支配，可从中随机挑选一个；否则，它的pbest保持不变。

(2)gbest选取：在用量子离散粒子群求取多目标优化问题时，gbest不是单个的解，而是一个解集。本章采用随机选择法从非劣解集中随机选择一个解作为gbest。

(3)外部档案：外部档案是用来保存进化过程中的非劣解。多目标量子离散粒子群的外部档案更新过程如下：对于每个新的解，如果该解被外部档案的所有成员支配，则该新解禁止加入外部档案；如果该解被外部档案中部分成员支配，这些被支配的解就被从外部档案中清除，并将新解加入外部档案；如果该解和外部档案所有成员都互不支配，则直接将该解加入外部档案。当外部档案解的总数达到最大值，则计算外部档案所有成员的拥挤距离并从大到小进行排列。外部档案中拥挤距离较大的解保留，其他解被清除。

S8：更新量子比特位，并生成下一代种群矩阵。

通过如下旋转门更新量子比特位：

$\left[\begin{array}{c}{\mathrm{\α}}_{i,j}^{k+1}\\ {\mathrm{\β}}_{i,j}^{k+1}\end{array}\right]=\left[\begin{array}{cc}\cos \left({\mathrm{\Δ\θ}}_{i,j}^{k+1}\right)& -\sin \left({\mathrm{\Δ\θ}}_{i,j}^{k+1}\right)\\ \sin \left(\mathrm{\Δ}{\mathrm{\θ}}_{i,j}^{k+1}\right)& \cos \left({\mathrm{\Δ\θ}}_{i,j}^{k+1}\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\α}}_{i,j}^k\\ {\mathrm{\β}}_{i,j}^k\end{array}\right]$

用以下两式计算旋转角和旋转角的幅值θ：

${\mathrm{\Δ\θ}}_{i,j}^{k+1}=\mathrm{\θ}[{\mathrm{\γ}}_{1,i}^k(x_{i,j}^{P,k}-x_{i,j}^k)+{\mathrm{\γ}}_{2,i}^k(x_j^{G,k}-x_{i,j}^k)]$

$\mathrm{\θ}={\mathrm{\θ}}_{\max }-({\mathrm{\θ}}_{\max }-{\mathrm{\θ}}_{\min })\frac{k}{{\mathrm{iter}}_{\max }}$

式中：θ一般取为0.001π到0.05π；iter_max为量子离散粒子群算法预先设定的最大迭代次数；k为当前的迭代次数；和分别为粒子i历史最优位置和全局最优位置；和通过比较粒子当前位置的适应度值和个体极值(即)以及全局极值(即)的大小，来确定是否引导调整量子旋转角，如下所示：

S9：判断量子离散粒子群方法的迭代次数是否超过预先设置的最大迭代次数，如果已超过，则算法停止，得到一系列帕累托最优解；否则转步骤S4。

S10：根据决策者对运行成本和有害气体排放量的综合考虑，从一系列帕累托最优的机组组合方案中折衷选取一个合适的方案。

在本实施例中，为了对比验证本发明所提方法的优越性，构造一组对比算例，即将多目标优化问题通过加权系数法构造成单目标优化问题，并采用单目标量子离散粒子群优化算法进行求解。

表4为加权系数法和多目标量子离散粒子群算法两种方法所得结果的比较。从中可以看出，在10机系统中，未加入风电前，用多目标量子离散粒子群算法得到的最优发电总成本和最优有害气体排放量均比加权系数法更优，而且采用多目标量子离散粒子群算法可以得到一系列最优解，运行调度人员可根据需要选择其中一个合适的解，加权系数法相比起来过程要复杂的多且难于操作。图3和图4是10机系统在不加风电和加入风电的情况下采用多目标量子离散粒子群算法得到的帕累托最优前沿。从图中可以看出，当只考虑火电机组发电总成本时，有害气体排放总量很高，对环境不利；当只考虑有害气体排放总量时，火电机组发电总成本很高，这是因为一些费用昂贵的小容量机组在低负荷时期仍处于开机状态；而同时考虑两者，可以得到折中的相对较优的解。从表4还可以看出，系统在加入风电后，火电机组发电总成本和有害气体排放总量均大幅度降低，其中最优的火电机组发电总成本由563977$减为512254$，节省了总费用的9.2％，而最优的有害气体排放总量由257372ton减为232892ton，减少了总排放量的9.5％，这也说明风电的接入不仅可以取得经济效益，还可以满足节能减排政策的要求。

表4 未来24小时所有负荷的预测数据

综上，我们提出的考虑有害气体排放量的含风电场多目标机组组合优化方法能够同时优化发电运行总成本和有害气体排放量，得到一系列机组组合优化方案，决策者通过对环境效益和经济效益的折衷考虑可以得到最适合的机组组合方案，对于含风电场大规模电网的机组组合问题提供了有效的解决办法，具有广泛的应用前景。

Claims (10)

1.一种考虑有害气体排放量的含风电场多目标机组组合优化方法，其特征在于包括下述步骤：

S1：获取电网的发电机机组参数、运行特性及约束条件；获取未来24小时所有负荷的预测数据；获取风电功率的预测数据，得到风电功率预测值的概率区间；

S2：根据电网的基本参数和预测数据对多目标机组组合问题进行建模；

S3：初始化量子比特位，生成代表机组开停状态的初始种群矩阵；

S4：按启发式调整规则对种群矩阵进行调整，生成新的满足约束条件的种群矩阵；

S5：用原对偶内点法对各时段每个机组进行负荷经济分配；

S6：利用目标函数计算每个粒子的适应度值；

S7：评价种群中的所有粒子，更新各粒子的历史最优位置和适应度值以及全局最优位置和适应度值，并将非支配解加入到外部档案中；

S8：更新量子比特位，并生成下一代种群矩阵；

S9：判断量子离散粒子群方法的迭代次数是否超过预先设置的最大迭代次数，如果已超过，则算法停止，得到帕累托最优解；否则转步骤S4；

S10：从一系列帕累托最优的机组组合方案中折衷选取一个合适的方案。

2.根据权利要求1所述的考虑有害气体排放量的含风电场多目标机组组合优化方法，其特征在于上述步骤S1中，获取风电功率预测值概率区间的方法是：首先通过风电功率点预测得到风电功率预测曲线，再通过建立风电功率预测误差的概率分布函数，得到风电功率预测值的概率区间，并根据经济性和可靠性的要求选择置信概率，避免因预测区间过大而失去参考意义和因预测区间过小而难以包含较大的风电功率预测误差。

3.根据权利要求2所述的考虑有害气体排放量的含风电场多目标机组组合优化方法，其特征在于上述根据经济性和可靠性的要求选择置信概率，实际应用中，对于预测区间的置信概率，取80％，避免因预测区间过大而失去参考意义和因预测区间过小而难以包含较大的风电功率预测误差。

4.根据权利要求1所述的含风电场多目标机组组合优化方法，其特征在于上述步骤S2中，所建立的多目标机组组合模型的目标函数为常规火电机组的发电成本最小和有害气体排放量最少，有害气体排放量曲线用二次函数表示，约束条件包括系统功率平衡约束、系统正/负旋转备用约束、火电机组出力限制、火电机组最小开停机时间限制，

min F＝min(f₁(P_i,j),f₂(P_i,j))

$f_1\left(P_{i,j}\right)=\underset{j=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(u_{i,j}(a_i{\left(P_{i,j}\right)}^2+b_i{P}_{i,j}+c_i)+S_{i,j}(1-u_{i,j-1})*u_{i,j})$

$f_2\left(P_{i,j}\right)=\underset{j=1}{\overset{T}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left(u_{i,j}({\mathrm{\γ}}_i{\left(P_{i,j}\right)}^2+{\mathrm{\β}}_i{P}_{i,j}+{\mathrm{\α}}_i)\right)$

约束条件：

$\left\{\begin{array}{c}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{u}_{i,j}{P}_{i,j}+P_j^w=P_j^L\\ \underset{i}{\overset{N}{\mathrm{\Σ}}}{u}_{i,j}{P}_{i\max }+{\underset{\‾}{P}}_j^w\≥P_j^L\×(1+L\%)\\ \underset{i}{\overset{N}{\mathrm{\Σ}}}{u}_{i,j}{P}_{i\min }+{\stackrel{\‾}{P}}_j^w\≤P_j^L\\ u_{i,j}{P}_{i\min }\≤P_{i,j}\≤u_{i,j}{P}_{i\max }\\ ({\mathrm{TON}}_{i,j-1}-{\mathrm{MUT}}_i)(u_{i,j-1}-u_{i,j})\≥0\\ ({\mathrm{TOFF}}_{i,j-1}-{\mathrm{MDT}}_i)(u_{i,j}-u_{i,j-1})\≥0\end{array}\right.$

上述公式中：f₁(P_i,j)为发电运行总成本，f₂(P_i,j)为有害气体排放总量，i为火电机组号；j为时段号；u_i,j为机组i第j时段的启停状态；N为总的火电机组数；T为调度周期总的时段数；a_i、b_i、c_i为燃料费用系数；S_i,j为火电机组i第j时段的启动成本；P_i,j为火电机组i第j时段输出的有功功率；SH_i和SC_i分别为火电机组i的热启动和冷启动费用；TOFF_i,j为火电机组i第j时段连续停机的时段数；MDT_i为机组i的最小停机时间；T_cold,i为机组i的冷启动时间；α_i、β_i、γ_i为火电机组i排放量系数；为系统第j时段的负荷预测值；为第j时段的风电点预测值；L％为系统正旋转备用率；P_imin和P_imax分别为火电机组i的最小和最大出力；和分别为第j时段满足一定置信概率的风电功率预测区间的上下限；TON_i,j为火电机组i第j时段连续开机的时段数；MUT_i为机组i的最小开机时间。

5.根据权利要求1所述的含风电场多目标机组组合优化方法，其特征在于上述步骤S3中量子化比特位和都初始化为并按照下式生成初始种群矩阵：

式中：i＝1,…,NP，j＝1,…,m，rn_i,j是0和1之间均匀分布的随机数；NP是种群大小。

6.根据权利要求1所述的含风电场多目标机组组合优化方法，其特征在于上述步骤S4中在正/负旋转备用约束处理、最小开停机时间约束处理与过量旋转备用处理等方面采用了相应的启发式规则对越界粒子进行局部修正，提高种群的质量。

7.根据权利要求1所述的含风电场多目标机组组合优化方法，其特征在于上述步骤S5包括如下步骤：

S51：初始化参数，给原变量和对偶变量赋初值，同时计算障碍参数μ的初值；

S52：在当前点建立牛顿方程组，计算牛顿方向；

S53：计算沿牛顿方向的原变量和对偶变量的迭代步长，更新原对偶变量，修正障碍参数；

S54：计算对偶间隙ρ，判断ρ≤10^-6是否满足，若满足则迭代结束，否则转S52。

8.根据权利要求1所述的含风电场多目标机组组合优化方法，其特征在于上述步骤S7评价所有粒子优劣时，由于多目标可能存在冲突，无法求得使所有目标函数同时达到极值的最优解，因此只能寻求系统的非支配解，即帕累托解，而外部档案则是用来保存进化过程中的非支配解。

多目标量子离散粒子群的外部档案更新过程如下：对于每个新的解，如果该解被外部档案的所有成员支配，则该新解禁止加入外部档案；如果该解被外部档案中部分成员支配，这些被支配的解就被从外部档案中清除，并将新解加入外部档案；如果该解和外部档案所有成员都互不支配，则直接将该解加入外部档案，当外部档案解的总数达到最大值，则计算外部档案所有成员的拥挤距离并从大到小进行排列，外部档案中拥挤距离较大的解保留，其他解被清除。

9.根据权利要求1所述的含风电场多目标机组组合优化方法，其特征在于上述步骤S8中按照以下公式更新量子比特位和并生成下一代种群矩阵：

$\left[\begin{array}{c}{\mathrm{\α}}_{i,j}^{k+1}\\ {\mathrm{\β}}_{i,j}^{k+1}\end{array}\right]=\left[\begin{array}{cc}\cos \left({\mathrm{\Δ\θ}}_{i,j}^{k+1}\right)& -\sin \left({\mathrm{\Δ\θ}}_{i,j}^{k+1}\right)\\ \sin \left(\mathrm{\Δ}{\mathrm{\θ}}_{i,j}^{k+1}\right)& \cos \left({\mathrm{\Δ\θ}}_{i,j}^{k+1}\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\α}}_{i,j}^k\\ {\mathrm{\β}}_{i,j}^k\end{array}\right]$

式中：为旋转角。

10.根据权利要求1所述的含风电场多目标机组组合优化方法，其特征在于上述步骤S10根据对运行成本和有害气体排放量的综合考虑，从一系列帕累托最优的机组组合方案中折衷选取一个合适的方案。