CN104779614A - 一种含有风电场的低碳可用输电能力计算方法 - Google Patents

Abstract

本发明公开了一种含有风电场的低碳可用输电能力计算方法，通过多目标规划协调优化决策可用输电能力与碳排放。本发明首先建立了含风电场及碳捕集装置的多目标优化模型，以可用输电能力最大和二氧化碳排放量最小为目标函数，并采用法线边界交叉法求解该确定性多目标规划模型；针对风电出力的不确定性，以机会约束的形式表示系统安全约束；在所求得的确定性解的基础上进行概率潮流计算，利用半不变量和Cornish Fisher级数将机会约束调整为确定性约束，不断迭代求解至机会约束满足。本发明协调了电力系统安全性与环保性之间的关系，在低碳减排背景下具有现实意义。

Description

一种含有风电场的低碳可用输电能力计算方法

技术领域

本发明涉及一种含有风电场的低碳可用输电能力计算方法，属于电力系统优化运行领域。

背景技术

近年来，随着我国经济总量的持续增长，传统化石能源消费量不断攀升，环境和气候变化问题日益突出。减少二氧化碳排放，是一个亟待解决的问题，对于控制温室效应、减缓全球气候变暖至关重要。为推动“绿色发展，低碳发展”，目前电力工业的低碳减排对策主要有两类：一是提高清洁能源比重，风能作为一种高效清洁的能源，在全球范围内得到了大规模应用；二是采用碳捕集与封存(carbon capture and storage,CCS)技术。

随着大规模风电并网，跨区跨省输送新能源发电比例日益增加。风速天然具有波动性和间歇性，风力发电的不确定性对电力系统运行的安全稳定造成了威胁。电力系统可用输电能力(available transfer capability,ATC)是评价系统安全裕度重要指标。目前，已有学者对含风电场的可用输电能力进行了研究。现有多数关于ATC的研究要求即使在不确定环境下，系统安全约束也应严格满足，由此得到的ATC值过于保守。

另外，在低碳减排背景下，一味增加常规发电机出力来提升可用输电能力势必会带来碳排放量的增加，忽视了环境效益。风电对减排有着重要贡献，同时也加剧了电网的不确定性。因此，如何在含风电场的电力系统中寻求低碳和ATC之间的协调决策成为一个值得研究的问题。

发明内容

本发明所要解决的技术问题是提供一种含有风电场的低碳可用输电能力计算方法，对含有风电场的电力系统协调决策其可用输电能力与碳排放之间的关系，并考虑由于风电的随机性、间歇性、波动性对电力系统带来的影响。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种含有风电场的低碳可用输电能力计算方法，包括以下步骤：

步骤1，分别以可用输电能力最大和含CCS装置下的碳排放量最小作为目标函数，进行单目标优化求得两个最优解，根据两个最优解对目标函数进行规格化并建立乌托邦线；

步骤2，根据预设点数，在乌托邦线上均匀取点，对乌托邦线上的每个点进行如下处理：

2.1，利用法线边界交叉法将多目标优化问题转化为单目标优化问题；

2.2，利用原对偶内点法求解单目标优化问题，得到控制量和可用输电能力、碳排放值；

2.3，将步骤2.2所得的解作为电力系统运行控制方案，并以此为基准运行点进行概率潮流计算，利用半不变量和Cornish Fisher级数求得状态变量的概率分布以调整机会约束；

2.4，判断机会约束是否满足，若满足则停止计算，输出步骤2.2的计算结果，转至步骤2.5；否则，调整机会约束的上下限后，返回步骤2.2；

2.5，判断是否取遍乌托邦线上的所有点，若是，则停止计算；否则，取下一未处理点，返回步骤2.1。

作为本发明的进一步优化方案，步骤1中以可用输电能力最大作为目标函数，其表达式为：

$f_1=\max \underset{i\∈S_R}{\mathrm{\Σ}}{P}_{\mathrm{di}}$

式中，P_di为节点i的有功负荷；S_R为受电区域。

作为本发明的进一步优化方案，步骤1中以含CCS装置下的碳排放量最小作为目标函数，其表达式为：

$f_2=\underset{i\∈S_R}{\mathrm{\Σ}}[K_e(P_{\mathrm{gs},i}+P_{\mathrm{gr},i})-K_b{P}_{\mathrm{gr},i}]$

式中，S_S为送电区域；K_e为单位时间内碳排放强度；P_gs,i为节点i发电机用于注入电网的功率；P_gr,i为节点i发电机用于捕集碳的功率；K_b为相同类型机组单位能耗下的二氧化碳捕集量。

作为本发明的进一步优化方案，步骤2.3中状态变量包括节点电压和线路功率。

作为本发明的进一步优化方案，步骤2.3中利用半不变量和Cornish Fisher级数求得状态变量的概率分布以调整机会约束，具体为：根据节点注入功率各阶半不变量求得状态变量的各阶半不变量，结合Cornish Fisher级数得到状态变量的概率分位点，据此调整机会约束上下限。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)多目标优化模型能综合考虑碳排放和ATC值，相比传统单目标ATC计算模型更具有现实意义，有利于系统运行人员在对安全约束不同重视程度下的决策规划，避免了单目标模型下决策的片面性；

(2)采用机会约束模型，减小了系统在不确定环境下安全约束越限的概率；基于半不变量和Cornish Fisher分位点展开的概率潮流方法，便于机会约束的后验式调整；

(3)在送电区域加入风电场能提高区域间可用输电能力，风电场对减排有重要贡献；CCS装置的使用使得发电机部分出力用于碳捕集，一定程度上减小了系统的可用输电能力，但CCS装置使碳排放量大大减小。

附图说明

图1是本发明的方法流程图。

图2是修改的IEEE30节点系统结构图。

图3是不同置信度下节点30电压的概率密度曲线。

图4是95％置信度及确定性下帕累托前沿比较。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明提供了含风电场的低碳可用输电能力计算方法，如图1所示，首先分别以可用输电能力最大和含CCS装置下的碳排放量最小为目标函数，得到单目标优化结果；对目标函数进行规范化，在规范化的空间内建立乌托邦线；在乌托邦线上均匀取点，采用法线边界交叉法(normal boundary intersection,NBI)，将多目标优化转化为单目标优化问题，针对机会约束，采用半不变量法与Cornish Fisher级数相结合的后验式调整算法，将机会约束转化为确定性的形式；不断调整机会约束上下限直至机会约束满足；直至，取遍帕累托前沿上预设的所有点数。

采用韦布尔分布描述风速，其概率密度函数为：

$f\left(v\right)=\frac{k}{c}{\left(\frac{v}{c}\right)}^{k-1}\exp [-{\left(\frac{v}{c}\right)}^k]$

式中：v为风速；k为形状系数；c为尺度系数。

对于单台风机，风速决定其有功出力，其对应关系为：

式中，v_ci为风电机组的切入风速；v_r为风电机组的额定风速；v_co为风电机组的切出风速；P_r为风电机组的额定输出功率。

碳捕集装置(carbon capture and storage,CCS)的简化模型如下：传统的火力发电机机组通过燃煤发电，因而产生了大量温室气体，其单位时间内碳排放强度K_e近似用常数表示为：

$K_e=\frac{m_e}{P_g}$

P_g＝P_gs+P_gr

式中，m_e为单位时间内碳排放量(t/h)；P_g为机组总发电量(MW)；P_gs为发电机注入电网功率(MW)，P_gr为用于捕集二氧化碳所消耗的发电机出力(MW)。

火力发电机组需要消耗一定的能量进行碳捕集，定义相同类型机组单位能耗下的二氧化碳捕集量K_b：

$K_b=\frac{m_r}{P_{\mathrm{gr}}}$

式中，m_r为单位时间碳捕集量(t/h)。

定义碳捕集率K_r：

$K_r=\frac{m_r}{m_e}$

碳捕集过程中有能量损耗，捕集率不可能达到100％，目前CCS最大捕集率K_rmax约85％-90％，即有：

0≤m_r≤K_r maxm_e

整理上式，可得：

$0\≤P_{\mathrm{gr}}\≤\frac{K_{r\max }{K}_e{P}_{\mathrm{gs}}}{K_b-K_{r\max }{K}_e}$

这表明，由于最大碳捕集率的限制，用于碳捕集的发电机出力存在上限，即使再增加出力也无法回收更多的二氧化碳。

(一)分别以ATC最大和碳排放最小作为目标函数，进行单目标优化，求得两个最优解；ATC最大和碳排放最小的模型如下：

(a)目标函数

以受电区域负荷增量最大为目标函数的ATC计算模型，其数学表达如下：

$f_1=\max \underset{i\∈S_R}{\mathrm{\Σ}}{P}_{\mathrm{di}}$

式中，P_di为节点i的有功负荷；S_R为受电区域。

单位时间内含CCS装置的碳排放的目标函数为：

$f_2=\underset{i\∈S_S}{\mathrm{\Σ}}[K_e(P_{\mathrm{gs},i}+P_{\mathrm{gr},i})-K_b{P}_{\mathrm{gr},i}]$

式中，S_S为送电区域，P_gs,i为节点i发电机用于注入电网的功率，P_gr,i为节点i发电机用于捕集碳的功率。

(b)潮流方程等式约束

$\left\{\begin{array}{c}{\stackrel{\‾}{P}}_{\mathrm{gs},i}+{\tilde{P}}_{w,i}-{\stackrel{\‾}{P}}_{d,i}-{\tilde{V}}_i\underset{j\∈i}{\mathrm{\Σ}}{\tilde{V}}_j(G_{\mathrm{ij}}\cos {\widetilde{\mathrm{\θ}}}_{\mathrm{ij}}+B_{\mathrm{ij}}\sin {\widetilde{\mathrm{\θ}}}_{\mathrm{ij}})=0\\ {{\stackrel{\‾}{Q}}_{g,i}+\tilde{Q}}_{w,i}-{\stackrel{\‾}{Q}}_{d,i}-{\tilde{V}}_i\underset{j\∈i}{\mathrm{\Σ}}{\tilde{V}}_j(G_{\mathrm{ij}}\sin {\widetilde{\mathrm{\θ}}}_{\mathrm{ij}}+B_{\mathrm{ij}}\cos {\widetilde{\mathrm{\θ}}}_{\mathrm{ij}})=0\end{array}\right.$

式中，Q_g,i为节点i的发电机无功注入；P_w,i、Q_w,i为节点i的风电注入有功、无功；P_d,i、Q_d,i为节点i的有功、无功负荷；G_ij、B_ij分别为节点导纳阵的实部和虚部；θ_ij为节点i和j的电压相角差；为节点i、j电压幅值？上标“-”表示期望，“～”表示随机变量；j∈i表示与节点i相连的节点j。

(c)不等式约束

基于最优潮流模型的低碳可用输电能力计算模型中，控制变量包括送电区域发电机总出力、无功出力、碳捕集功率以及受电区域负荷，应严格满足不等式约束，数学表达如下：

$\left\{\begin{array}{cc}{P}_{g\min ,i}\≤{\stackrel{\‾}{P}}_{\mathrm{gs},i}+{\stackrel{\‾}{P}}_{\mathrm{gr},i}\≤P_{g\max ,i}& i\∈S_S\\ 0\≤P_{\mathrm{gr},i}\≤\frac{K_{r\max }{K}_e{P}_{\mathrm{gs},i}}{K_b-K_{r\max }{K}_e}& i\∈S_S\\ Q_{g\min ,i}\≤{\stackrel{\‾}{Q}}_{g,i}\≤Q_{g\max ,i}& i\∈S_S\\ P_{d\min ,j}\≤{\stackrel{\‾}{P}}_{d,j}\≤P_{d\max .j}& j\∈S_R\\ Q_{d\min ,j}\≤{\stackrel{\‾}{Q}}_{d,j}\≤Q_{d\max .j}& j\∈S_R\end{array}\right.$

式中，P_g,i,Q_g,i为节点i发电机有功、无功出力；P_d,i,Q_d,i为节点i有功、无功负荷；下标“max”和“min”表示变量上下限。

状态变量包括节点电压幅值、线路有功功率，应满足机会约束，数学表达如下：

$\left\{\begin{array}{cc}{P}_r\{{\tilde{V}}_i\≥V_{\min ,i}\}\≥p_{V_{i\min }}& i\∈S_{\mathrm{PQV}}\\ P_r\{{\tilde{V}}_i\≤V_{\max ,i}\}\≥p_{V_{i\max }}& i\∈S_{\mathrm{PQV}}\\ P_r\left\{\right|{\tilde{P}}_{t,\mathrm{ij}}|\≤P_{t\max ,\mathrm{ij}}\}\≥p_{t_{\mathrm{ij},\min }}& \mathrm{ij}\∈S_L\end{array}\right.$

式中，S_PQV为除去平衡节点外的节点集合；S_L为线路集合；P_r{·}表示机会约束成立的概率；p_Vi,min、p_Vi,max、p_tij,min为给定概率值，表示线路i-j有功功率；p_tij,min p_Vimax p_Vimin分别对应节点电压约束、线路功率约束应满足的置信度，为给定值。

为了避免因目标函数单位不一致产生的数值问题，根据上述的单目标优化的结果，将目标函数按下式进行规格化，并建立乌托邦线：

${f_1}^{*}=\frac{f_1-f_{12}}{f_{11}-f_{12}}$

${f_2}^{*}=\frac{f_2-f_{22}}{f_{21}-f_{22}}$

式中，f_mn为第n个目标函数的解在第m个目标函数中的函数值，m,n＝{1,2}。

(二)根据预设点数，在乌托邦线上均匀取点，引入权重参数β，那么乌托邦线上的每一点可以表示为(β,β)，其中0≤β≤1。

(1)根据多目标最优解的含义，Pareto前沿越靠近理想最优点越好，因此，利用法线边界交叉法将多目标问题转化为求Pareto前沿上的点距离理想最优点的距离D最大的单目标优化问题，转化后的单目标优化问题如下：

$\left\{\begin{array}{c}\min (-D)\\ s.t.\left[\begin{array}{c}\frac{\sqrt{2}}{2}\\ -\frac{\sqrt{2}}{2}\end{array}\right]D+\left[\begin{array}{c}\mathrm{\β}\\ \mathrm{\β}\end{array}\right]=\left[\begin{array}{c}\frac{f_1-f_{12}}{f_{11}-f_{12}}\\ \frac{f_2-f_{22}}{f_{21}-f_{22}}\end{array}\right]\\ h\left(x\right)=0\\ \underset{\‾}{g}\≤g\left(x\right)\≤\stackrel{\‾}{g}\end{array}\right.$

式中，x为控制变量和状态变量；h(x)、g(x)分别为等式和不等式约束；g为不等式约束下限，g为不等式约束上限。

(2)利用原对偶内点法求解单目标优化问题，得到控制量和可用输电能力、碳排放值。

(3)将步骤(2)中的所得解作为系统运行控制方案，并以此为基准运行点，进行概率潮流计算。

这里，采用线性化交流潮流模型，在基准运行点处对潮流方程进行泰勒展开，忽略2次以上的高次项，得到：

$\left\{\begin{array}{c}\mathrm{\ΔX}=S_0\mathrm{\ΔW}\\ \mathrm{\ΔZ}=G_0\mathrm{\ΔX}=G_0{S}_0\mathrm{\ΔW}=H_0\mathrm{\ΔW}\end{array}\right.$

式中，S₀、H₀分别为节点电压和支路潮流对注入功率的灵敏度矩阵；G₀为支路潮流对节点电压的灵敏度矩阵；ΔX、ΔW、ΔZ分别为节点电压、节点注入功率、线路功率变化量。

利用半不变量的性质可得输出变量的各阶半不变量：

$\left\{\begin{array}{c}{\mathrm{\ΔX}}^{\left(k\right)}=S_0^{\left(k\right)}({{\mathrm{\ΔW}}_d}^{\left(k\right)}+{{\mathrm{\ΔW}}_g}^{\left(k\right)})\\ {\mathrm{\ΔZ}}^{\left(k\right)}=H_0^{\left(k\right)}({{\mathrm{\ΔW}}_d}^{\left(k\right)}+{{\mathrm{\ΔW}}_g}^{\left(k\right)})\end{array}\right.$

式中，为灵敏度矩阵S₀中的元素k次幂形成的矩阵；为灵敏度矩阵H₀中的元素k次幂形成的矩阵；ΔX^(k)、ΔZ^(k)、分别为节点电压、线路功率、节点负荷注入功率、节点发电机注入功率的k阶半不变量。

半不变量通常与Cornish Fisher级数相结合，其基本思想是由随机变量的前n阶半不变量和标准正态分布的分位数，给出随机变量的分位数或分位数所对应的值。

假设x为标准化的随机变量，其分布函数为：

$\begin{array}{c}{F}_n\left(x\right)=\mathrm{\Φ}\left(x\right)-\frac{{\mathrm{\κ}}_3}{6}(x^2-1)\mathrm{\φ}\left(x\right)-\frac{{\mathrm{\κ}}_4}{24}(x^3-3x)\mathrm{\φ}\left(x\right)\\ -\frac{{\mathrm{\κ}}_3^2}{72}(x^5-{10x}^3+15x)\mathrm{\φ}\left(x\right)+...\end{array}$

式中，Φ(x)为标准正态分布函数；φ(x)为标准正态分布概率密度函数；κ_t为标准化的t阶半不变量。

设x_p和v_p分别为函数F_n(x)和Φ(x)的p(0＜p＜1)分位点，利用上式以及F_n(x_p)＝Φ(v_p)＝p，可以将x_p表示成v_p的函数：

$\begin{array}{c}{x}_p=v_p+\frac{1}{6}({v_p}^2-1){\mathrm{\κ}}_3+\frac{1}{24}({v_p}^3-{3v}_p){\mathrm{\κ}}_4-\frac{1}{36}({{2v}_p}^3-{5v}_p)\\ {\mathrm{\κ}}_3^2+\frac{1}{120}({v_p}^4-{6v}_p^2+3){\mathrm{\κ}}_5-\frac{1}{24}(v_p^4-{5v}_p^2+2){\mathrm{\κ}}_3{\mathrm{\κ}}_4+\\ \frac{1}{324}({12v}_p^4-{53v}_p^2+17){\mathrm{\κ}}_3^3+...\end{array}$

为了简化说明，机会约束可统一写成如下形式：

$\left\{\begin{array}{c}{P}_r\{x_i\≤x_i^{\max }\}\≥p_{x_i}^{\max }\\ P_r\{x_i\≥x_i^{\min }\}\≥p_{x_i}^{\min }\end{array}\right.$

式中，x_i为机会约束表示的随机变量；为随机变量的上下限；为置信度。

分位数是概率分布函数的反函数，且其单调递增，满足：

$Q_{x_i}\left(x\right)=F_{x_i}^{-1}\left(x\right)$

式中，为随机变量x_i的概率分布函数；为随机变量x_i的分位数。

机会约束式可转化为：

$\left\{\begin{array}{c}{Q}_{x_i}\left({p_{x_i}}^{\max }\right)\≤x_{\max }\\ Q_{x_i}\left({p_{x_i}}^{\min }\right)\≥x_{\min }\end{array}\right.$

式中，为随机变量x_i的分位数。

根据该公式即可求得概率分位点，也就是分位值。

(4)根据求得的x_i在给定置信度p_xi处的分位值，即可判断机会约束式是否满足。若满足则停止计算，输出步骤(2)的计算结果，转至步骤(5)；否则，根据以下方法调整机会约束的上下限后，返回步骤(2).

当机会约束不满足时，可采用如下方法调整限值：

(1)如果则调整上限值：

${x_i}^{\max }={x_i}^{\max }\·\max \{1-\frac{Q_{x_i}\left(p_{x_i}^{\max }\right)-x_i^{\max }}{x_i^{\max }},1-\mathrm{\α}\}$

(2)如果则调整下限值：

${x_i}^{\max }={x_i}^{\max }\·\max \{1+\frac{x_i^{\min }-Q_{x_i}\left(p_{x_i}^{\max }\right)}{x_i^{\max }},1+\mathrm{\α}\}$

其中，α为调整参数，以防止不合理的机会约束调整，α可分别取为5％和15％，对于电压约束可以取5％，线路约束取为15％。

(5)判断是否取遍乌托邦线上的所有点，若是，则停止计算；否则，取下一未处理点，返回步骤(1)。

下面通过具体实施例对本发明的技术方案作进一步阐述：

以含有风电场的修改IEEE30节点系统为例，比较在不同置信度下，分别以ATC最大和二氧化碳排放量最小作为单目标函数的优化值。

假设所有燃煤机组均装设CCS装置，假定在送电区域节点28接入风电场，其额定容量为90MW，该区域额定风速为15m/s，切入风速为4m/s，切出风速为25m/s，负荷预测误差标准差为期望值的5％。为了充分说明由风电场以及CCS装置对碳排放量带来的影响，对该系统的分区稍作修改，如图2所示。不同置信度下单目标优化的所得优化结果如表1。

表1 不同置信度下单目标优化结果比较

置信度/％	ATC/MW	CO2/t
			确定性	156.91	31.0453
99	155.51	31.0468
			98	155.68	31.0466
97	155.79	31.0465
			96	155.87	31.0464
95	155.93	31.0463
			94	155.99	31.0463
93	156.04	31.0462
			92	156.08	31.0462
91	156.12	31.0461
			90	156.16	31.0461

为了说明机会约束模型结果对系统安全性带来的影响，图3给出了不同置信度下节点30电压的概率密度曲线。

分析表1可以看出，若不考虑风电场出力及负荷预测误差，将其期望值代入以ATC和碳排放为目标的单目标优化模型，此时ATC值最大，碳排放最小，为理想情况。事实上，当风电场出力及负荷偏离预测值时，若系统仍运行在确定性模型下，系统安全约束极有可能越限。机会约束规划模型要求在不确定环境下，系统安全约束以一定概率满足，但要以牺牲一定量的目标值为代价。置信度越高，安全约束越严格，目标值的牺牲量越大。因此，随着置信度的提高，ATC值逐渐减小，碳排放量逐渐增加。

由图3可以看出，节点30电压上限为1.1，电压下限为0.95，以ATC为目标函数的确定性模型下，节点30电压为0.95，这意味着系统一旦发生波动，就有可能无法满足安全约束，而采用机会约束规划模型时，可使越限概率减小，并且置信度越高，该机会约束要求满足越严格，距离限值裕度越大。可见，机会约束规划模型在一定程度上保证了系统的安全性。

对六种优化方案进行分析比较，分别为方案1：ATC单目标确定性优化；方案2：ATC单目标95％置信度机会约束优化；方案3：碳排放单目标确定性优化；方案4：碳排放单目标95％置信度机会约束优化；方案5：ATC和碳排放双目标确定性优化；方案6：ATC和碳排放双目标且置信度为95％的机会约束优化。对于多目标优化，选取十组Pareto最优解。为避免决策的主观性，采用熵权法确定最佳决策方案进行比较。所得优化结果如表2。

表2 Pareto前沿比较

优化方案	ATC/MW	CO2/t
			方案1	156.91	339.8254
方案2	155.93	328.7418
			方案3	0	31.0453
方案4	0	31.0463
			方案5	115.34	55.6391
方案6	112.45	54.5092

从表2可以看出，方案1、2仅考虑ATC值会产生过大的碳排放，不利于环境保护，而方案3、4仅考虑环境因素会导致ATC值过小，不能使输电系统得到充分利用。方案5、6为多目标优化模型，该方案综合考虑ATC值和碳排放，协调经济性与环保性，所得决策更具有现实意义。另外，机会约束下所解的决策方案即使在不确定环境下也能以较高的概率满足安全约束，但要以牺牲一定量的目标值为代价。

图4给出了95％置信度下的Pareto曲线上的20组解，并且与确定性模型的Pareto前沿上20组解的比较。由图可以看出，NBI法可以得到均匀分布的Pareto最优解，电网运行调度人员可以根据系统不同的运行状态从Pareto曲线上选中折衷的运行方案。Pareto前沿的两个端点分别为以ATC和碳排放作为单目标的优化结果。另外，机会约束下的Pareto最优解总是落在确定性模型下解的左下侧，表明机会约束为了保证安全约束以一定概率满足，使得Pareto最优解具有保守性。

以上仿真结果验证了本发明所提模型和方法的有效性和实用性。该发明为可用输电能力与碳排放之间的协调决策提供了依据，同时，由熵权法确定的优化方案可避免系统运行调度人员决策的主观性，具有参考价值。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种含有风电场的低碳可用输电能力计算方法，其特征在于，包括以下步骤：

步骤1，分别以可用输电能力最大和含CCS装置下的碳排放量最小作为目标函数，进行单目标优化求得两个最优解，根据两个最优解对目标函数进行规格化并建立乌托邦线；

步骤2，根据预设点数，在乌托邦线上均匀取点，对乌托邦线上的每个点进行如下处理：

2.1，利用法线边界交叉法将多目标优化问题转化为单目标优化问题；

2.2，利用原对偶内点法求解单目标优化问题，得到控制量和可用输电能力、碳排放值；

2.3，将步骤2.2所得的解作为电力系统运行控制方案，并以此为基准运行点进行概率潮流计算，利用半不变量和Cornish Fisher级数求得状态变量的概率分布以调整机会约束；

2.4，判断机会约束是否满足，若满足则停止计算，输出步骤2.2的计算结果，转至步骤2.5；否则，调整机会约束的上下限后，返回步骤2.2；

2.5，判断是否取遍乌托邦线上的所有点，若是，则停止计算；否则，取下一未处理点，返回步骤2.1。

2.根据权利要求1所述的一种含有风电场的低碳可用输电能力计算方法，其特征在于，步骤1中以可用输电能力最大作为目标函数，其表达式为：

$f_1\max \underset{i\∈S_R}{\mathrm{\Σ}}{P}_{\mathrm{di}}$

式中，P_di为节点i的有功负荷；S_R为受电区域。

3.根据权利要求1所述的一种含有风电场的低碳可用输电能力计算方法，其特征在于，步骤1中以含CCS装置下的碳排放量最小作为目标函数，其表达式为：

$f_2=\underset{i\∈S_S}{\mathrm{\Σ}}[K_e(P_{\mathrm{gs},i}+P_{\mathrm{gr},i})-K_b{P}_{\mathrm{gr},i}]$

式中，S_S为送电区域；K_e为单位时间内碳排放强度；P_gs,i为节点i发电机用于注入电网的功率；P_gr,i为节点i发电机用于捕集碳的功率；K_b为相同类型机组单位能耗下的二氧化碳捕集量。

4.根据权利要求1所述的一种含有风电场的低碳可用输电能力计算方法，其特征在于，步骤2.3中状态变量包括节点电压和线路功率。

5.根据权利要求1所述的一种含有风电场的低碳可用输电能力计算方法，其特征在于，步骤2.3中利用半不变量和Cornish Fisher级数求得状态变量的概率分布以调整机会约束，具体为：根据节点注入功率各阶半不变量求得状态变量的各阶半不变量，结合Cornish Fisher级数得到状态变量的概率分位点，据此调整机会约束上下限。