CN105518723A - 一种基于备用对象代价性能比的旋转备用容量优化方法 - Google Patents

Abstract

本发明公开了一种基于备用对象代价性能比的旋转备用容量优化方法，属于电力系统自动化技术领域。本发明根据旋转备用对象(下称备用对象)在目标功率缺额曲线场景集(下称目标场景集)下的总代价及其可提供的有效备用电量计算其代价性能比，并据此优化该场景集下需配置的备用对象。本发明方法能够综合考虑备用对象的代价与性能，相比按照备用对象的“容量价格”或者按照“容量价格与电量价格乘以事件概率之和”进行优化配置时能够取得更佳的优化效果。同时，本发明方法能够直接实现发需两侧的统一优化，避免了发需两侧间解耦-迭代过程的巨大计算量。

Description

一种基于备用对象代价性能比的旋转备用容量优化方法

技术领域

本发明属于电力系统自动化技术领域，更准确地说本发明涉及一种在电力系统调度中进行备用容量优化的方法。

背景技术

近年来，气候变化、环境污染和化石能源枯竭等因素，促使风电和光伏发电等可再生能源发电的装机容量保持了高速增长的态势。然而，大规模间歇性可再生能源发电的接入也给电力系统的备用容量配置带来新的挑战，成为限制电网接纳间歇性可再生能源发电的主要障碍之一。对电力系统的备用容量配置方式进行改进是提高电网接纳间歇性可再生能源发电的能力，以及改善电力系统运行可靠性与经济性最有效的手段之一。

从备用容量的配置方法来看，可分为确定性、概率性和风险性方法。确定性方法采用系统最大负荷的某一比例和/或最大单台机组容量大小来安排旋转备用容量。该方法计算简单，在实际电力系统运行中被普遍采用，但容易造成备用的浪费或不足。概率性方法要求停电概率低于给定的失负荷概率或电量不足期望值等可靠性指标，但该方法并不区分事件的损失程度，容易忽视小概率高风险事件。风险性方法在优化目标函数中计入被动停电引起的损失，以获得控制成本与风险之和最小的方案。在将风险定义修正为事件发生概率与避免被动停电所付出的主动控制成本的乘积之后，解决了被动停电损失难以计算的问题。

从参与控制的备用对象种类来看，可分为发电侧备用容量和以可中断负荷为代表的需求侧备用容量，两者有着不同的物理-经济特性，存在互补效应。一般通过解耦迭代来协调优化总备用需求量在发电侧备用容量与需求侧备用容量之间的分配，但需要很大的计算量。

从备用对象的优化选取方法来看，现有研究中通常仅按“容量价格”或按“容量价格与电量价格乘以事件概率之和”进行排序。然而，可再生能源发电接入后的充裕性事件场景更为复杂多变，各类费用在总费用中的占比因场景而异，故以上简单的排序方法将无法真实反映备用对象在目标事件场景下的备用价值。

因此，亟待提出能真实反映发电侧备用容量与需求侧备用容量的真实代价性能比，在保证优化效果的同时能避免解耦迭代方法所需的巨大计算量的风险性备用容量优化方法。

发明内容

本发明目的是：针对现有技术中的不足，克服现有备用容量优化方法不能全面反映备用对象的真实备用价值、解耦迭代优化计算量巨大、且无法获得风险最优解的缺点，提供一种基于备用对象代价性能比、计算量小、且能获得风险最优解的备用优化方法。

本发明根据备用对象的物理-经济特性，将备用对象的代价性能比定义为“目标场景集下的总代价与其可提供的有效备用电量的比值”，从而真实反映备用对象的备用价值，并据此选取该场景集下需配置的备用容量，实现风险最优的配置方案，有效地协调的备用容量配置的充裕性与经济性。本发明能够对发电侧备用容量与需求侧备用容量进行统一优化，有效地提高了计算速度。

具体地说，本发明是采用以下技术方案实现的，包括如下步骤：

1)设置初始分界线：在由时间为刻度的横轴与功率为刻度的纵轴组成的二维直角坐标轴表示的功率缺额场景集图中，从纵轴零刻度线开始、沿纵轴增加方向，依次比较整个优化时段内相邻三个单位刻度范围内的两个功率缺额区的期望值，若下降则在中间的刻度设置1条初始分界线，直至场景集的功率缺额最大值；

将初始分界线记为l₁,l₂,…,l_m，其中纵轴零刻度线为第1条分界线l₁，最大功率缺额值刻度为第m条初始分界线l_m，将各初始分界线与其相邻的初始分界线确定的m-1个功率缺额区记为a₁,a₂,…,a_m-1；

2)确定筛选后分界线：将纵轴零刻度线记为第1条筛选后分界线L₁，并针对由第2条初始分界线l₂到第m-1条初始分界线l_m-1的各初始分界线l_i，其中2≤i≤m-1，计算功率缺额区a_i-1与功率缺额区a_i的单位刻度功率内缺额期望值E_i-1和E_i，若两者差值大于预先设置的阈值σ，则保留初始分界线l_i并将其记为筛选后分界线，否则将初始分界线l_i移除使功率缺额区a_i-1并入a_i；最后将第m条初始分界线l_m记为最后一条筛选后分界线；记获得的筛选后分界线为L₁,L₂,…,L_n；令选定的当前优化所针对的筛选后分界线的序号值j的初始值为2；并将已选备用对象集为初始化为空集；

3)针对n条筛选后分界线L₁,L₂,…,L_n，将第j条筛选后分界线选定为当前优化所针对的筛选后分界线L_j；

4)在已选备用对象集的基础上，根据代价性能比计算公式，求取目标场景集下发电侧与需求侧所有待选备用对象的代价性能比；

5)从所有待选备用对象中选取代价性能比最小的备用对象，加入已选备用对象集，并更新各目标场景的功率缺额；

6)判断已选备用对象集中所有备用对象的总容量与当前优化所针对的筛选后分界线L_j的刻度值的大小关系，若前者小于后者，则进入步骤7)，否则进入步骤14)；

7)判断在已选备用对象集的基础上新增待选备用对象中未选中的备用对象后的总容量与当前优化所针对的筛选后分界线L_j的刻度值的大小关系，若新增任意一个待选备用对象中未选中备用对象后的总容量仍不大于当前优化所针对的筛选后分界线L_j的刻度值，则回到步骤4)；否则进入步骤8)；

8)将步骤7)中在已选备用对象集的基础上新增后的总容量大于当前优化所针对的筛选后分界线L_j的刻度值的待选备用对象中未选中的备用对象作为待校核备用对象集，记为CRC₁,CRC₂,…,CRC_K，K为待校核备用对象的个数，并保存当前寻优断面；令选中的待校核备用对象的序号值k的初始值为1；

9)从保存的寻优断面中移除已选备用对象集中的最后一个选取备用对象，更新各目标场景的功率缺额；

10)将待校核备用对象集中第k个待校核备用对象CRC_k作为选中的待校核备用对象；

11)更新各目标场景的功率缺额，计算待选备用对象中所有未选中的备用对象的代价性能比并选取最小者；

12)判断已选备用对象集中所有已选备用对象的总容量与当前优化所针对的筛选后分界线L_j的刻度值的大小关系，若前者小于后者，回到步骤11)；否则将该方案存为当前优化所针对的筛选后分界线L_j以下功率缺额的备选解待用，如果k<K，则令k增1并回到步骤9)，否则认为待校核备用对象中所有待校核备用对象均已校核完毕，进入步骤13)；

13)恢复步骤8)中保存的寻优断面，返回步骤4)；

14)将该方案存为当前优化所针对的筛选后分界线L_j以下功率缺额的备选解待用；

15)针对当前优化所针对的筛选后分界线L_j下所有备选解，选取总代价最小的备用对象组合，作为当前优化所针对的筛选后分界线L_j下的优化解，并将已选备用对象集更新为该优化解；

16)如L_j不为L_n，则令j增1，回到步骤3)，否则寻优结束。

上述技术方案的进一步特征在于，所述步骤4)中代价性能比计算公式如下式(1)：

$CPR=\frac{Q_r\&CenterDot;p_{cap}\&CenterDot;T_c+\underset{m\&Element;M}{\&Sigma;}{\mathrm{\&rho;}}_m\&CenterDot;\{\underset{t\&Element;T}{\&Sigma;}{Q}_{m,e}\left(t\right)\&CenterDot;p_e\left(t\right)\&CenterDot;\mathrm{\&Delta;}t\}}{\underset{m\&Element;M}{\&Sigma;}{\mathrm{\&rho;}}_m\&CenterDot;\{\underset{t\&Element;T}{\&Sigma;}{Q}_{m,e}\left(t\right)\&CenterDot;\mathrm{\&Delta;}t\}}---\left(1\right)$

式(1)中分子为备用对象在目标场景集下的总代价，分母为在目标场景集下所提供的有效备用电量，其中Q_r为备用对象的容量大小；T_c为合约期时长，Δt为优化步长；ρ_m为事件序列m的概率，p_cap为备用对象的容量价格；M为事件序列集合；Q_m,e(t)为事件序列m下t时刻处于发电状态的备用对象的总容量，p_e(t)为t时刻备用对象处于发电状态的价格。

本发明的有益效果如下：1)本发明通过代价性能比指标反映备用对象在目标场景集下的真实备用价值，能够优先考虑代价性能比最小的备用对象；2)本发明能够对发电侧备用容量与需求侧备用容量进行统一优化，无需进行两者的解耦-迭代，从而避免了巨大的计算量；3)本发明考虑到备用对象的代价性能比会随目标场景集中功率缺额的变化而变化，故沿纵轴(功率)增加方向按某一阈值设置若干条筛选后分界线，依次针对相邻筛选后分界线间的功率缺额进行备用容量配置；4)本发明考虑到在按照代价性能比逐个选取备用对象来填补目标筛选后分界线下功率缺额的过程中，可能出现新增某待选备用对象后的总容量超过目标筛选后分界线从而代价性能比被高估的情况，故设置了专门的校核子过程进行处理，并将该过程的结果作为一个备选解。因此，不但提高了优化效果，且相比解耦-迭代的方式提高了计算速度。

附图说明

图1为本发明方法的流程图。

图2为本发明实施例的功率缺额场景集图。

图3为本发明实施例的初始分界线的划分图。

图4为本发明实施例的筛选后分界线图。

图5为本发明实施例的选取发电机组3后目标功率缺额场景图。

具体实施方式

下面参照附图对本发明作进一步详细描述。将本发明方法应用于某电力系统，仿真算例设置如下：研究时长为8小时、平均电价为300元/MWh、阈值σ为200MWh。备用对象参数见表1、表2，功率缺额场景集参见图2

表1发电侧备用机组

机组名称	容量大小(MW)	旋转容量费(元/MWh)	电量费(元/MWh)
				发电机组1	25	40	420
发电机组2	25	38	425
				发电机组3	50	35	350
发电机组4	50	44	430
				发电机组5	75	40	412
发电机组6	100	42	410

表2需求侧可中断负荷

可中断负荷名称	容量大小(MW)	容量费(元/MWh)	赔偿倍率
				可中断负荷1	50	2	3
可中断负荷2	50	1	4

图1中步骤1描述的是在由时间(横轴)与功率(纵轴)组成的以二维直角坐标轴表示的功率缺额场景集图中设置初始分界线：从纵轴零刻度线开始、沿纵轴增加方向，相邻两个单位刻度范围内目标场景集的功率缺额期望值呈不变或下降趋势，因备用对象的代价性能比等于“备用对象应对目标场景集的总代价”与“备用对象可提供的有效期望电量”的比值，其代价性能比会随功率缺额期望值下降而增加，且不同备用对象的增加幅度存在差异，从而影响备用对象之间的相对排序，故需沿纵轴划定多条分界线，并依次针对相邻两条分界线所划定的范围进行优化(本步骤确定初始分界线，在步骤2中将视计算精度与计算速度的要求，对初始分界线进行筛选)。从纵轴零刻度线开始，沿纵轴增加方向，依次比较整个优化时段内相邻三个单位刻度范围内的两个功率缺额区的期望值，若下降，则在中间的刻度设置1条初始分界线，直至场景集中的功率缺额最大值，初始分界线记为l₁,l₂,…,l_m(零刻度线为第1条分界线，最大功率缺额值刻度为第m条分界线)，各分界线确定的m-1个功率缺额区(由初始分界线l_m与相邻的初始分界线l_m确定)记为a₁,a₂,…,a_m-1。本算例中的初始分界线如图3。

图1中步骤2根据给定的阈值对初始分界线进行筛选：针对初始分界线l_i(i的初值为2，零刻度线无需筛选，)，计算功率缺额区a_i-1与功率缺额区a_i的单位刻度内功率缺额期望值E_i-1和E_i，若差值大于设置的阈值σ，则保留初始分界线l_i，记为筛选后分界线L_n(n初值为2)，令i＝i+1,n＝n+1，继续以上过程直至i＝m-1，否则，将初始分界线l_i移除，将功率缺额区a_i-1并入a_i，继续以上过程直至i＝m-1；令L_n＝l_m，确定最后一条筛选后分界线。阈值的选取决定了筛选后分界线的数量和稀疏程度，阈值越小，筛选后分界线的数量越多，优化的效果越好，但计算量越大。算例中，初始分界线l₂,l₃被移除，初始分界线l₄被保留，筛选过程的计算如表3，筛选后分界线如图4。

表3初始分界线筛选过程

令选定的当前优化所针对的筛选后分界线的序号值j的初始值为2；并将已选备用对象集为初始化为空集。

图1中步骤3针对n条筛选后分界线，记为L₁,L₂,…,L_n(n≤m)，将第j条筛选后分界线选定为当前优化所针对的筛选后分界线L_j。

图1中步骤4在已选备用对象集基础上(针对筛选后分界线L₂进行优化时，该集合为空集)，根据统一的代价性能比计算公式，针对当前筛选后分界线，求取所有待选备用对象在目标功率缺额场景集下的代价性能比。代价性能比计算公式如下式(1)：

$CPR=\frac{Q_r\&CenterDot;p_{cap}\&CenterDot;T_c+\underset{m\&Element;M}{\&Sigma;}{\mathrm{\&rho;}}_m\&CenterDot;\{\underset{t\&Element;T}{\&Sigma;}{Q}_{m,e}\left(t\right)\&CenterDot;p_e\left(t\right)\&CenterDot;\mathrm{\&Delta;}t\}}{\underset{m\&Element;M}{\&Sigma;}{\mathrm{\&rho;}}_m\&CenterDot;\{\underset{t\&Element;T}{\&Sigma;}{Q}_{m,e}\left(t\right)\&CenterDot;\mathrm{\&Delta;}t\}}---\left(1\right)$

式(1)中分子为备用对象在目标场景集下的总代价，分母为在目标场景集下所提供的有效备用电量，其中Q_r为备用对象的容量大小；T_c为合约期时长，Δt为优化步长；ρ_m为事件序列m的概率，p_cap为备用对象的容量价格；M为事件序列集合；Q_m,e(t)为事件序列m下t时刻处于发电状态的备用对象的总容量，p_e(t)为t时刻备用对象处于发电状态的价格。

本实施例中，针对筛选后分界线L₂下选取第一个备用对象的代价性能比计算见表4。

表4筛选后分界线L₂下备用对象的代价性能比

备用对象	容量大小(MW)	代价性能比(元/MWh)
			发电机组1	25	460
发电机组2	25	463

发电机组3	50	385
			发电机组4	50	474
发电机组5	75	452
			发电机组6	100	452
可中断负荷1	50	902
			可中断负荷2	50	1201

图1中步骤5选取代价性能比最小的备用对象，加入已选备用对象集，并更新各目标场景的功率缺额。在本实施例中，表4中的发电机组3被选中(代价性能比为385元/MWh)，此时目标场景的功率缺额曲线如图5所示。需要强调的是，迭代过程中，表4中备用对象的代价性能比都会发生变化，被选中的备用对象也都会发生变化。

图1中步骤6判断已选备用对象集中所有备用对象的总容量与筛选后分界线L_j所代表的功率缺额值的大小关系，若前者小于后者，则进入步骤7，判断其是否需进入校核子过程，否则，进入步骤14，存为一个备选解。在本实施例中，筛选后分界线L₂下选取发电机组3后，已选备用对象总容量(50MW)小于筛选后分界线L₂的值(200MW)，则进入步骤7；当继续按照图1所示步骤直到按代价性能比依次选取发电机组3、发电机组5、发电机组1、发电机组2、发电机组4后，已选备用对象总容量(225MW)大于筛选后分界线L₂的值则进入步骤14。

图1中步骤7是为判断寻优流程是否需要进入校核子过程，还是继续主寻优流程。判断在最后一个选中备用对象基础上新增未选中备用对象后的总容量与筛选后分界线L_j所代表的功率缺额值的大小关系，若新增任一未选中备用对象后的总容量仍不大于筛选后分界线L_j所代表的功率缺额值，即无需进行校核子过程，回到步骤4；若存在新增未选中备用对象后的总容量大于筛选后分界线L_j所代表的功率缺额值，则进入步骤8。在本实施例中，当选取发电机组3后(已选总容量50MW，新增任一未选中备用对象后总容量最大只有150MW，仍小于筛选后分界线L₂的值200MW)，则进入步骤4；当选取发电机组3、发电机组5后(已选总容量125MW，若新增发电机组6后总容量为225MW，大于筛选后分界线L₂的值200MW)则进入步骤8进行校核。

图1中步骤8将该部分未选中备用对象作为当前步下的待校核备用对象集(记为CRC₁,CRC₂,…,CRC_K，K为待校核备用对象的个数)，保存当前寻优断面。在本实施例中，当选取发电机组3、发电机组5后(已选总容量125MW，若新增发电机组6后总容量为225MW，大于L₂的值200MW)，此时需要校核的备用对象为发电机组6。令选中的待校核备用对象的序号值k的初始值为1

图1中步骤9从保存的寻优断面中移除已选中的最后一个备用对象，更新各目标场景的功率缺额。在本实施例中，在筛选后分界线L₂下对发电机组6进行校核时(已选发电机组3、发电机组5)，需移除的备用对象为发电机组5(已选备用对象中最末一个)。

图1中步骤10将待校核备用对象集中第k个待校核备用对象CRC_k作为选中的待校核备用对象(k初值为1)，用于后续的校核过程。在本实施例中，选中的待校核备用对象为发电机组6。

图1中步骤11更新各目标场景的功率缺额，计算所有未选中备用对象的代价性能比，并选取最小者；在本实施例中，选中发电机组6后(所有已选中备用对象容量大小为150MW)，针对余下功率缺额场景，计算未选中备用对象的代价性能比如表5所示。

表5未选中备用对象的代价性能比

备用对象	容量大小(MW)	代价性能比(元/MWh)
			发电机组1	25	483
发电机组2	25	485
			发电机组4	50	515
发电机组5	75	524
			可中断负荷1	50	904
可中断负荷2	50	1202

图1中步骤12是关于后续寻优应该进入步骤11或步骤9的一个判断。若所有已选备用对象总容量小于筛选后分界线L_j所代表的功率缺额值，则回到步骤11，继续针对CRC_k的校核，按代价性能比从小到大选取备用对象；否则，将该方案存为筛选后分界线L_j以下功率缺额的备选解待用，令k＝k+1，回到步骤9，对下一个待校核备用对象进行校核，直到K个备用对象均校核完毕。在本实施例中，当对发电机组6进行校核时，针对余下功率缺额选中发电机组1后(所有已选中备用对象容量大小为175MW，小于筛选后分界线L₂的值200MW)，返回步骤11；当依次选中发电机组1、发电机组2后(所有已选中备用对象容量大小为200MW，等于筛选后分界线L₂的值200MW)则返回步骤9。

图1中步骤13是恢复步骤8中保存的寻优断面，返回步骤4。

图1中步骤14是将当前方案存为筛选后分界线L_j以下功率缺额的备选解待用。

图1中步骤15是从所有备选解中选取最优的一个解：针对筛选后分界线L_j下所有备选解，选取总代价最小的备用对象组合，作为筛选后分界线L_j下的优化解(即经优化后需选取的所有备用对象)，并将已选备用对象集更新为该优化解。在本实施例中，筛选后分界线L₂下所有备选解如下表6所示。

表6筛选后分界线L₂下所有备选解

图1中步骤16是为了判断是否已经对所有筛选后分界线寻优完毕。如L_j不为L_n，则令j增1，回到步骤3)，否则寻优结束。在本实施例中，n＝3，当筛选后分界线L₂校核完毕(j<n)，则回到步骤3；当筛选后分界线L₃校核完毕(j＝n)，则寻优结束。

总之，本发明根据功率缺额场景集及备用对象的特点，将备用对象的代价性能比定义为“目标功率缺额曲线场景集下的总代价及其可提供的有效电量的比值”，通过代价性能比指标反映备用对象在目标场景集下的真实备用价值，能够优先考虑代价性能比最小的备用对象，并据此优化需配置的备用对象，实现风险最优的配置方案，有效地协调备用对象配置的充裕性与经济性。本发明能够对发电侧备用容量与需求侧备用容量进行统一优化，有效地提高了计算速度。因此，本发明不但提高了优化效果，亦能提升计算速度。

虽然本发明已以较佳实施例公开如上，但实施例并不是用来限定本发明的。在不脱离本发明之精神和范围内，所做的任何等效变化或润饰，同样属于本发明之保护范围。因此本发明的保护范围应当以本申请的权利要求所界定的内容为标准。

Claims (2)

1.一种基于备用对象代价性能比的旋转备用容量优化方法，其特征在于，包括以下步骤：

1)设置初始分界线：在由时间为刻度的横轴与功率为刻度的纵轴组成的二维直角坐标系中，针对功率缺额场景集，从纵轴零刻度线开始、沿纵轴增加方向，依次比较整个优化时段内相邻三个单位刻度范围内的两个功率缺额区的期望值，若下降则在中间的刻度设置1条初始分界线，直至场景集的功率缺额最大值；

将初始分界线记为l₁，l₂，...，l_m，其中纵轴零刻度线为第1条分界线l₁，最大功率缺额值刻度为第m条初始分界线l_m，将各初始分界线与其相邻的初始分界线确定的m-1个功率缺额区记为a₁，a₂，...，a_m-1；

2)确定筛选后分界线：将纵轴零刻度线记为第1条筛选后分界线l₁，并针对由第2条初始分界线l₂到第m-1条初始分界线l_m-1的各初始分界线l_i，其中2≤i≤m-1，计算功率缺额区a_i-1与功率缺额区a_i的单位刻度功率内缺额期望值E_i-1和E_i，若两者差值大于预先设置的阈值σ，则保留初始分界线l_i并将其记为筛选后分界线，否则将初始分界线l_i移除使功率缺额区a_i-1并入a_i；最后将第m条初始分界线l_m记为最后一条筛选后分界线；记获得的筛选后分界线为L₁，L₂，...，L_n；令当前优化所针对的筛选后分界线的序号值j的初始值为2；并将已选备用对象集为初始化为空集；

3)针对n条筛选后分界线L₁，L₂，...，L_n，将第j条筛选后分界线选定为当前优化所针对的筛选后分界线L_j；

4)在已选备用对象集的基础上，根据代价性能比计算公式，求取目标场景集下发电侧与需求侧所有待选备用对象的代价性能比；

5)从所有待选备用对象中选取代价性能比最小的备用对象，加入已选备用对象集，并更新各目标场景的功率缺额；

6)判断已选备用对象集中所有备用对象的总容量与当前优化所针对的筛选后分界线L_j的刻度值的大小关系，若前者小于后者，则进入步骤7)，否则进入步骤14)；

7)判断在已选备用对象集的基础上新增待选备用对象中未选中的备用对象后的总容量与当前优化所针对的筛选后分界线L_j的刻度值的大小关系，若新增任意一个待选备用对象中未选中备用对象后的总容量仍不大于当前优化所针对的筛选后分界线L_j的刻度值，则回到步骤4)；否则进入步骤8)；

8)将步骤7)中在已选备用对象集的基础上新增后的总容量大于当前优化所针对的筛选后分界线L_j的刻度值的待选备用对象中未选中的备用对象作为待校核备用对象集，记为CRC₁，CRC₂，...，CRC_K，K为待校核备用对象的个数，并保存当前寻优断面；令选中的待校核备用对象的序号值k的初始值为1；

9)从保存的寻优断面中移除已选备用对象集中的最后一个选取备用对象，更新各目标场景的功率缺额；

10)将待校核备用对象集中第k个待校核备用对象CRC_k作为选中的待校核备用对象；

11)更新各目标场景的功率缺额，计算待选备用对象中所有未选中的备用对象的代价性能比并选取最小者；

12)判断已选备用对象集中所有已选备用对象的总容量与当前优化所针对的筛选后分界线L_j的刻度值的大小关系，若前者小于后者，回到步骤11)；否则将该方案存为当前优化所针对的筛选后分界线L_j以下功率缺额的备选解待用，如果k＜K，则令k增1并回到步骤9)，否则认为待校核备用对象中所有待校核备用对象均已校核完毕，进入步骤13)；

13)恢复步骤8)中保存的寻优断面，返回步骤4)；

14)将该方案存为当前优化所针对的筛选后分界线L_j以下功率缺额的备选解待用；

15)针对当前优化所针对的筛选后分界线L_j下所有备选解，选取总代价最小的备用对象组合，作为当前优化所针对的筛选后分界线L_j下的优化解，并将已选备用对象集更新为该优化解；

16)如L_j不为L_n，则令j增1，回到步骤3)，否则寻优结束。

2.根据权利要求1所述的基于备用对象代价性能比的旋转备用容量优化方法，其特征在于，所述步骤4)中代价性能比计算公式如下式(1)：

$CPR=\frac{Q_r\&CenterDot;p_{cap}\&CenterDot;T_c+\underset{m\&Element;M}{\&Sigma;}{\mathrm{\&rho;}}_m\&CenterDot;\{\underset{t\&Element;T}{\&Sigma;}{Q}_{m,e}\left(t\right)\&CenterDot;p_e\left(t\right)\&CenterDot;\mathrm{\&Delta;}t\}}{\underset{m\&Element;M}{\&Sigma;}{\mathrm{\&rho;}}_m\&CenterDot;\{\underset{t\&Element;T}{\&Sigma;}{Q}_{m,e}\left(t\right)\&CenterDot;\mathrm{\&Delta;}t\}}---\left(1\right)$

式(1)中分子为备用对象在目标场景集下的总代价，分母为在目标场景集下所提供的有效备用电量，其中Q_r为备用对象的容量大小；T_c为合约期时长，Δt为优化步长；ρ_m为事件序列m的概率，p_cap为备用对象的容量价格；M为事件序列集合；Q_m,e(t)为事件序列m下t时刻处于发电状态的备用对象的总容量，p_e(t)为t时刻备用对象处于发电状态的价格。