CN106712105B - 一种新能源接纳空间离散概率序列计算方法 - Google Patents

Abstract

本发明涉及一种新能源接纳空间离散概率序列求解方法。首先制定火电机组开机方式。将新能源出力纳入火电机组开机电力平衡，得到每日的火电机组开机容量和最小技术出力数据。然后，考虑每日最大负荷与火电机组最小技术出力的相关性，求出两者的联合概率分布；同理求出每日最大负荷与负荷的联合概率分布。最后，将相同的日最大负荷离散值对应的负荷序列与火电最小出力序列卷差，求得这个日最大负荷离散值对应的接纳空间序列，依次求出每个日最大负荷离散值对应的接纳空间序列，整理后即得系统的接纳空间离散概率序列。

Description

一种新能源接纳空间离散概率序列计算方法

技术领域

本发明涉及一种新能源并网仿真领域的离散概率序列计算方法，具体涉及一种新能源接纳空间离散概率序列计算方法。

背景技术

近年来，新能源在世界范围内迅猛发展，一些国家已将新能源的开发利用作为改善能源结构、推动环境保护、保持经济和社会可持续发展的重大举措，积极推动新能源的高效利用。目前我国的新能源利用主要是风电和光伏发电。

作为可再生能源中的重要一员，风能已成为发展最快、最具开发潜力的绿色能源。由于风电具有随机性、间歇性等特点，其大规模并网后对电网的稳定性、电能质量和调度机制等方面都带来巨大挑战，使得电网在接纳风电同时必须付出相应的代价。

光伏发电并网在一定程度上缓解了能源危机和环境压力，同时也给电力系统安全运行带来了新的挑战。与火电、水电等常规发电方式不同，由于太阳辐射的波动性和间歇性，光伏电站的出力具有随机性，这使得光伏电站难以调度和控制。除此之外，光伏发电具有天然的昼夜交替特性，夜间光伏电站出力为零，这与风电等其他可再生能源又具有明显的区别。

为保证能源的清洁高效利用，需要对新能源进行优先消纳。然而，新能源在多个时间尺度上具有与生俱来的波动性和随机性，电网消纳新能源的难度随之加大，部分地区已无法全额消纳新能源，必须研究新能源的接纳空间，以实现对新能源消纳电量和限电电量的定量计算。

新能源的接纳空间是系统最多可接纳的新能源电力，为保证尽可能多的接纳新能源，实现新能源的优先消纳，应在保证负荷需求和系统正备用的前提下尽可能少开火电机组，且尽量使火电机组以最小技术出力运行，则新能源的接纳空间就是负荷超出火电机组最小出力的部分。因为负荷和火电机组最小出力是随时间变化的，因此，新能源的接纳空间也是时变的。

发明内容

为解决上述现有技术中的不足，本发明的目的是提供一种新能源接纳空间离散概率序列计算方法。

本发明的目的是采用下述技术方案实现的：

本发明提供一种新能源接纳空间离散概率序列计算方法，其改进之处在于，所述方法基于联合概率分布，包括下述步骤：

步骤1：计算新能源出力参与火电开机的可替代容量；

步骤2：制定火电机组每日开机方式，确定每日火电最小技术出力P_min；

步骤3：确定每日最大负荷load_max与每日火电最小技术出力P_min的联合概率分布；

步骤4：确定每日最大负荷load_max与负荷load的联合概率分布；

步骤5：用卷差确定新能源接纳空间概率序列。

进一步地，所述步骤1包括下述步骤：

步骤1.1：获取并整理数据：获取一定时间周期的负荷、新能源(风电和光伏发电)出力和装机时序数据，数据总量都是T，研究周期的总天数为D，设负荷、新能源出力和装机每天的数据量为N，则T＝N·D；若负荷等时序数据的采样间隔为1h，则N＝24；若采样间隔为15min，则N＝96；

步骤1.2：求解新能源参与火电开机的可替代容量：新能源的预测误差为20％，将新能源预测值减去其装机的20％参与火电开机；若新能源出力预测值大于其装机容量的20％，则超出部分纳入火电开机电力平衡，减少火电开机容量；否则，新能源不参与火电机组开机，则研究周期T内新能源参与火电开机的可替代容量；C_{renewableenergy}(t)满足下式：

C_{renewableenergy}(t)＝max(P_{renewableenergy}(t)-Capacity_{renewableenergy}(t)×20％,0)

P_{renewableenergy}(t)＝P_wind(t)+P_PV(t)

Capacity_{renewableenergy}(t)＝Capacity_wind(t)+Capacity_PV(t)

其中，t表示研究周期内的第t个时段，0≤t≤T，P_{renewableenergy}(t)是t时段的新能源出力预测值，Capacity_{renewableenergy}(t)是t时段的新能源装机容量，P_wind(t)是t时段的风力发电预测值，Capacity_wind(t)是t时段的风电装机容量，P_PV(t)是t时段的光伏发电预测值，Capacity_PV(t)是t时段的光伏装机容量。

进一步地，所述步骤2中包括以下步骤，

步骤2.1：求等效负荷eqload和日最大等效负荷eqload_max：C_{renewableenergy}(t)参与火电机组开机电力平衡后的等效负荷满足下式：

eqload(t)＝load(t)-C_{renewableenergy}(t)

其中eqload(t)是t时段的等效负荷，load(t)是t时段的负荷，C_{renewableenergy}(t)是t时段的新能源可替代容量；

eqload的数据总量也为T，每天的数据量为N，求出eqload每天的最大值，即为日最大等效负荷eqload_max，eqload_max的数据总量是D；

步骤2.2：制定火电机组每日开机方式，求出每日火电最小技术出力：

根据每日最大等效负荷和系统正备用，结合系统中的火电机组参数，可依次求出每天的开机方式，包括：

将电力系统中的必开火电机组开机，供热期为保证供热，有必开机组，非供热期无必开机组；

若等效负荷的当日最大值加上电力系统正备用大于必开机组的最大出力，则增开其余机组；为使新能源接纳电量尽可能大，在最大出力相同的情况下，最小出力小的机组优先开机，直至电力系统中火电机组的最大出力满足日最大等效负荷和系统正备用，停止增开；

所述火电机组每日开机方式用混合整数规划模型表示的目标函数为：

minP_min(d)

其中，P_min(d)表示火电机组第d天的最小出力功率；

火电机组开机方式混合整数规划模型的约束条件为：

(1)火电机组第d天的最小出力等于第d天开启的所有火电机组最小出力之和；

其中，X_j(d)示第j台机组第d天的运行状态，为二进制变量，0表示机组停机，1则表示机组正在运行；TP_j,min(d)是第j台火电机组第d天的最小出力功率；

(2)火电机组每日开机的最大出力必须保证当日的负荷需求和系统备用，即：

其中，TP_j,max(d)是第j台火电机组第d天的最大出力功率，eqload_max(d)是第d天的日最大等效负荷，P_re是系统的正备用；

(3)每种火电机组每天的的启机台数在其最大台数和最小台数之间，即：

S_j,min(d)≤S_j(d)≤S_j,max(d)

其中，S_j(d)是第d天的第j台火电机组的启机台数，S_j,min(d)是第d天第j台火电机组的最小启机台数，S_j,max(d)是第d天第j台火电机组的最大启机台数；

根据所述模型依次求出火电机组每日开机方式，进而求出研究周期的火电机组日最小技术出力P_min，P_min的数据总量为D。

进一步地，所述步骤3包括下述步骤：

步骤3.1：将每日最大负荷load_max与每日火电最小技术出力P_min分别在其变化范围内分区：load_max和P_min的数据总量都为D；选取每日最大负荷load_max的离散化区间长度为C₁，每日火电最小技术出力P_min的离散化区间长度为C₂，load_max和P_min的区间个数分别为L₁和L₂；

步骤3.2：设置循环初值：d＝1，n_ik＝0，其中，d表示第d天，0≤d≤D，n_ik为load_max(d)归入其第i个离散化区间，且P_min(d)归入其第k个离散化区间的概数，i＝1,2,...,L₁，k＝1,2,...,L₂；

步骤3.3：读入第d天的每日最大负荷load_max(d)和每日火电最小技术出力P_min(d)，并归入各自对应的离散化区间；

步骤3.4：d＝d+1，n_ik＝n_ik+1；

步骤3.5：若d≤D，则转至步骤3.3，否则，转至步骤3.6；

步骤3.6：确定每日最大负荷load_max每个离散化区间内所有数据的平均值averageload_max(i)，i＝1,2...L₁；确定每日火电最小技术出力P_min每个区间内所有数据的平均值averageP_min(k)，k＝1,2...L₂；

步骤3.7：确定load_max归入其第i个离散化区间，且P_min归入其第k个离散化区间的概率P_ik，

load_max和P_min归入的离散化区间组合共有L₁·L₂个，依次求出每种离散化区间组合的概率，进而得到日最大负荷与日火电最小出力的联合概率分布。

进一步地，所述步骤4包括：

步骤4.1：将每日最大负荷load_max与负荷load分别在其变化范围内分区：load_max的数据总量为D，load的数据总量为T，选取load_max的离散化区间长度为C₁，选取负荷load的离散化区间长度为C₃，load_max和load区间个数分别为L₁和L₃；

步骤4.2：设置循环初值，d＝1，n_is＝0，其中，d表示第d天，n_is为load_max(d)归入其第i个离散化区间，且t时段的负荷load(t)归入其第s个离散化区间的概数，i＝1,2,...,L₁，s＝1,2,...,L₃；

步骤4.3：读入第d天的每日最大负荷load_max(d)，归入其所对应的区间；

步骤4.4：设置初值，t＝(d-1)·N+1，此时，t表示第d天的第1个时段。

步骤4.5：读入t时段的负荷load(t)，并归入其对应的离散化区间；

步骤4.6：t＝t+1，n_is＝n_is+1；

步骤4.7：若t≤d·N，则转至步骤4.5，否则，转至步骤4.8；

步骤4.8：d＝d+1；

步骤4.9：若d≤D，则转至步骤4.3，否则，转至步骤4.10；

步骤4.10：确定每日最大负荷load_max每个离散化区间内所有数据的平均值averageload_max(i)，i＝1,2...L₁；确定负荷load每个区间内所有数据的平均值averageload(s)，s＝1,2...L₃；

步骤4.11：确定每日最大负荷load_max归入其第i个离散化区间，且每日火电最小技术出力P_min归入其第s个离散化区间的概率P_is，

load_max和load归入的离散化区间组合共有L₁·L₃个，依次求出每种区间组合的概率，进而得到日最大负荷与负荷的联合概率分布。

进一步地，所述步骤5包括：日最大负荷load_max每个离散化区间内所有数据的平均值averageload_max(i)均对应每日火电最小技术出力的离散概率序列gP_mini，gP_mini的第一行是离散功率值，第二行是对应的概率，即：

gP_mini(1,k)＝averageP_min(k)

其中，

是load_max归入离散值averageload_max(i)的概率；k表示P_min的第k个离散化区间；

每日最大负荷load_max每个离散化区间内所有数据的平均值averageload_max(i)对应的负荷离散概率序列gload_i满足下式：

gload_i(1,s)＝averageload(s)

对gP_mini和gload_i，每日火电机组最小技术出力离散功率值与负荷离散功率值所有的组合数为L₂·L₃，若某一种组合中，负荷离散功率值是gload_i(1,s)，每日火电机组最小技术出力离散功率值是gP_mini(1,k)，则此组合的新能源接纳空间功率gACCOM_i(1,j)满足下式：

gACCOM_i(1,j)＝gload_i(1,s)-gP_mini(1,k)

此组合的概率为：

gACCOM_i(2,j)＝gload_i(2,s)·gP_mini(2,k)

确定所有组合的新能源接纳空间功率值及其概率，得到averageload_max(i)对应的新能源接纳空间离散概率序列gACCOM_i；

上述为将gload_i与gP_mini做卷差运算，表示为，

由于gACCOM_i是averageload_max(i)对应的接纳空间概率序列，在整个概率空间中，当load_max归入离散值averageload_max(i)时的接纳空间离散概率序列gACCOM'_i满足下式，

gACCOM'_i(1,j)＝gACCOM_i(1,j)

依次确定

合并排序后即得到新能源接纳空间概率序列gACCOM。

本发明提供的技术方案具有的优异效果是：

(1)将新能源出力纳入火电机组开机电力平衡，可减少火电机组开机容量，能更好地消纳新能源。

(2)与采用负荷预测时序数据和对应的火电最小出力时序数据直接相减的方法求解接纳空间的方法不同，采用概率序列运算的方法求解接纳空间，减小了负荷和新能源时序预测数据的偶然性对接纳空间计算结果的影响，能更好地反映接纳空间的规律性。

(3)充分考虑日最大负荷与火电机组最小技术出力的相关性，日最大负荷与负荷的相关性，将相同日最大负荷离散值对应的负荷概率序列与火电最小出力概率序列卷差，求得日最大负荷离散值对应的接纳空间序列。避免了使用负荷和火电最小出力时序数据转换的离散概率序列直接卷差造成的误差。

附图说明

图1是本发明提供的新能源接纳空间离散概率序列计算方法的流程图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。

本发明提供了一种基于联合概率分布的新能源接纳空间离散概率序列求解方法，由5个步骤组成，其流程图如图1所示：

步骤1：求解新能源出力参与火电开机的可替代容量。

步骤1.1：整理并获取数据：获取一定时间周期(一般为一年或几个月)的负荷、新能源(风电和光伏发电)出力和装机时序数据，数据总量都是T，研究周期的总天数为D，设负荷、新能源出力和装机每天的数据量为N，T＝N·D。若负荷等时序数据的采样间隔为1h，则N＝24；若采样间隔为15min，则N＝96。

步骤1.2：求解新能源参与火电开机的可替代容量：为了尽量多接纳新能源，将各时段新能源发电出力纳入火电机组开机容量计算范畴，可替代一部分火电，减小火电开机容量。目前，新能源的预测误差约为20％，因此，将新能源预测值减去其装机的20％参与火电开机。若新能源出力预测值大于其装机容量的20％，则超出部分纳入火电开机电力平衡，减少火电开机容量；否则，新能源不参与火电机组开机。则研究周期T内新能源参与火电开机的可替代容量C_{renewableenergy}(t)满足下式：

C_{renewableenergy}(t)＝max(P_{renewableenergy}(t)-Capacity_{renewableenergy}(t)×20％,0)

P_{renewableenergy}(t)＝P_wind(t)+P_PV(t)

Capacity_{renewableenergy}(t)＝Capacity_wind(t)+Capacity_PV(t)

其中，t表示研究周期内的第t个时段，0≤t≤T，P_{renewableenergy}(t)是t时段的新能源出力预测值，Capacity_{renewableenergy}(t)是t时段的新能源装机容量，P_wind(t)是t时段的风力发电预测值，Capacity_wind(t)是t时段的风电装机容量，P_PV(t)是t时段的光伏发电预测值，Capacity_PV(t)是t时段的光伏装机容量。

步骤2：制定火电机组每日开机方式，确定每日火电最小技术出力P_min。

步骤2.1：求等效负荷eqload和日最大等效负荷eqload_max：C_{renewableenergy}(t)参与火电机组开机电力平衡后的等效负荷满足下式：

eqload(t)＝load(t)-C_{renewableenergy}(t)

其中eqload(t)是t时段的等效负荷，load(t)是t时段的负荷，C_{renewableenergy}(t)是由步骤1求出的t时段的新能源可替代容量。

eqload的数据总量也是T，每天的数据量也是N，求出eqload每天的最大值，就是日最大等效负荷eqload_max，eqload_max的数据总量是D。

步骤2.2：制定火电机组每日开机方式，求出每日火电最小技术出力。

根据每日最大等效负荷和系统正备用，结合系统中的火电机组参数，可依次求出每天的开机方式。具体方法是：

将电力系统中的必开火电机组开机，供热期为保证供热，有必开机组，非供热期无必开机组；

若等效负荷的当日最大值加上电力系统正备用大于必开机组的最大出力，则增开其余机组；为使新能源接纳电量尽可能大，在最大出力相同的情况下，最小出力小的机组优先开机，直至电力系统中火电机组的最大出力满足日最大等效负荷和系统正备用，停止增开。

上述的日开机方式用混合整数规划模型表示的目标函数为：

minP_min(d)

其中，P_min(d)表示火电机组第d天的最小出力功率。上式表示在制定每日的火电机组开机计划时，应使每日开启的火电机组最小出力尽可能小。

火电机组开机方式混合整数规划模型的约束条件为：

(1)火电机组第d天的最小出力等于第d天开启的所有火电机组最小出力之和。

其中，X_j(d)示第j台机组第d天的运行状态，为二进制变量，0表示机组停机，1则表示机组正在运行。TP_j,min(d)是第j台火电机组第d天的最小出力功率。

(3)火电机组每日开机的最大出力必须保证当日的负荷需求和系统备用，

其中，TP_j,max(d)是第j台火电机组第d天的最大出力功率，eqload_max(d)是第d天的日最大等效负荷，P_re是系统的正备用。

(4)每种火电机组每天的的启机台数应在其最大台数和最小台数之间，即

S_j,min(d)≤S_j(d)≤S_j,max(d)

其中，S_j(d)是第d天的第j台火电机组的启机台数，S_j,min(d)是第d天第j台火电机组的最小启机台数，S_j,max(d)是第d天第j台火电机组的最大启机台数。

根据步骤2所述方法，依次求出每天的开机方式，就可求出研究周期的火电机组日最小技术出力P_min，P_min的数据总量为D。

步骤3：求每日最大负荷load_max与P_min的联合概率分布。

由于火电最小技术出力P_min由每日最大等效负荷与系统正备用之和决定，而系统的正备用一般是定值，每日最大等效负荷又与每日最大负荷存在较强的相关性，因此，需通过联合概率分布的方法求取每日最大负荷load_max与P_min的联合概率分布。

步骤3.1：将每日最大负荷load_max与每日火电最小技术出力P_min分别在其变化范围内分区：load_max和P_min的数据总量都为D。选取每日最大负荷load_max的离散化区间长度为C₁，每日火电最小技术出力P_min的离散化区间长度为C₂，load_max和P_min的区间个数分别为L₁、L₂；

步骤3.2：设置循环初值：d＝1，n_ik＝0，其中，d表示第d天，0≤d≤D，n_ik为load_max(d)归入其第i个离散化区间，且P_min(d)归入其第k个离散化区间的概数，i＝1,2,...,L₁，k＝1,2,...,L₂；

步骤3.3：读入第d天的每日最大负荷load_max(d)和每日火电最小技术出力P_min(d)，并归入各自对应的离散化区间；

步骤3.4：d＝d+1，n_ik＝n_ik+1；

步骤3.5：若d≤D，则转至步骤3.3，否则，转至步骤3.6；

步骤3.6：确定每日最大负荷load_max每个离散化区间内所有数据的平均值averageload_max(i)，i＝1,2...L₁；确定每日火电最小技术出力P_min每个区间内所有数据的平均值averageP_min(k)，k＝1,2...L₂；

步骤3.7：确定load_max归入其第i个离散化区间，且P_min归入其第k个离散化区间的概率P_ik，

load_max和P_min归入的离散化区间组合共有L₁·L₂个，依次求出每种区间组合的概率，就得到了日最大负荷与日火电最小出力的联合概率分布。

求得的load_max与P_min的联合概率分布a_2×1如表1所示。

表1 load_max与P_min的联合概率分布表

步骤4：求load_max与负荷load的联合概率分布：

load_max与load也存在较强相关性，也需通过联合概率分布的方法求取每日最大负荷load_max与load的联合概率分布。

步骤4.1：将每日最大负荷load_max与负荷load分别在其变化范围内分区：load_max的数据总量为D，load的数据总量为T，每日最大负荷load_max与步骤3.1中的分区方法相同，选取load_max的离散化区间长度为C₁，选取负荷load的离散化区间长度为C₃，load_max和load区间个数分别为L₁和L₃；

步骤4.2：设置循环初值，d＝1，n_is＝0，其中，d表示第d天，n_is为load_max(d)归入其第i个离散化区间，且t时段的负荷load(t)归入其第s个离散化区间的概数，i＝1,2,...,L₁，s＝1,2,...,L₃；

步骤4.3：读入第d天的每日最大负荷load_max(d)，归入其所对应的区间；

步骤4.4：设置初值，t＝(d-1)·N+1，此时，t表示第d天的第1个时段。

步骤4.5：读入t时段的负荷load(t)，并归入其对应的离散化区间；

步骤4.6：t＝t+1，n_is＝n_is+1；

步骤4.7：若t≤d·N，则转至步骤4.5，否则，转至步骤4.8；

步骤4.8：d＝d+1；

步骤4.9：若d≤D，则转至步骤4.3，否则，转至步骤4.10；

步骤4.10：确定每日最大负荷load_max每个离散化区间内所有数据的平均值averageload_max(i)，i＝1,2...L₁；确定负荷load每个区间内所有数据的平均值averageload(s)，s＝1,2...L₃；

步骤4.11：确定每日最大负荷load_max归入其第i个离散化区间，且每日火电最小技术出力P_min归入其第s个离散化区间的概率P_is，

load_max和load归入的离散化区间组合共有L₁·L₃个，依次求出每种区间组合的概率，进而得到日最大负荷与负荷的联合概率分布。求出load_max与load的联合概率分布，如表2所示。

表2 load_max与load的联合概率分布表

步骤5：卷差求接纳空间概率序列。

由表2可知，每个averageload_max(i)都对应一个火电机组日最小出力的离散概率序列gP_mini，gP_mini的第一行是离散功率值，第二行是对应的概率，即，

gP_mini(1,k)＝averageP_min(k)

其中，

是load_max归入离散值averageload_max(i)的概率；k表示P_min的第k个离散化区间；

同理，每个averageload_max(i)对应的负荷离散概率序列gload_i满足下式，

gload_i(1,s)＝averageload(s)

对gP_mini和gload_i，火电机组日最小技术出力离散功率值与负荷离散功率值所有可能的组合数为L₂·L₃，若某一种组合中，负荷离散功率值是gload_i(1,s)，火电日最小出力离散功率值是gP_mini(1,k)，则此组合的新能源接纳空间功率gACCOM_i(1,j)满足下式：

gACCOM_i(1,j)＝gload_i(1,s)-gP_mini(1,k)

此组合的概率为：

gACCOM_i(2,j)＝gload_i(2,s)·gP_mini(2,k)

求出所有组合的新能源接纳空间功率值及其概率，就可得到averageload_max(i)对应的新能源接纳空间离散概率序列gACCOM_i。

以上其实是将gload_i与gP_mini做卷差运算，可表示为，

又由于gACCOM_i是averageload_max(i)对应的接纳空间概率序列，所以在整个概率空间中，当load_max归入离散值averageload_max(i)时的接纳空间离散概率序列gACCOM'_i满足下式，

gACCOM'_i(1,j)＝gACCOM_i(1,j)

依次求出

合并排序后即可得到新能源接纳空间概率序列gACCOM。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (6)

1.一种新能源接纳空间离散概率序列计算方法，其特征在于，所述方法基于联合概率分布，包括下述步骤：

步骤1：计算新能源出力参与火电开机的可替代容量；

步骤2：制定火电机组每日开机方式，确定每日火电最小技术出力P_min；

步骤3：确定每日最大负荷load_max与每日火电最小技术出力P_min的联合概率分布；

步骤4：确定每日最大负荷load_max与负荷load的联合概率分布；

步骤5：用卷差确定新能源接纳空间概率序列。

2.如权利要求1所述的新能源接纳空间离散概率序列计算方法，其特征在于，所述步骤1包括下述步骤：

步骤1.1：获取并整理数据：获取一定时间周期的负荷、新能源出力和装机时序数据，数据总量都是T，研究周期的总天数为D，设负荷、新能源出力和装机每天的数据量为N，则T＝N·D；若负荷等时序数据的采样间隔为1h，则N＝24；若采样间隔为15min，则N＝96；

步骤1.2：求解新能源参与火电开机的可替代容量：新能源的预测误差为20％，将新能源预测值减去其装机的20％参与火电开机；若新能源出力预测值大于其装机容量的20％，则超出部分纳入火电开机电力平衡，减少火电开机容量；否则，新能源不参与火电机组开机，则研究周期T内新能源参与火电开机的可替代容量C_{renewableenergy}(t)满足下式：

C_{renewableenergy}(t)＝max(P_{renewableenergy}(t)-Capacity_{renewableenergy}(t)×20％,0)

P_{renewableenergy}(t)＝P_wind(t)+P_PV(t)

Capacity_{renewableenergy}(t)＝Capacity_wind(t)+Capacity_PV(t)

其中，t表示研究周期内的第t个时段，0≤t≤T，P_{renewableenergy}(t)是t时段的新能源出力预测值，Capacity_{renewableenergy}(t)是t时段的新能源装机容量，P_wind(t)是t时段的风力发电预测值，Capacity_wind(t)是t时段的风电装机容量，P_PV(t)是t时段的光伏发电预测值，Capacity_PV(t)是t时段的光伏装机容量。

3.如权利要求1所述的新能源接纳空间离散概率序列计算方法，其特征在于，所述步骤2中包括以下步骤，

步骤2.1：求等效负荷eqload和日最大等效负荷eqload_max：C_{renewableenergy}(t)参与火电机组开机电力平衡后的等效负荷满足下式：

eqload(t)＝load(t)-C_{renewableenergy}(t)

其中eqload(t)是t时段的等效负荷，load(t)是t时段的负荷，C_{renewableenergy}(t)是t时段的新能源可替代容量；

eqload的数据总量也为T，每天的数据量为N，求出eqload每天的最大值，即为日最大等效负荷eqload_max，eqload_max的数据总量是D；

步骤2.2：制定火电机组每日开机方式，求出每日火电最小技术出力：

根据每日最大等效负荷和系统正备用，结合系统中的火电机组参数，可依次求出每天的开机方式，包括：

将电力系统中的必开火电机组开机，供热期为保证供热，有必开机组，非供热期无必开机组；

若等效负荷的当日最大值加上电力系统正备用大于必开机组的最大出力，则增开其余机组；为使新能源接纳电量尽可能大，在最大出力相同的情况下，最小出力小的机组优先开机，直至电力系统中火电机组的最大出力满足日最大等效负荷和系统正备用，停止增开；

所述火电机组每日开机方式用混合整数规划模型表示的目标函数为：

minP_min(d)

其中，P_min(d)表示火电机组第d天的最小出力功率；

火电机组开机方式混合整数规划模型的约束条件为：

(1)火电机组第d天的最小出力等于第d天开启的所有火电机组最小出力之和；

其中，X_j(d)示第j台机组第d天的运行状态，为二进制变量，0表示机组停机，1则表示机组正在运行；TP_j,min(d)是第j台火电机组第d天的最小出力功率；

(2)火电机组每日开机的最大出力必须保证当日的负荷需求和系统备用，即：

其中，TP_j,max(d)是第j台火电机组第d天的最大出力功率，eqload_max(d)是第d天的日最大等效负荷，P_re是系统的正备用；

(3)每种火电机组每天的的启机台数在其最大台数和最小台数之间，即：

S_j,min(d)≤S_j(d)≤S_j,max(d)

其中，S_j(d)是第d天的第j台火电机组的启机台数，S_j,min(d)是第d天第j台火电机组的最小启机台数，S_j,max(d)是第d天第j台火电机组的最大启机台数；

根据所述模型依次求出火电机组每日开机方式，进而求出研究周期的火电机组日最小技术出力P_min，P_min的数据总量为D。

4.如权利要求1所述的新能源接纳空间离散概率序列计算方法，其特征在于，所述步骤3包括下述步骤：

步骤3.1：将每日最大负荷load_max与每日火电最小技术出力P_min分别在其变化范围内分区：load_max和P_min的数据总量都为D；选取每日最大负荷load_max的离散化区间长度为C₁，每日火电最小技术出力P_min的离散化区间长度为C₂，load_max和P_min的区间个数分别为L₁和L₂；

步骤3.2：设置循环初值：d＝1，n_ik＝0，其中，d表示第d天，0≤d≤D，n_ik为load_max(d)归入其第i个离散化区间，且P_min(d)归入其第k个离散化区间的概数，i＝1,2,...,L₁，k＝1,2,...,L₂；

步骤3.3：读入第d天的每日最大负荷load_max(d)和每日火电最小技术出力P_min(d)，并归入各自对应的离散化区间；

步骤3.4：d＝d+1，n_ik＝n_ik+1；

步骤3.5：若d≤D，则转至步骤3.3，否则，转至步骤3.6；

步骤3.6：确定每日最大负荷load_max每个离散化区间内所有数据的平均值averageload_max(i)，i＝1,2...L₁；确定每日火电最小技术出力P_min每个区间内所有数据的平均值averageP_min(k)，k＝1,2...L₂；

步骤3.7：确定load_max归入其第i个离散化区间，且P_min归入其第k个离散化区间的概率P_ik，

load_max和P_min归入的离散化区间组合共有L₁·L₂个，依次求出每种离散化区间组合的概率，进而得到日最大负荷与日火电最小出力的联合概率分布。

5.如权利要求1所述的新能源接纳空间离散概率序列计算方法，其特征在于，所述步骤4包括：

步骤4.1：将每日最大负荷load_max与负荷load分别在其变化范围内分区：load_max的数据总量为D，load的数据总量为T，选取load_max的离散化区间长度为C₁，选取负荷load的离散化区间长度为C₃，load_max和load区间个数分别为L₁和L₃；

步骤4.2：设置循环初值，d＝1，n_is＝0，其中，d表示第d天，n_is为load_max(d)归入其第i个离散化区间，且t时段的负荷load(t)归入其第s个离散化区间的概数，i＝1,2,...,L₁，s＝1,2,...,L₃；

步骤4.3：读入第d天的每日最大负荷load_max(d)，归入其所对应的区间；

步骤4.4：设置初值，t＝(d-1)·N+1，此时，t表示第d天的第1个时段；

步骤4.5：读入t时段的负荷load(t)，并归入其对应的离散化区间；

步骤4.6：t＝t+1，n_is＝n_is+1；

步骤4.7：若t≤d·N，则转至步骤4.5，否则，转至步骤4.8；

步骤4.8：d＝d+1；

步骤4.9：若d≤D，则转至步骤4.3，否则，转至步骤4.10；

步骤4.10：确定每日最大负荷load_max每个离散化区间内所有数据的平均值averageload_max(i)，i＝1,2...L₁；确定负荷load每个区间内所有数据的平均值averageload(s)，s＝1,2...L₃；

步骤4.11：确定每日最大负荷load_max归入其第i个离散化区间，且每日火电最小技术出力P_min归入其第s个离散化区间的概率P_is，

load_max和load归入的离散化区间组合共有L₁·L₃个，依次求出每种区间组合的概率，进而得到日最大负荷与负荷的联合概率分布。

6.如权利要求1所述的新能源接纳空间离散概率序列计算方法，其特征在于，所述步骤5包括：日最大负荷load_max每个离散化区间内所有数据的平均值averageload_max(i)均对应每日火电最小技术出力的离散概率序列gP_mini，gP_mini的第一行是离散功率值，第二行是对应的概率，即：

gP_mini(1,k)＝averageP_min(k)

其中，

是load_max归入离散值averageload_max(i)的概率；k表示P_min的第k个离散化区间；

每日最大负荷load_max每个离散化区间内所有数据的平均值averageload_max(i)对应的负荷离散概率序列gload_i满足下式：

gload_i(1,s)＝averageload(s)

对gP_mini和gload_i，每日火电机组最小技术出力离散功率值与负荷离散功率值所有的组合数为L₂·L₃，若某一种组合中，负荷离散功率值是gload_i(1,s)，每日火电机组最小技术出力离散功率值是gP_mini(1,k)，则此组合的新能源接纳空间功率gACCOM_i(1,j)满足下式：

gACCOM_i(1,j)＝gload_i(1,s)-gP_mini(1,k)

此组合的概率为：

gACCOM_i(2,j)＝gload_i(2,s)·gP_mini(2,k)

确定所有组合的新能源接纳空间功率值及其概率，得到averageload_max(i)对应的新能源接纳空间离散概率序列gACCOM_i；

上述为将gload_i与gP_mini做卷差运算，表示为，

由于gACCOM_i是averageload_max(i)对应的接纳空间概率序列，在整个概率空间中，当load_max归入离散值averageload_max(i)时的接纳空间离散概率序列gACCOM'_i满足下式，

gACCOM'_i(1,j)＝gACCOM_i(1,j)

依次确定gACCOM'₁,gACCOM'₂,...,

合并排序后即得到新能源接纳空间概率序列gACCOM。

Images