CN106992556B - 一种基于混合电源多时间尺度互补的优化调度方法 - Google Patents

Abstract

本发明公开了一种基于混合电源多时间尺度互补的优化调度方法，一、将风光水打捆成VP联合运行，并定义负荷跟踪指标，负荷曲线扣除VP出力后为优化负荷曲线；二、建立包含VP优化调度层和火电优化调度层的日前24h计划模型，分别以负荷跟踪指标和火力发电成本最小为目标函数；三、建立日内4h滚动计划模型，以本调度时段内优化负荷曲线不变和火电调整成本最低为目标，并设置递进修正的弃风弃光约束；四、建立实时15min计划模型，以下一调度时刻优化负荷曲线不变和火电调整成本最低为目标，并设置递进修正的弃风弃光约束。本发明实现了调节效益、环保效益和经济效益的最大化，为多种新能源并网问题提供了有价值的解决方案。

Description

一种基于混合电源多时间尺度互补的优化调度方法

技术领域

本发明涉及电力系统新能源并网调度技术领域，具体指一种基于混合电源多时间尺度互补的优化调度方法。

背景技术

随着环境问题和能源枯竭问题的日益加剧，风能和太阳能等可再生能源得到了极大的发展，所占能源比重大幅上升。然而由于风能和太阳能所具有的间歇性、波动性、随机性以及反调峰特性，大规模新能源并网给电力系统经济调度带来了严重的挑战。

异质能源是指能源种类和出力特性不同的能源。风光水火等异质能源在出力时空特性以及调节能力上具有一定的互补性，且其互补特性强弱与时间尺度有关。充分利用异质能源之间的互补特性，形成混合系统联合运行可有效缓解单一风力或光伏发电带来的波动性和反调峰特性。然而，目前多是针对单一日前时间尺度下互补调度策略的研究，鲜有日内时间尺度的互补调度决策，由于日前风光预测存在较大偏差，实际情况下互补系统的互补效果往往大打折扣，日前计划确定的混合电源出力对实际负荷曲线的平滑效果也十分有限，从而导致调度压力和发电费用的增加。

目前，国内传统短期调度主要采用日前调度计划和AGC相结合的调度方式，时间尺度跨度大、调度模式较粗放，难以适应大规模新能源接入后的电网调度，现有一些研究通过多时间尺度调度计划的协调配合来提高电网对新能源的消纳能力。然而，现有研究几乎都只是针对含风电简单混合系统的多时间尺度调度模型，极少考虑光伏，没有利用能源间的互补特性，同时，在弃风弃光约束的处理上也比较简单。

基于此，希望有一种基于混合电源多时间尺度互补的优化调度方法可以克服或至少减轻现有技术的上述缺陷。

发明内容

针对现有技术存在的上述不足，本发明的目的在于提供一种基于混合电源多时间尺度互补的优化调度方法，解决目前单一的互补系统日前调度模型难以保证互补系统实际的互补及平抑效果的问题。

本发明的技术方案是这样实现的：

一种基于混合电源多时间尺度互补的优化调度方法，包括如下步骤：

步骤一、利用异质能源之间的互补特性将风电机组、光伏电站和水电机组打捆成虚拟电源VP联合运行，并定义负荷跟踪指标来表征虚拟电源VP对负荷的跟踪能力，使虚拟电源VP出力能很好地追踪负荷曲线，负荷曲线扣除虚拟电源VP出力后为优化负荷曲线，该优化负荷曲线即为火电出力曲线；

步骤二、建立包含虚拟电源VP优化调度层和火电优化调度层的日前24h计划模型，虚拟电源VP优化调度层以负荷跟踪指标N_r最小为目标函数，火电优化调度层以火力发电成本最小为目标函数，由此实现风光水火四种能源的日前24h调度；

步骤三、建立包含两层计划的日内4h滚动计划模型，第一层以本调度时段内优化负荷曲线不发生变动为目标，第二层以本时段内火电出力调整成本和启停成本最低为目标，并设置递进修正的弃风弃光约束，由此实现风光水火四种能源的日内4h调度；

步骤四：建立包含两层计划的实时15min计划模型，第一层以下一调度时刻优化负荷曲线的值不发生变动为目标，第二层以下一调度时刻火电出力调整成本最低为目标，并设置递进修正的弃风弃光约束，由此实现风光水火四种能源的实时15min调度。

步骤二所述日前24h计划模型按如下方法建立：

日前24h计划分为2层，第一层为VP优化调度层，第二层为火电优化调度层，第一层以负荷跟踪指标N_r最小为目标函数，得到VP出力曲线和日前优化负荷曲线P_r.24h；接着，在日前优化负荷曲线P_r.24h上安排常规火电的工作位置，以火电机组总发电成本最低为第二层的目标函数；目标函数如下：

minN_r＝m₁D_t+m₂D_s+m₃D_c

(7)

式中：D_t为VP出力相对于负荷的波动率，

D_t越小，VP出力曲线与负荷曲线越接近，即VP对负荷的跟踪能力越好；D_s为负荷波动标准差，D_c为负荷功率变化率，这两个指标共同表征经VP平抑后优化负荷曲线P_r的波动特性，值越小代表优化负荷曲线P_r越平滑、波动越小；T为调度周期；

为T时段内负荷平均值；P_L.t为t时刻的负荷；P_v.t为t时刻VP的总出力，P_v.t＝P_w.t+P_p.t+P_h.t；P_w.t、P_p.t、P_h.t分别为t时刻风电、光伏及水电的出力；P_r.t为t时刻优化负荷曲线的值，P_r.t＝P_L.t-P_v.t；

为T时段内优化负荷曲线的平均值；P_r.max和P_r.min分别为优化负荷曲线的最大值和最小值；m₁、m₂、m₃分别为对应指标的权重系数，可根据各指标的重要性调整权重系数大小；

为日前24h计划划分的时段数；N_g为火电机组总数目；U_i.t为日前24h计划所确定的火电机组i在t时刻的启停状态；P_G.i.t为日前24h计划所确定的火电机组i在t时刻的出力状况；S_i为火电机组i的启动成本；a_i、b_i、c_i为火电机组i的经济特性参数；

约束条件如下：

1)功率平衡约束：

2)机组有功出力约束：

式中：P_w.max为风电机组的出力上限；P_p.max为光伏电站的出力上限；P_h.min和P_h.max分别为水电机组的出力下限和出力上限；P_min.i和P_max.i分别为火电机组i的出力下限和出力上限；

3)机组爬坡能力约束：

式中：R_u.i、R_d.i分别为火电机组i的爬坡速率和滑坡速率；

4)机组最小开停机时间约束：

式中：

分别为火电机组i到t-1时刻已连续开机时间和已连续停机的时间；

分别为火电机组i的最小连续开机时间、停机时间；

5)弃风/弃光约束：

式中：δ₁、δ₂分别为允许的最大弃风率和最大弃光率；和

分别为t时刻最大风电和光伏可用出力；

6)系统旋转备用约束：

R_st＝R_t.st+R_h.st≥αP_w.t+βP_p.t+γP_L.t

(14)

式中：R_st为t时刻系统所能增加的旋转备用总容量，R_t.st、R_h.st分别表示t时刻火电机组和水电机组所能增加的旋转备用量；α为系统风电出力预测误差对旋转备用的需求系数；β为光伏出力预测误差对旋转备用的需求系数；γ为负荷预测误差对旋转备用的需求系数。

步骤三所述日内4h滚动计划模型按如下方法建立：

日内4h滚动计划包含VP优化调度层和火电优化调度层两层计划；VP优化调度层直接以[t+1,t+17]时段的日内4h优化负荷曲线P_r.4h.T与日前24h优化负荷曲线P_r.24h.T相同为目标函数来修正水电出力，超出水电调节范围的才更改P_r.4h.T即调整火电出力计划；火电优化调度层以本时段内火电出力调整成本和启停成本最低为目标函数；火电机组组合状态的微调主要是按照优先顺序法确定的机组开机优先权来安排中小火电机组的快速启停；

目标函数如下：

P_r.4h.T＝P_r.24h.T

(15)

式中：P_r.4h.T、P_r.24h.T分别为[t+1,t+17]时段内日内4h和日前24h优化负荷曲线的值；为日内4h滚动周期的时段数；ε_i.t为火电机组单位出力调整成本，其值等于满负荷运行条件下机组的平均单位出力成本，优先调用单位出力调整成本低的机组；ΔP_G.i.t为火电机组i在t时刻的出力调整量，调整量是当前调度计划相对于前一时间尺度调度计划而言；

约束条件如下：

1)弃风弃光约束：

式中：W_w.24h.T、W_p.24h.T分别为日前计划在[t+1,t+17]时段内所确定的弃风、弃光容量；ΔW_w.4h.T、ΔW_p.4h.T分别为日内滚动计划在该时段内所允许增加的弃风、弃光容量调整量，调整系数λ₁、λ₂按需求设置，C₁、C₂为常数；

2)机组最小开停机时间约束：

启停时间小于4h的机组才参与启停，即

式中，T_start.i和T_stop.i分别为机组i的启停时间。

步骤四所述实时15min计划模型按如下方法建立：

实时15min计划通过令下一调度时刻的实时15min优化负荷曲线的取值P_r.min.t与日内4h优化负荷曲线的取值P_r.4h.t相同作为第一层优化目标，以调整VP出力，同时以火电机组实时调整成本最小为第二层优化目标；目标函数如下：

P_r.min.t＝P_r.4h.t

(19)

弃风弃光约束：

式中：P_r.min.t、P_r.4h.t分别为t时刻实时15min和日内4h优化负荷曲线的值；W_w.4h.t、W_p.4h.t分别为日内4h滚动计划在t时刻所确定的弃风、弃光容量；ΔW_w.min.t、ΔW_p.min.t分别为实时15min调度计划在t时刻所允许增加的弃风、弃光容量调整量，调整系数λ₃、λ₄按需求设置，C₃、C₄为常数。

步骤二所述负荷跟踪指标N_r最小的目标函数基于萤火虫算法完成，具体方法为，

2.1)首先随机初始化水电机组一个调度日各个时刻的初代种群；

2.2)判断机组有功出力约束是否满足，若满足则通过式(7)计算单个萤火虫的个体满意度，若不满足则以罚函数的形式加入目标函数；

2.3)更新萤火虫位置，产生新个体，同时保留旧萤火虫位置；

2.4)计算新个体位置的个体满意度，将新旧萤火虫位置合并排序，选择最优的n个个体进入下一次迭代优化；

2.5)判断是否满足迭代次数，若满足则输出最优个体，即最优水电机组出力曲线以及优化负荷曲线，若不满足则返回步骤2.3)。

与现有技术相比，本发明具有如下有益效果：

1)本发明通过定义负荷跟踪指标N_r，使得VP出力可以很好地跟踪负荷曲线的波动，从而有效平抑火电出力曲线。

2)本发明通过设置递进修正的弃风弃光约束，使前一尺度调度计划中弃风弃光容量更多的时段在下一尺度调度计划中具有更大的弃风弃光上调裕度，从而有效避免可能出现的风光消纳困难的情况，缓解间歇性电源的反调峰特性，以少量的弃风弃光换取VP互补效果和追踪能力的最大化。

3)本发明通过日内多时间尺度的互补调度计划，滚动修正水电和火电出力，始终保持VP对负荷的良好追踪，从而保证互补系统实际的互补和平抑效果。同时，也实现了火电机组的递进调节，有效减轻了调度人员及AGC机组的调节负担。

整个调度计划将异质能源互补发电与多时间尺度调度计划有效结合，实现了调节效益、环保效益和经济效益的最大化，为多种新能源并网问题提供了有价值的解决方案。

附图说明

图1-本发明的调度方法总体流程图。

图2-各时间尺度调度计划示意图。

图3-VP优化调度层萤火虫算法流程图。

具体实施方式

以下结合说明书附图对本发明作进一步详述。

本发明基于混合电源多时间尺度互补的优化调度方法，其总体流程如图1所示，具体包括以下步骤：

步骤一、利用异质能源之间的互补特性将风光水打捆成虚拟电源(VP)，并定义负荷跟踪指标来表征VP对负荷的跟踪能力，使VP出力能很好地追踪负荷曲线，负荷曲线扣除VP出力后为优化负荷曲线；

所述步骤一的具体步骤为：

从出力时空特性和调节能力两方面综合考虑，将风光水三种能源配置为VP，即风光水电站。为了评价VP出力对负荷曲线的跟踪能力，定义负荷跟踪指标N_r，N_r越小，代表VP出力曲线对负荷曲线的跟踪和平滑效果越好，N_r的定义式如下：

N_r＝m₁D_t+m₂D_s+m₃D_c

(1)

P_v.t＝P_w.t+P_p.t+P_h.t

(3)

P_r.t＝P_L.t-P_v.t

(5)

式中：D_t为VP出力相对于负荷的波动率，D_t越小，VP出力曲线与负荷曲线越接近，即VP对负荷的跟踪能力越好；D_s为负荷波动标准差^[24]，D_c为负荷功率变化率，这两个指标共同表征经VP平抑后优化负荷曲线P_r的波动特性，值越小代表优化负荷曲线P_r越平滑、波动越小；T为调度周期；为T时段内负荷平均值；P_L.t为t时刻的负荷；P_v.t为t时刻VP的总出力；P_w.t、P_p.t、P_h.t分别为t时刻风电、光伏及水电的出力；P_r.t为t时刻优化负荷曲线的值；为T时段内优化负荷曲线的平均值；P_r.max和P_r.min分别为优化负荷曲线的最大值和最小值；m₁、m₂、m₃分别为对应指标的权重系数，可根据各指标的重要性调整权重系数大小。

步骤二、建立包含VP优化调度层和火电优化调度层的日前24h计划模型，分别以负荷跟踪指标和火力发电成本最小为目标函数；

所述步骤二的具体步骤为：

日前24h计划分为2层，即VP优化调度层和火电优化调度层，每层需要遵循一个目标函数。第一层以负荷跟踪指标N_r最小为目标函数，得到VP出力曲线和日前优化负荷曲线P_r.24h。接着，在P_r.24h上安排常规火电的工作位置，以火电机组总发电成本最低为第二层的目标函数。

目标函数如下：

minN_r＝m₁D_t+m₂D_s+m₃D_c

(7)

式中：

日前24h计划划分的时段数；N_g为火电机组总数目；U_i.t为日前24h计划所确定的火电机组i在t时刻的启停状态；P_G.i.t为日前24h计划所确定的火电机组i在t时刻的出力状况；S_i为火电机组i的启动成本；a_i、b_i、c_i为火电机组i的经济特性参数。

约束条件如下：

1)功率平衡约束。

2)机组有功出力约束。

式中：P_w.max为风电机组的出力上限；P_p.max为光伏电站的出力上限；P_h.min和P_h.max分别为水电机组的出力下限和出力上限；P_min.i和P_max.i分别为火电机组i的出力下限和出力上限。

3)机组爬坡能力约束。

式中：R_u.i、R_d.i分别为火电机组i的爬坡速率和滑坡速率。

4)机组最小开停机时间约束。

式中：分别为火电机组i到t-1时刻已连续开机时间和已连续停机的时间；

分别为火电机组i的最小连续开机时间、停机时间。

5)弃风/弃光约束。

式中：δ₁、δ₂分别为允许的最大弃风率和最大弃光率；和

分别为t时刻最大风电和光伏可用出力。

6)系统旋转备用约束。

R_st＝R_t.st+R_h.st≥αP_w.t+βP_p.t+γP_L.t

(14)

式中：R_st为t时刻系统所能增加的旋转备用总容量，R_t.st、R_h.st分别表示t时刻火电机组和水电机组所能增加的旋转备用量；α为系统风电出力预测误差对旋转备用的需求系数；β为光伏出力预测误差对旋转备用的需求系数；γ为负荷预测误差对旋转备用的需求系数。

步骤三、建立包含两层计划的日内4h滚动计划模型，第一层以本调度时段内优化负荷曲线不发生变动为目标，第二层以本时段内火电出力调整成本和启停成本最低为目标，并设置递进修正的弃风弃光约束；

所述步骤三的具体步骤为：

对于当前时刻t，依据最新未来4h风、光及负荷超短期预测值，在保证VP追踪能力的前提下，重新规划[t+1,t+17]时段水电和火电机组出力及机组组合状态。同时，为避免日内滚动计划反复调节，仅对[t+16,t+17]时段进行实际调整。

日内4h滚动计划仍包含VP优化调度层和火电优化调度层两层计划。VP优化调度层直接以[t+1,t+17]时段的日内4h优化负荷曲线P_r.4h.T与日前24h优化负荷曲线P_r.24h.T相同为目标函数来修正水电出力，超出水电调节范围的才更改P_r.4h.T即调整火电出力计划。火电优化调度层以本时段内火电出力调整成本和启停成本最低为目标函数。火电机组组合状态的微调主要是按照优先顺序法确定的机组开机优先权来安排中小火电机组的快速启停。

目标函数如下：

P_r.4h.T＝P_r.24h.T

(15)

式中：P_r.4h.T、P_r.24h.T分别为[t+1,t+17]时段内日内4h和日前24h优化负荷曲线的值；为日内4h滚动周期的时段数；ε_i.t为火电机组单位出力调整成本，其值等于满负荷运行条件下机组的平均单位出力成本，优先调用单位出力调整成本低的机组；ΔP_G.i.t为火电机组i在t时刻的出力调整量，调整量是当前调度计划相对于前一尺度调度计划而言。

约束条件如下：

3)弃风弃光约束。

式中：W_w.24h.T、W_p.24h.T分别为日前计划在[t+1,t+17]时段内所确定的弃风、弃光容量；ΔW_w.4h.T、ΔW_p.4h.T分别为日内滚动计划在该时段内所允许增加的弃风、弃光容量调整量，调整系数λ₁、λ₂按需求设置，C₁、C₂为常数。

由于日前计划中弃风弃光量越多的时段，实际调度中越容易出现较强的反调峰特性，风光消纳越容易出现困难，通过这样的修正，可以使得日前计划中弃风弃光量更大的时段，在日内4h滚动计划中具有更大的弃风弃光上调裕度，有效避免可能出现的风光消纳困难的情况，从而优化互补系统的实际互补和平抑效果，减少火电出力的波动，提升系统运行的经济性和安全性。

4)机组最小开停机时间约束。

启停时间小于4h的机组才参与启停，即

式中，T_start.i和T_stop.i分别为机组i的启停时间。

其余约束与日前24h计划类似。

步骤四：建立包含两层计划的实时15min计划模型，第一层以下一调度时刻优化负荷曲线的值不发生变动为目标，第二层以下一调度时刻火电出力调整成本最低为目标，并设置递进修正的弃风弃光约束。

所述步骤四的具体步骤为：

实时15min计划通过令下一调度时刻的实时15min优化负荷曲线的取值P_r.min.t与日内4h优化负荷曲线的取值P_r.4h.t相同来调整VP出力，同时，由于上一时间尺度下的超短期预测精度已经较高，故本时间尺度下水电和火电出力调整量较小，且机组组合状态不发生调整。此时以火电机组实时调整成本最小为目标，且无机组启停费用项。

目标函数如下：

P_r.min.t＝P_r.4h.t

(19)

弃风弃光约束：

式中：P_r.min.t、P_r.4h.t分别为t时刻实时15min和日内4h优化负荷曲线的值；W_w.4h.t、W_p.4h.t分别为日内4h滚动计划在t时刻所确定的弃风、弃光容量；ΔW_w.min.t、ΔW_p.min.t分别为实时15min调度计划在t时刻所允许增加的弃风、弃光容量调整量，调整系数λ₃、λ₄按需求设置，C₃、C₄为常数。

其余约束与日前24h计划类似。

步骤五：基于萤火虫算法完成日前24h计划的第一层优化，即VP的优化调度，然后，通过改进粒子群算法(IPSO)的滚动计算来求解得出多种时间尺度调度计划下火电机组的机组组合状态、工作位置、发电总费用等。

所述步骤五的具体步骤为：

动态经济调度模型的求解主要包括两部分：VP优化调度层的求解和火电机组滚动优化调度层的求解。首先通过萤火虫算法(FA)完成日前24h计划的第一层优化，即VP的优化调度，求取使负荷跟踪度N_r最小的水电机组的出力曲线，基本步骤如图3所示：

1)首先随机初始化水电机组一个调度日各个时刻的初代种群。

2)判断式(10)约束是否满足，若满足则计算单个萤火虫的个体满意度式(7)，若不满足则以罚函数的形式加入目标函数。

3)更新萤火虫位置，产生新个体，同时保留旧萤火虫位置。

4)计算新个体位置的个体满意度，将新旧萤火虫位置合并排序，选择最优的n个个体进入下一次迭代优化。

5)判断是否满足迭代次数，若满足则输出最优个体，即最优水电机组出力曲线以及优化负荷曲线，若不满足则返回步骤3)。

完成VP优化调度层的求解后，再采用优先顺序法求取各机组的启停机顺序，然后通过改进粒子群算法(IPSO)的滚动计算来求解得出多种时间尺度调度计划下火电机组的机组组合状态、工作位置、发电总费用等。

由于互补系统的互补效果以及VP对负荷的跟踪能力随时间步长的减少而提高，故本发明建立了含日前24h计划、日内4h滚动计划和实时15min计划在内的三种时间尺度的调度计划，如图2所示。利用不断更新的预测信息，考虑不同时间尺度下的互补特性，滚动修正水电、火电调度计划和弃风弃光约束，从而保持VP对负荷的良好追踪，有效提升互补系统实际的互补和平抑效果，并逐级减轻火电调度压力，最终达到兼顾系统调节效益、环保效益以及经济效益的目的。

日前24h计划在每日24：00制定一次，根据日前24h共96个时段的风、光及负荷的短期预测值，利用多种异质能源的互补特性，通过负荷跟踪指标N_r安排水电机组出力，在此基础上进一步安排火电机组的启停机计划和大致出力计划。

日内4h滚动计划每15min滚动制定一次，在日前24h计划基础上，依据最新上报的未来4h风、光及负荷超短期预测值，在保证VP对负荷良好追踪的前提下，对[t+1,t+17]时段的发电计划进行调整，同时为避免反复调整日内滚动计划，仅对[t+16,t+17]时段的水电、火电出力和机组组合状态进行实际在线修正控制。

实时15min计划也是每15min滚动制定一次，在日内4h滚动计划确定的机组出力值基础上，依据最新的未来15min实时预测值，对下一个调度时段(未来15min)的机组出力值进行在线修正。

本发明整个调度计划将异质能源互补发电与多时间尺度调度计划有效结合，实现了调节效益、环保效益和经济效益的最大化，为多种新能源并网问题提供了有价值的解决方案。

最后需要说明的是，本发明的上述实例仅仅是为说明本发明所作的举例，而并非是对本发明的实施方式的限定。尽管申请人参照较佳实施例对本发明进行了详细说明，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化和变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (4)

1.一种基于混合电源多时间尺度互补的优化调度方法，其特征在于：包括如下步骤：

步骤一、利用异质能源之间的互补特性将风电机组、光伏电站和水电机组打捆成虚拟电源VP联合运行，并定义负荷跟踪指标来表征虚拟电源VP对负荷的跟踪能力，使虚拟电源VP出力能很好地追踪负荷曲线，负荷曲线扣除虚拟电源VP出力后为优化负荷曲线，该优化负荷曲线即为火电出力曲线；

步骤二、建立包含虚拟电源VP优化调度层和火电优化调度层的日前24h计划模型，虚拟电源VP优化调度层以负荷跟踪指标N_r最小为目标函数，火电优化调度层以火力发电成本最小为目标函数，由此实现风光水火四种能源的日前24h调度；

步骤三、建立包含两层计划的日内4h滚动计划模型，第一层以本调度时段内优化负荷曲线不发生变动为目标，第二层以本时段内火电出力调整成本和启停成本最低为目标，并设置递进修正的弃风弃光约束，由此实现风光水火四种能源的日内4h调度；

步骤四：建立包含两层计划的实时15min计划模型，第一层以下一调度时刻优化负荷曲线的值不发生变动为目标，第二层以下一调度时刻火电出力调整成本最低为目标，并设置递进修正的弃风弃光约束，由此实现风光水火四种能源的实时15min调度；

步骤二所述日前24h计划模型按如下方法建立：

日前24h计划分为2层，第一层为VP优化调度层，第二层为火电优化调度层，第一层以负荷跟踪指标N_r最小为目标函数，得到VP出力曲线和日前优化负荷曲线P_r.24h；接着，在日前优化负荷曲线P_r.24h上安排常规火电的工作位置，以火电机组总发电成本最低为第二层的目标函数；目标函数如下：

min N_r＝m₁D_t+m₂D_s+m₃D_c (7)

式中：D_t为VP出力相对于负荷的波动率，

D_t越小，VP出力曲线与负荷曲线越接近，即VP对负荷的跟踪能力越好；D_s为负荷波动标准差，

D_c为负荷功率变化率，这两个指标共同表征经VP平抑后优化负荷曲线P_r的波动特性，值越小代表优化负荷曲线P_r越平滑、波动越小；T为调度周期；

为T时段内负荷平均值；P_L.t为t时刻的负荷；P_v.t为t时刻VP的总出力，P_v.t＝P_w.t+P_p.t+P_h.t；P_w.t、P_p.t、P_h.t分别为t时刻风电、光伏及水电的出力；P_r.t为t时刻优化负荷曲线的值，P_r.t＝P_L.t-P_v.t；为T时段内优化负荷曲线的平均值；P_r.max和P_r.min分别为优化负荷曲线的最大值和最小值；m₁、m₂、m₃分别为对应指标的权重系数，可根据各指标的重要性调整权重系数大小；

为日前24h计划划分的时段数；N_g为火电机组总数目；U_i.t为日前24h计划所确定的火电机组i在t时刻的启停状态；P_G.i.t为日前24h计划所确定的火电机组i在t时刻的出力状况；S_i为火电机组i的启动成本；a_i、b_i、c_i为火电机组i的经济特性参数；

约束条件如下：

1)功率平衡约束：

2)机组有功出力约束：

式中：P_w.max为风电机组的出力上限；P_p.max为光伏电站的出力上限；P_h.min和P_h.max分别为水电机组的出力下限和出力上限；P_min.i和P_max.i分别为火电机组i的出力下限和出力上限；

3)机组爬坡能力约束：

式中：R_u.i、R_d.i分别为火电机组i的爬坡速率和滑坡速率；

4)机组最小开停机时间约束：

式中：

分别为火电机组i到t-1时刻已连续开机时间和已连续停机的时间；

分别为火电机组i的最小连续开机时间、停机时间；

5)弃风/弃光约束：

式中：δ₁、δ₂分别为允许的最大弃风率和最大弃光率；

和

分别为t时刻最大风电和光伏可用出力；

6)系统旋转备用约束：

R_st＝R_t.st+R_h.st≥αP_w.t+βP_p.t+γP_L.t (14)

式中：R_st为t时刻系统所能增加的旋转备用总容量，R_t.st、R_h.st分别表示t时刻火电机组和水电机组所能增加的旋转备用量；α为系统风电出力预测误差对旋转备用的需求系数；β为光伏出力预测误差对旋转备用的需求系数；γ为负荷预测误差对旋转备用的需求系数。

2.根据权利要求1所述的基于混合电源多时间尺度互补的优化调度方法，其特征在于，步骤三所述日内4h滚动计划模型按如下方法建立：

日内4h滚动计划包含VP优化调度层和火电优化调度层两层计划；VP优化调度层直接以[t+1,t+17]时段的日内4h优化负荷曲线P_r.4h.T与日前24h优化负荷曲线P_r.24h.T相同为目标函数来修正水电出力，超出水电调节范围的才更改P_r.4h.T即调整火电出力计划；火电优化调度层以本时段内火电出力调整成本和启停成本最低为目标函数；火电机组组合状态的微调是按照优先顺序法确定的机组开机优先权来安排中小火电机组的快速启停；

目标函数如下：

P_r.4h.T＝P_r.24h.T (15)

式中：P_r.4h.T、P_r.24h.T分别为[t+1,t+17]时段内日内4h和日前24h优化负荷曲线的值；

为日内4h滚动周期的时段数；ε_i.t为火电机组单位出力调整成本，其值等于满负荷运行条件下机组的平均单位出力成本，优先调用单位出力调整成本低的机组；ΔP_G.i.t为火电机组i在t时刻的出力调整量，调整量是当前调度计划相对于前一时间尺度调度计划而言；

约束条件如下：

1)弃风弃光约束：

式中：W_w.24h.T、W_p.24h.T分别为日前计划在[t+1,t+17]时段内所确定的弃风、弃光容量；ΔW_w.4h.T、ΔW_p.4h.T分别为日内滚动计划在该时段内所允许增加的弃风、弃光容量调整量，调整系数λ₁、λ₂按需求设置，C₁、C₂为常数；

2)机组最小开停机时间约束：

启停时间小于4h的机组才参与启停，即

式中，T_start.i和T_stop.i分别为机组i的启停时间。

3.根据权利要求1所述的基于混合电源多时间尺度互补的优化调度方法，其特征在于，步骤四所述实时15min计划模型按如下方法建立：

实时15min计划通过令下一调度时刻的实时15min优化负荷曲线的取值P_r.min.t与日内4h优化负荷曲线的取值P_r.4h.t相同作为第一层优化目标，以调整VP出力，同时以火电机组实时调整成本最小为第二层优化目标；目标函数如下：

P_r.min.t＝P_r.4h.t (19)

弃风弃光约束：

式中：P_r.min.t、P_r.4h.t分别为t时刻实时15min和日内4h优化负荷曲线的值；W_w.4h.t、W_p.4h.t分别为日内4h滚动计划在t时刻所确定的弃风、弃光容量；ΔW_w.min.t、ΔW_p.min.t分别为实时15min调度计划在t时刻所允许增加的弃风、弃光容量调整量，调整系数λ₃、λ₄按需求设置，C₃、C₄为常数。

4.根据权利要求1所述的基于混合电源多时间尺度互补的优化调度方法，其特征在于，步骤二所述负荷跟踪指标N_r最小的目标函数基于萤火虫算法完成，具体方法为，

2.1)首先随机初始化水电机组一个调度日各个时刻的初代种群；

2.2)判断机组有功出力约束是否满足，若满足则通过式(7)计算单个萤火虫的个体满意度，若不满足则以罚函数的形式加入目标函数；

2.3)更新萤火虫位置，产生新个体，同时保留旧萤火虫位置；

2.4)计算新个体位置的个体满意度，将新旧萤火虫位置合并排序，选择最优的n个个体进入下一次迭代优化；

2.5)判断是否满足迭代次数，若满足则输出最优个体，即最优水电机组出力曲线以及优化负荷曲线，若不满足则返回步骤2.3)。

Images