CN108335232A - 基于备用整定的双层鲁棒机组组合方法 - Google Patents

Abstract

本发明提供一种基于备用整定的双层鲁棒机组组合方法，该方法包括：建立最优机组组合模型和鲁棒性检测模型；根据初始旋转备用率和所述最优机组组合模型，获取最优机组组合；通过所述鲁棒性检测模型对所述最优机组组合进行鲁棒性检测，获取所述最优机组组合的鲁棒指标；根据鲁棒指标的大小，执行相应的操作，最后获取鲁棒机组组合。本发明将鲁棒调度方法应用于机组组合问题，解决了大规模风电接入的鲁棒机组组合问题，当风电在某一范围任意波动时，仅靠调节机组出力即可使系统安全运行，为应对日前发电计划中风电出力的不确定性提供一条行之有效的解决途径，具有为发电系统运行人员提供可执行的调度方案、提高工程经济性等诸多优点。

Description

基于备用整定的双层鲁棒机组组合方法

技术领域

本发明涉及多能源发电系统技术领域，更具体地，涉及一种基于备用整定的双层鲁棒机组组合方法。

背景技术

电力系统调度的首要任务是确保电网的安全、稳定和经济运行，可靠地向各类用户提供高质量的电能。源-荷的功率平衡对供电质量和电网安全起着至关重要的影响。由于系统负荷随着时间、季节而改变，机组的工作状态和出力也需随之改变。因此，制定合理的发电计划是电力系统安全经济运行迫切需要解决的问题。

机组组合是日前发电计划的重要组成部分，是经济调度和最优潮流的前提。传统机组组合根据负荷预测，在满足机组自身发电能力限制和系统安全约束的前提下，确定未来一天中各调度时段内机组的启停状态及运行机组的出力，使该调度周期内总运行成本最低。通过合理安排机组启停计划，可以有效降低能耗水平，提高机组运行效率，延长机组使用寿命，大幅提升运行可靠性，带来可观的经济效益。因此机组组合问题自提出以来就引起了国内外学者的广泛关注，并对此进行了大量的研究。

由于负荷预测精度较高，在确定性主导的调度模式下，负荷曲线一旦给定，即对应一种最为经济的机组启停状态和出力分配。实用中有两点考虑：一方面机组启停耗时较长，机组工作状态必须提前给定；另一方面当实时负荷与预测出现较小偏差时，部分机组的出力也需要进行微调。所以机组组合问题的最优解中，机组状态需要具有较高的可靠性，当负荷偏离预测时仅通过调整机组出力即可实时跟踪系统负荷，并实现有功功率的优化分配，即经济调度。

然而，大规模可再生能源如风电的开发与并网发电对这种调度格局产生了深远的影响。在电力系统中，引入风电固然可以取代一部分燃煤机组的电量，减少了化石能源的消耗和温室气体的排放，但与传统机组的完全可调度性与传统负荷的高可预测性不同，风电场的出力受随机气象条件的影响存在天然的波动性，难以准确预报。风电的这个特点在可再生能源发电中具有代表性，给传统的调度模式带来了巨大的挑战。反映到机组组合中，若将风电出力作为负的负荷合并到负荷曲线中，则体现为负荷曲线的不确定性。随着等效负荷不确定性的增加，根据预测的场景和确定性优化方法制定的机组组合将难以保证可靠性，即可能存在某种风电出力方式使得在给定的机组组合下不存在可行的调度解。

因此，不确定环境下的机组组合决策必须全面考虑系统所面临的各种不确定性，并保证不确定性被观测到之后存在相应的应对措施。鲁棒机组组合旨在提供对不确定性具有鲁棒性的机组状态指令和对不确定性具有自适应性的机组出力指令，寻找一种快速的鲁棒机组组合计算方法十分有必要。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的一种基于备用整定的双层鲁棒机组组合方法。

根据本发明的一个方面，提供一种双层鲁棒机组组合计算方法，包括：

S1、建立最优机组组合模型和鲁棒性检测模型；

S2、根据初始旋转备用率和所述最优机组组合模型，获取最优机组组合，所述初始旋转备用率为预设旋转备用率最大值与预设旋转备用率最小值之和的一半；

S3、通过所述鲁棒性检测模型对所述最优机组组合进行鲁棒性检测，获取所述最优机组组合的鲁棒指标；

S4、若判断获知所述鲁棒指标等于0，将所述初始旋转备用率重新作为所述预设旋转备用率最大值，若判断获知所述预设旋转备用率最大值和所述预设旋转备用率最小值之差小于预设收敛阈值，将所述最优机组组合作为所述鲁棒机组组合，若判断获知所述预设旋转备用率最大值和所述预设旋转备用率最小值之差不小于所述预设收敛阈值，重复步骤S2～S4，直到获取所述鲁棒机组组合；

若判断获知所述鲁棒指标大于0，将所述初始旋转备用率重新作为所述预设旋转备用率最小值，若判断获知所述预设旋转备用率最大值和所述预设旋转备用率最小值之差小于预设收敛阈值，将所述最优机组组合作为所述鲁棒机组组合，若判断获知所述预设旋转备用率最大值和所述预设旋转备用率最小值之差不小于预设收敛阈值，重复步骤S2～S4，直到获取所述鲁棒机组组合。

优选地，步骤S1中，所述最优机组组合模型的目标函数如下：

其中，F_TLUC为总运行成本，S_i为机组i的启动成本，c_i为机组i的固定运行成本，z_it表示机组启停的决策变量，u_it表示机组状态的决策变量，X表示预调度约束集合，r表示旋转备用率。

优选地，步骤S1中，所述最优机组组合模型的约束条件如下：

或，

其中，为机组i运行时的最小出力，为机组i运行时的最大出力，p_qt为负荷q在t时段的有功需求，表示风电场j在t时段的预测出力。

优选地，步骤S1中，所述鲁棒性检测模型的目标函数如下：

其中，F_RFT表示所述鲁棒性指标，p_jt表示风电场j在t时段的出力，P^W表示风电场出力，s⁺表示正松弛变量，s^-表示负松弛变量，p_it表示风电场i在t时段的出力。

优选地，步骤S1中，所述鲁棒性检测模型的约束条件如下：

其中，u_it表示机组状态的决策变量，为机组i运行时的最小出力，p_it表示风电场i在t时段的出力，表示风电场i在t时段索引指标集为I₁的正松弛变量，表示风电场i在t时段索引指标集为I₁的负松弛变量；

其中，表示风电场i在t时段索引指标集为I₂的正松弛变量，表示风电场i在t时段索引指标集为I₂的负松弛变量，为机组i运行时的最大出力；

其中，p_i(t+1)表示风电场i在t+1时段的出力，表示风电场i在t时段索引指标集为I₃的正松弛变量，表示风电场i在t时段索引指标集为I₃的负松弛变量，表示机组i的最大上爬坡率；

其中，表示风电场i在t时段索引指标集为I₄的正松弛变量，表示表示风电场i在t时段索引指标集为I₄的负松弛变量，表示表示机组i的最大下爬坡率，u_i(t+1)表示t+1时刻风电场i的启停机状态变量；

其中，表示风电场i在t时段索引指标集为I₅的正松弛变量，表示风电场i在t时段索引指标集为I₅的负松弛变量，p_qt为负荷q在t时段的有功需求，p_jt表示风电场j在t时段的出力；

其中，π_il表示风电场i到传输线l的功率转移分布因子，π_jl表示风电场j到传输线l的功率转移分布因子，表示风电场i在t时段索引指标集为I₆的正松弛变量，表示风电场i在t时段索引指标集为I₆的负松弛变量，F_l表示线路l的有功传输限额，π_ql表示风电场q到传输线l的功率转移分布因子；

其中，π_jl表示风电场j到传输线l的功率转移分布因子，表示风电场i在t时段索引指标集为I₇的正松弛变量，表示风电场i在t时段索引指标集为I₇的负松弛变量；

其中，I₁～I₇表示所述正松弛变量或所述负松弛变量的索引指标集。

优选地，步骤S3中，所述最优机组组合的鲁棒指标通过两阶段零算法和博弈算法获得。

优选地，所述方法的最大迭代次数如下：

k＝[log₂(r_m/ε)]+1，

其中，k表示所述最大迭代次数，r_m表示最大旋转备用率，ε表示所述预设收敛阈值。

根据本发明的另一个方面，提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行一种双层鲁棒机组组合方法。

根据本发明的又一个方面，提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行一种双层鲁棒机组组合方法。

本发明提出一种基于备用整定的双层鲁棒机组组合方法，其优点是：将确定机组状态和机组出力分解为两层，通过调整旋转备用率交替求解机组状态和鲁棒可行性问题。在深入研究了备用容量对机组组合鲁棒性影响机理的基础上，本文将传统旋转备用法与鲁棒调度的原理相结合，发展了一套基于旋转备用率的鲁棒机组组合实现方法。考虑到鲁棒机组组合的两阶段决策特性，将机组状态和机组出力分解到两个单独的问题中考虑，而靠某种关联机制实现二者的协调求解。旋转备用率正是适合这种协调的关联机制。本发明力图为不确定环境下电力系统短期发电调度建立一套系统严密的方法论体系，即电力系统鲁棒调度体系，并用其解决涉及不确定性的调度问题，以应对我国大规模风电、光伏电站的接入给传统电力系统安全运行带来的调度难题，增强传统电力系统对可再生能源并网发电的可靠消纳、优化调度和灾变防治能力，最终实现电力系统安全经济运行，为我国大规模可再生能源的持续开发和有效利用提供理论支持和技术保障。本发明将鲁棒调度方法应用于机组组合问题，提出了考虑大规模风电接入的鲁棒机组组合问题，提供可靠的机组状态指令，当风电在某一范围任意波动时，仅靠调节机组出力即可使系统安全运行，为应对日前发电计划中风电出力的不确定性提供一条行之有效的解决途径，具有为发电系统运行人员提供可执行的调度方案，提高工程经济性等诸多优点。

附图说明

图1为为本发明实施例一种基于备用整定的双层鲁棒机组组合方法的流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

在深入研究了备用容量对机组组合鲁棒性影响机理的基础上，本文将传统旋转备用法与鲁棒调度的原理相结合，发展了一套基于备用整定的双层鲁棒机组组合方法。

考虑到鲁棒机组组合的两阶段决策特性，一个自然的想法是将机组状态和机组出力分解到两个单独的问题中考虑，而靠某种关联机制实现二者的协调求解。旋转备用率正是适合这种协调的关联机制。本发明力图为不确定环境下电力系统短期发电调度建立一套系统严密的方法论体系，即电力系统鲁棒调度体系，并用其解决涉及不确定性的调度问题，以应对我国大规模风电、光伏电站的接入给传统电力系统安全运行带来的调度难题，增强传统电力系统对可再生能源并网发电的可靠消纳、优化调度和灾变防治能力，最终实现电力系统安全经济运行，为我国大规模可再生能源的持续开发和有效利用提供理论支持和技术保障。

图1为本发明实施例一种基于备用整定的双层鲁棒机组组合方法的流程图，如图1所示，该方法包括：S1、建立最优机组组合模型和鲁棒性检测模型；

S2、根据初始旋转备用率和所述最优机组组合模型，获取最优机组组合，所述初始旋转备用率为预设旋转备用率最大值与预设旋转备用率最小值之和的一半；

S3、通过所述鲁棒性检测模型对所述最优机组组合进行鲁棒性检测，获取所述最优机组组合的鲁棒指标；

S4、若判断获知所述鲁棒指标等于0，将所述初始旋转备用率重新作为所述预设旋转备用率最大值，若判断获知所述预设旋转备用率最大值和所述预设旋转备用率最小值之差小于预设收敛阈值，将所述最优机组组合作为所述鲁棒机组组合，若判断获知所述预设旋转备用率最大值和所述预设旋转备用率最小值之差不小于所述预设收敛阈值，重复步骤S2～S4，直到获取所述鲁棒机组组合；

若判断获知所述鲁棒指标大于0，将所述初始旋转备用率重新作为所述预设旋转备用率最小值，若判断获知所述预设旋转备用率最大值和所述预设旋转备用率最小值之差小于预设收敛阈值，将所述最优机组组合作为所述鲁棒机组组合，若判断获知所述预设旋转备用率最大值和所述预设旋转备用率最小值之差不小于预设收敛阈值，重复步骤S2～S4，直到获取所述鲁棒机组组合。

鲁棒机组组合旨在提供对不确定性具有鲁棒性的机组状态指令和对不确定性具有自适应性的机组出力指令，并极小化机组组合成本与标称场景(预测场景)下的调度成本之和，换言之，机组组合指令在不确定性任意可能的实现下可保持不变，仅靠调节机组出力即可满足运行约束，使系统安全运行。本发明提出一种工程实用化的快速算法，将确定机组状态和机组出力分解为两层，通过调整旋转备用率交替求解机组状态和鲁棒可行性问题。

本发明实施例将鲁棒调度方法应用于机组组合问题，提出了考虑大规模风电接入的鲁棒机组组合问题，旨在提供可靠的机组状态指令，当风电在某一范围任意波动时，仅靠调节机组出力即可使系统安全运行。鲁棒机组组合有望为应对日前发电计划中风电出力的不确定性提供一条行之有效的解决途径。

本发明实施例将确定机组状态和机组出力分解为两层，通过调整旋转备用率交替求解机组状态和鲁棒可行性问题。在深入研究了备用容量对机组组合鲁棒性影响机理的基础上，本文将传统旋转备用法与鲁棒调度的原理相结合，发展了一套基于旋转备用率的鲁棒机组组合实现方法。考虑到鲁棒机组组合的两阶段决策特性，将机组状态和机组出力分解到两个单独的问题中考虑，而靠某种关联机制实现二者的协调求解。旋转备用率正是适合这种协调的关联机制。本发明力图为不确定环境下电力系统短期发电调度建立一套系统严密的方法论体系，即电力系统鲁棒调度体系，并用其解决涉及不确定性的调度问题，以应对我国大规模风电、光伏电站的接入给传统电力系统安全运行带来的调度难题，增强传统电力系统对可再生能源并网发电的可靠消纳、优化调度和灾变防治能力，最终实现电力系统安全经济运行，为我国大规模可再生能源的持续开发和有效利用提供理论支持和技术保障。本发明将鲁棒调度方法应用于机组组合问题，提出了考虑大规模风电接入的鲁棒机组组合问题，提供可靠的机组状态指令，当风电在某一范围任意波动时，仅靠调节机组出力即可使系统安全运行，为应对日前发电计划中风电出力的不确定性提供一条行之有效的解决途径，具有为发电系统运行人员提供可执行的调度方案，提高工程经济性等诸多优点。

详细地，本发明实施例一种基于备用整定的双层鲁棒机组组合方法具体实施过程如下：

首先，建立最优机组组合模型和鲁棒性检测模型。构建基于备用整定的鲁棒机组组合模型，分析该问题并构建建模的框架，基于备用整定的鲁棒机组组合模型可分为上层问题和下层问题，上层问题表示最优机组组合问题，通过建立最优机组组合模型来解决上层问题，下层问题表示鲁棒可行性检测问题，通过建立鲁棒性检测模型来解决下层问题。

基于上述分析，分析上层问题即最优机组组合问题，最优机组组合问题中，旋转备用率r也是优化变量。若r增大，则会调用更多的机组，实时调节能力更强，机组组合的鲁棒性也越强，但机组组合成本也会升高。最优机组组合的目的是寻找最优旋转备用率r，在保证机组组合鲁棒性的同时，使机组组合的成本最低。而机组组合的鲁棒性是通过下层问题来检测的。最优机组组合模型的目标函数为极小化启停机成本和固定运行成本之和，即

其中，F_TLUC为总运行成本，S_i为机组i的启动成本，c_i为机组i的固定运行成本，z_it表示机组启停的决策变量，u_it表示机组状态的决策变量，X表示预调度约束集合，r表示旋转备用率。

鲁棒机组组合的预调度量是机组状态{z_it,u_it}。X为预调度约束集合，即

其中为机组i的最小开/停机间隔。

最优机组组合模型的约束条件为旋转备用约束，出于运行可靠性的考虑，系统中必须留有一定的备用容量，大小通常与系统负荷或装机容量成正比，最优机组组合模型的约束条件如下：

当实际负荷高于预测时，最优机组组合模型的约束条件的公式如下：

当实际负荷低于预测时，最优机组组合模型的约束条件的公式如下：

其中，为机组i运行时的最小出力，为机组i运行时的最大出力，p_qt为负荷q在t时段的有功需求，表示风电场j在t时段的预测出力，是预测区间的中点，是不确定参数。

当实际负荷高于预测时，应能通过增加机组出力满足负荷需求而无需改变机组状态；当实际负荷低于预测时，应能通过减小机组出力满足需求而无需改变机组状态。式中旋转备用率r可通过运行经验决定，一般来说总装机容量越大的系统r越小。

基于上述最优机组组合模型的分析，构建基于旋转备用率的双层鲁棒机组组合模型的下层问题，为鲁棒可行性检测，下层问题的目的是检验上层问题计算出的机组组合{u_it}是否满足以下定义：

定义1：称机组组合{u_it}是鲁棒的，当且仅当对风电场任意出力组合{p_it}∈P^w，在该机组状态下均能提供适当的机组出力{p_it}，满足所有运行约束，即集合Y({z_it,u_it},{p_jt})非空。

将下层问题等效转化为一个优化问题进行求解，其鲁棒性检测模型的目标函数为：

其中，F_RFT为一个鲁棒指标，用来判断鲁棒性，若F_RFT＝0，则表明{u_it}既满足鲁棒性要求，对风电出力的不确定性具有足够的适应能力，在风电场各种可能的出力组合下都能提供有效的调度解，又能使机组组合成本最低，因此是一种既满足安全性又具有经济性的机组组合解。P^W是风电出力。

其中，s⁺表示正松弛变量，s^-表示负松弛变量，p_it表示风电场i在t时段的出力，满足鲁棒性检测模型的约束条件：

其中，u_it表示机组状态的决策变量，为机组i运行时的最小出力，p_it表示风电场i在t时段的出力，表示风电场i在t时段索引指标集为I₁的正松弛变量，表示风电场i在t时段索引指标集为I₁的负松弛变量；

其中，表示风电场i在t时段索引指标集为I₂的正松弛变量，表示风电场i在t时段索引指标集为I₂的负松弛变量，为机组i运行时的最大出力；

其中，p_i(t+1)表示风电场i在t+1时段的出力，表示风电场i在t时段索引指标集为I₃的正松弛变量，表示风电场i在t时段索引指标集为I₃的负松弛变量，表示机组i的最大上爬坡率；

其中，表示风电场i在t时段索引指标集为I₄的正松弛变量，表示风电场i在t时段索引指标集为I₄的负松弛变量，表示机组i的最大下爬坡率，u_i(t+1)表示t+1时刻风电场i的启停机状态变量；

其中，表示风电场i在t时段索引指标集为I₅的正松弛变量，表示风电场i在t时段索引指标集为I₅的负松弛变量，p_qt为负荷q在t时段的有功需求，p_jt表示风电场j在t时段的出力；

其中，π_il表示风电场i到传输线l的功率转移分布因子，π_jl表示风电场j到传输线l的功率转移分布因子，表示风电场i在t时段索引指标集为I₆的正松弛变量，表示风电场i在t时段索引指标集为I₆的负松弛变量，F_l表示线路l的有功传输限额，π_ql表示风电场q到传输线l的功率转移分布因子。

其中，π_jl表示风电场j到传输线l的功率转移分布因子，表示风电场i在t时段索引指标集为I₇的正松弛变量，表示风电场i在t时段索引指标集为I₇的负松弛变量；

其中，I₁～I₇表示所述正松弛变量或所述负松弛变量的索引指标集。

以上就是鲁棒机组组合模型的建立过程。

基于上述最优机组组合模型和鲁棒检测模型，构建了基于旋转备用率的双层鲁棒机组组合模型，为了下文阐述方便，将上层最优机组组合问题和下层鲁棒可行性检测问题(两阶段零和博弈)表示为以下矩阵形式：

上层问题：

下层问题：

其中(13)中，决策变量x是(1)中{z_it,u_it}的简写，c^T是最优机组组合模型的目标函数中决策变量x的系数矩阵，G是约束条件中变量x的系数矩阵，g(r)来自于式(3)和(4)，是最优机组组合模型的约束条件中其他变量的简写，关于r是线性的。

在(14)中，w是(5)中决策变量的简写，W是决策变量集合w的简写，y是约束条件中其他变量的简写，B是变量y的系数矩阵，b是约束条件中的常数矩阵，C是w的系数矩阵，A是x的系数矩阵。

由(13)和(14)可见，下层问题的可行域与上层问题给出的机组组合x有关，因此y对不确定性w自适应调节能力取决于x，而x又取决于旋转备用率r。若下层问题检测出F_RFT(x)＞0，则x不能满足鲁棒性要求，需要增大r，反之则可减小r试图降低机组组合成本。这种直觉上的调整手段以下述经验为依据。记x(r)是上层问题(13)中旋转备用率为r时所对应的机组组合解。

性质1：若r1≥r2，且F_RFT(x(r₂))＝0，则F_RFT(x(r₁))＝0。

推论：若r1≥r2，且F_RFT(x(r₁))＞0，则F_RFT(x(r₂))＞0。

严格证明性质1或寻找其成立的充分必要条件在数学上是困难的。事实上性质1来源于实际运行经验和仿真实验。电力系统实际运行经验表明，备用容量越大，运行越灵活，实时调节能力越强，机组组合鲁棒性也越强。大量仿真也表明，只要不发生传输线安全约束大规模越限，性质1都是成立的。在传输线安全约束大规模越界的情况下，机组组合鲁棒性的问题变得更加复杂，单凭增加备用容量是不能解决的。

构建的基于旋转备用率的鲁棒机组组合模型后，以下提出鲁棒机组组合模型的求解方法，即基于备用整定的鲁棒机组组合快速算法，如下：

根据初始旋转备用率r和最优机组组合模型，获取最优机组组合x(r)，初始旋转备用率r为预设旋转备用率最大值r_UB与预设旋转备用率最小值r_LB之和的一半,即r＝0.5*(r_UB+r_LB),其中，r_LB＝0,r_UB＝r_m。

通过鲁棒性检测模型对最优机组组合x(r)进行鲁棒性检测，通过辆阶段零法和博弈算法，获取最优机组组合的鲁棒指标F_RFT(x(r))。

若判断获知鲁棒指标F_RFT(x(r))等于0，即F_RFT(x(r))＝0；将初始旋转备用率r重新作为预设旋转备用率最大值r_UB，即r_UB＝r；若判断获知预设旋转备用率最大值r_UB和所述预设旋转备用率最小值r_LB之差小于预设收敛阈值ε，即r_UB-r_LB＜ε，将所述最优机组组合作为所述鲁棒机组组合。

若判断获知预设旋转备用率最大值r_UB和预设旋转备用率最小值r_LB之差不小于所述预设收敛阈值ε，重复步骤S2～S4，直到获取所述鲁棒机组组合；

若判断获知鲁棒指标F_RFT(x(r))大于0，即F_RFT(x(r))＞0；将初始旋转备用率r重新作为预设旋转备用率最小值r_LB，即r_LB＝r；若判断获知预设旋转备用率最大值r_UB和预设旋转备用率最小值r_LB之差小于预设收敛阈值ε，即r_UB-r_LB≥ε；将最优机组组合作为鲁棒机组组合。

若判断获知所述预设旋转备用率最大值r_UB和所述预设旋转备用率最小值r_LB之差不小于预设收敛阈值ε，重复步骤S2～S4，直到获取所述鲁棒机组组合。

定理1保证了算法的收敛性，具体原因如下：

定理1：在定义1成立的情况下若F_RFT(x(r_m))＝0，则双层鲁棒机组组合(13)～(14)的最优解(x*,r*)存在，算法有限步收敛，迭代次数为：

k＝[log2(r_m/ε)]+1， (15)

其中，[n]表示不超过n的最大整数。

证明：当r＝0时，若F_RFT(x(0))＝0，则由定义1知，F_RFT(x(r))＝0，由算法得到的最优解为(x0,0)；若F_L(x(0))＞0，则必存在r'，使得有F_RFT(x(r))＞0，且有F_L(x(r))＝0。由定义1知，这样的r'是唯一的，由算法得到的最优解为(x(r'),r')。由于算法按照二分法搜索r'，搜索区间长度依次减半，所以总迭代次数k是满足式(16)的最小整数：

r_m/2^k≤ε， (16)

即k＝[log₂(r_m/ε)]+1。其中，ε为一个无穷小的实数。

综上所述，本发明将鲁棒调度方法应用于机组组合问题，提出了考虑大规模风电接入的鲁棒机组组合问题，提供可靠的机组状态指令，当风电在某一范围任意波动时，仅靠调节机组出力即可使系统安全运行，为应对日前发电计划中风电出力的不确定性提供一条行之有效的解决途径，具有为发电系统运行人员提供可执行的调度方案，提高工程经济性等诸多优点。

最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种双层鲁棒机组组合计算方法，其特征在于，包括：

S1、建立最优机组组合模型和鲁棒性检测模型；

S2、根据初始旋转备用率和所述最优机组组合模型，获取最优机组组合，所述初始旋转备用率为预设旋转备用率最大值与预设旋转备用率最小值之和的一半；

S3、通过所述鲁棒性检测模型对所述最优机组组合进行鲁棒性检测，获取所述最优机组组合的鲁棒指标；

S4、若判断获知所述鲁棒指标等于0，将所述初始旋转备用率重新作为所述预设旋转备用率最大值，若判断获知所述预设旋转备用率最大值和所述预设旋转备用率最小值之差小于预设收敛阈值，将所述最优机组组合作为所述鲁棒机组组合，若判断获知所述预设旋转备用率最大值和所述预设旋转备用率最小值之差不小于所述预设收敛阈值，重复步骤S2～S4，直到获取所述鲁棒机组组合；

若判断获知所述鲁棒指标大于0，将所述初始旋转备用率重新作为所述预设旋转备用率最小值，若判断获知所述预设旋转备用率最大值和所述预设旋转备用率最小值之差小于预设收敛阈值，将所述最优机组组合作为所述鲁棒机组组合，若判断获知所述预设旋转备用率最大值和所述预设旋转备用率最小值之差不小于预设收敛阈值，重复步骤S2～S4，直到获取所述鲁棒机组组合。

2.根据权利要求1所述方法，其特征在于，步骤S1中，所述最优机组组合模型的目标函数如下：

其中，F_TLUC为总运行成本，S_i为机组i的启动成本，c_i为机组i的固定运行成本，z_it表示机组启停的决策变量，u_it表示机组状态的决策变量，X表示预调度约束集合，r表示旋转备用率。

3.根据权利要求1所述方法，其特征在于，步骤S1中，所述最优机组组合模型的约束条件如下：

或，

其中，为机组i运行时的最小出力，为机组i运行时的最大出力，p_qt为负荷q在t时段的有功需求，表示风电场j在t时段的预测出力。

4.根据权利要求1所述方法，其特征在于，步骤S1中，所述鲁棒性检测模型的目标函数如下：

其中，F_RFT表示所述鲁棒性指标，p_jt表示风电场j在t时段的出力，P^W表示风电场出力，s⁺表示正松弛变量，s^-表示负松弛变量，p_it表示风电场i在t时段的出力。

5.根据权利要1所述方法，其特征在于，步骤S1中，所述鲁棒性检测模型的约束条件如下：

其中，u_it表示机组状态的决策变量，为机组i运行时的最小出力，p_it表示风电场i在t时段的出力，表示风电场i在t时段索引指标集为I₁的正松弛变量，表示风电场i在t时段索引指标集为I₁的负松弛变量；

其中，表示风电场i在t时段索引指标集为I₂的正松弛变量，表示风电场i在t时段索引指标集为I₂的负松弛变量，为机组i运行时的最大出力；

其中，p_i(t+1)表示风电场i在t+1时段的出力，表示风电场i在t时段索引指标集为I₃的正松弛变量，表示风电场i在t时段索引指标集为I₃的负松弛变量，表示机组i的最大上爬坡率；

其中，表示风电场i在t时段索引指标集为I₄的正松弛变量，表示风电场i在t时段索引指标集为I₄的负松弛变量，表示机组i的最大下爬坡率，u_i(t+1)表示t+1时刻风电场i的启停机状态变量；

其中，表示风电场i在t时段索引指标集为I₅的正松弛变量，表示风电场i在t时段索引指标集为I₅的负松弛变量，p_qt为负荷q在t时段的有功需求，p_jt表示风电场j在t时段的出力；

其中，π_il表示风电场i到传输线l的功率转移分布因子，π_jl表示风电场j到传输线l的功率转移分布因子，表示风电场i在t时段索引指标集为I₆的正松弛变量，表示风电场i在t时段索引指标集为I₆的负松弛变量，F_l表示线路l的有功传输限额，π_ql表示风电场q到传输线l的功率转移分布因子；

其中，π_jl表示风电场j到传输线l的功率转移分布因子，表示风电场i在t时段索引指标集为I7的正松弛变量，表示风电场i在t时段索引指标集为I₇的负松弛变量；

其中，I₁～I₇表示所述正松弛变量或所述负松弛变量的索引指标集。

6.根据权利要求1所述方法，其特征在于，步骤S3中，所述最优机组组合的鲁棒指标通过两阶段零算法和博弈算法获得。

7.根据权利要求1所述方法，其特征在于，所述方法的最大迭代次数如下：

k＝[log₂(r_m/ε)]+1，

其中，k表示所述最大迭代次数，r_m表示最大旋转备用率，ε表示所述预设收敛阈值。

8.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1至7任一所述的方法。

9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。