CN108418203B - 一种利用风险逐步聚合场景的旋转备用优化方法 - Google Patents

Abstract

本发明公开了一种利用风险逐步聚合场景的旋转备用优化方法，首先对上一迭代步优化选取的备用措施组合，计算全场景集下各场景的剩余风险之和，若全场景集下剩余风险之和小于设置的总剩余风险阈值，则场景集下旋转备用措施（reserve measure，RM）优化选取结束；否则，将全场景集下剩余风险超过单个场景剩余风险阈值的场景子集设置为待聚合场景集，然后按场景概率距离聚类为单个场景，加入待优化场景集，并对待优化场景集内场景概率进行重新分配，最后进行基于代价性能比多步优化的RM选取。本发明计算效率高，优化效果好，能够更好的协调计算效率与总控制风险。

Description

一种利用风险逐步聚合场景的旋转备用优化方法

技术领域

本发明涉及一种利用风险逐步聚合场景的旋转备用优化方法，属于电力系统机组组合技术领域。

背景技术

大规模间歇性可再生能源(renewable energy，RE)接入下的出力不确定性对系统运行充裕性带来巨大挑战。为应对这种出力不确定性，通常需在市场上优化购买备用容量资源，以满足系统运行要求。

现有技术中，针对RE出力不确定性的处理方法主要可分为三类，一是通过点预测得到的确定性出力曲线描述RE，然后附加RE出力固定比例大小的旋转备用容量来平抑其不确定性；或者采用置信区间描述RE出力不确定性，针对预先指定的置信水平，确定满足要求的备用容量大小；还有通过多场景描述RE出力不确定性，然后针对所有场景进行随机机组组合，通过某个可靠性指标(电量不足期望值或系统切负荷概率)来确定系统最优备用容量大小。点预测方法虽然简单易行，但容易造成备用的浪费或不足。相比区间预测，多场景方法不仅能体现不同时段内出力大小的概率分布，还能描述出力大小在优化时段内的变化情况，理论上能获得更好的优化效果。

采用现有风电等RE出力不确定性的多场景构造策略，要么假设风电出力预测误差服从高斯分布，采用拉丁超立方抽样生成风电出力预测多场景。要么通过历史数据统计风电出力预测误差在不同功率水平、不同预测时间尺度上的经验分布函数，然后根据当前预测值所处的功率水平、预测尺度进行场景构造；要么考虑风电出力预测误差在时间序列上的相关性，采用自回归移动平均时序模型生成随机风电出力多场景。为了使构造的场景集很好的表征预测误差的概率分布，通常需随机产生大量的场景。通过场景-时段模型进行调度优化求解时，产生的变量和约束数量随着场景数目增加而相应增加，现有研究大多采用混合整数线性规划(Mixed-integer linear programming，MILP)方法求解，导致计算复杂度急剧增加，甚至产生维数灾，不能满足实际运行需求。虽然大多研究通过各种场景削减技术来减少场景规模，但都是单纯通过剔除低概率场景、聚合相近场景的削减方法，将场景选取与控制优化完全分离。上述方法在对海量场景集进行初步削减是行之有效且合理的，但由于缺乏优化效果与计算效率直接的协调，直接采用该方法将原始场景集缩减到很小的规模以获得求解效率，将背离采用多场景描述RE出力不确定性优越性的初衷。

发明内容

本发明的目的在于提供一种利用风险逐步聚合场景的旋转备用优化方法，针对大规模间歇性RE接入下的出力不确定性特点，运用基于风险逐步聚合场景的CPR多步优化方法，提高求解效率及优化效果，为大规模可再生能源接入的电力系统机组组合提供高效率、低风险的通用方法支持。

为实现上述技术目的，本发明采用的技术方案，具体如下：

一种利用风险逐步聚合场景的旋转备用优化方法，包括以下步骤：

1)设参与竞标的RM数目为NR；优化考虑的总时段数目为NT；全场景集中场景数目为NS；RM_i为第i个备用措施，表示RM_i签约状态的0-1变量为u_i，1表示签约，否则为0；优化步长为Δt；优化总时长为T；RM_i最大出力为

备用措施RM_i在场景s下时段j内的出力大小为q_i,j,s；场景s下时段j内的失负荷大小为

场景s下时段j内的功率缺额为

备用措施RM_i的容量价格为p_cap,i；备用措施RM_i的电量价格为p_ele,i；失负荷价格为p_loss；场景s的发生概率为ρ_s；

2)基于上一迭代步优化选取的RM组合，计算全场景集下剩余风险之和；

3)若全场景集下剩余风险之和小于设置的阈值r_total，则场景集下旋转RM优化选取结束；否则，将全场景集下存在剩余风险的场景进行筛选后形成新的待聚合场景集；对存在剩余风险的场景进行筛选，通过设置单个场景剩余风险阈值r_single来实现，若单个场景的剩余风险大于阈值r_single，则加入待聚合场景集，否则忽略该场景；

4)针对待聚合场景集S′，按场景概率距离聚类为单个场景，加入待优化场景集，并对待优化场景集内场景概率进行重新分配；

5)针对待优化场景集，进行基于CPR多步优化的RM选取，然后返回步骤1)，直至满足要求的解，其中，CPR表示代价性能比。

前述的计算全场景集下各场景的剩余风险之和具体为：记全场景集下剩余风险之 和为C_loss，则有：

前述的步骤4)中，采用基于坎托罗维奇Kantorovich概率距离的场景聚类方法，将待聚合场景集聚类为单个场景，具体包括以下步骤：

41)计算各场景s_i，s_i∈S′与待聚合场景集S′的Kantorovich概率距离D(s_i)：

42)针对所有s_i∈S′，选取Kantorovich概率距离值最小的场景s′作为单次场景聚 类结果，且

前述的步骤4)中，并对待优化场景集内场景概率进行重新分配是指，将s′加入待优化场景集，记上一迭代步中的待优化场景集为S_d，场景数目记为k，将s′加入待优化场景集后场景数目加1，重新分配后的场景概率为：

其中，等式右边的

表示上一迭代步中的待优化场景集S_d中场景s_i的发生概率，等式左边的

表示重新分配后的场景s_i的发生概率。

前述的步骤5)中，进行基于CPR多步优化的优化目标为：

需满足的约束条件如下：

功率平衡约束：

1<j<NT；

出力调节约束：

其中，λ_up,i、λ_down,i分别为RM_i向上、向下出力调节速率；

出力上下限约束：

其中，

为RM_i最小出力和最大出力。

前述的步骤5)进行基于CPR多步优化的RM选取，包括以下步骤：

51)将量化RM备用价值的CPR指标定义为旋转RM在待优化场景集下的总控制风险成本与其可提供的有效备用电量之比，则待优化场景集S_d下的RM_i的代价性能比公式表示为：

52)设置基于待优化场景集功率缺额分界线的CPR多步优化的初始分界线，针对待优化场景集，在由横轴时间与纵轴功率组成的二维直角坐标轴中，从零刻度线开始，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，各初始分界线确定的m-1个功率缺额区记为a₁，a₂，…，a_m-1；

53)确定筛选后分界线，针对初始分界线l_i，i的初值为2，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，功率缺额区a_i-1并入a_i，继续以上过程直至i＝m-1；最后令L_n＝l_m；

54)针对n条筛选后分界线L₁,L₂,…,L_n，n≤m，选定当前优化步所针对的筛选后分界线L_j，j的初值为2；

55)根据代价性能比计算公式，求取待优化场景集下所有备用措施的代价性能比；

56)选取代价性能比最小的备用措施，并更新待优化场景集的功率缺额：

其中，s∈Sd,t＝1,…,NT，qRMi为备用措施qRMi的容量；

57)判断在当前分界线下，所有已选RM_i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58)，否则进入步骤5-15)；

58)判断选定RM_i基础上新增未选中备用措施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措施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，回到步骤55)；若存在新增未选中备用措施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59)；

59)将选定RM_i基础上加上该新增未选中备用措施作为当前步下的待校核备用措施集，记为CRM₁,CRM₂,…,CRM_K，K为待校核备用措施的个数，保存当前寻优断面；

5-10)从保存的寻优断面中移除已选中的最后一个备用措施，更新待优化场景集的功率缺额，更新方法为恢复选中最后一个备用措施前的场景集信息；

5-11)选中待校核备用措施集中的CRM_i，i初值为1；

5-12)更新待优化场景集的功率缺额，计算所有未选中备用措施的代价性能比并选取最小者；

5-13)判断所有已选备用措施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，回到步骤5-12)；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，若i<K，则令i＝i+1，回到步骤5-10)，否则，校核完毕，进入步骤5-14)；

5-14)恢复步骤59)中保存的寻优断面，返回步骤55)；

5-15)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；

5-16)针对筛选后分界线L_j下所有备选解，选取平均代价性能比最小的组合，作为筛选后分界线L_j下的寻优结果，记为R_j；

5-17)判断j是否小于筛选后的分界线数目n，若是，则令j＝j+1，将R_j作为后续优化选取的初值，回到步骤54)，否则，寻优结束。

与现有技术相比，本发明的有益效果是：

1、相比直接针对全场景集的优化方法，本发明方法控制风险增加相对很小，而计算效率得到巨大提升；

2、不仅在计算效率上大幅提升，且在选取相同待优化场景数目时，能得到更好的总控制风险成本；

3、本发明也能有效协调计算效率与总控制风险，满足实际工程需要。

附图说明

图1为本发明方法的流程图；

图2为初始分界线的划分示意图；

图3为图2筛选后分界线示意图；

图4为CPR多步优化流程图。

具体实施方式

下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的多场景下的旋转备用优化方法，以考虑全场景集剩余风险的场景聚合筛选方法为策略，首先对上一迭代步优化选取的备用措施(reserve measure，RM)组合，计算全场景集下各场景的剩余风险之和。若全场景集下剩余风险之和小于设置的总剩余风险阈值，则场景集下旋转RM优化选取结束；否则，将全场景集下剩余风险超过单个场景剩余风险阈值的场景子集设置为待聚合场景集。针对待聚合场景集，按场景概率距离聚类为单个场景，加入待优化场景集，并对待优化场景集内场景概率进行重新分配。针对待优化场景集，进行基于代价性能比(cost performance ratio，CPR)多步优化的RM选取，在前一步优化选取的RM组合，计算全场景集下各场景的剩余风险之和。

本发明方法具体如图1所示，包括如下步骤：

S1：基于上一迭代步优化选取的RM组合，计算全场景集下剩余风险之和；具体包括以下步骤：

11)记参与竞标的RM数目为NR；优化考虑的总时段数目为NT；NS为全场景集S中场景数目；RM_i为第i个备用措施，表示RM_i签约状态的0-1变量为u_i，1表示签约，否则为0；优化步长为Δt；优化总时长为T；RM_i最大出力为

备用措施RM_i在场景s下时段j内的出力大小为q_i,j,s；场景s下时段j内的失负荷大小为

场景s下时段j内的功率缺额为

备用措施RM_i的容量价格为p_cap,i；备用措施RM_i的电量价格为p_ele,i；失负荷价格为p_loss；场景s的发生概率为ρ_s；

12)全场景集下剩余风险之和表示：针对预想场景集，当前选取的RM组合下仍然可能会出现的电量缺额风险。系统电量缺额风险一般可通过失负荷价格(value oflossload，VOLL)来评估。记全场景集下剩余风险之和为C_loss，则有：

S2：若全场景集下剩余风险之和C_loss小于设置的阈值r_total，则场景集下旋转RM优化选取结束；否则，将全场景集下存在剩余风险的场景进行筛选后形成新的待聚合场景集。对存在剩余风险的场景进行筛选，可通过设置单个场景剩余风险阈值r_single来实现，若单个场景的剩余风险大于阈值r_single，则加入待聚合场景集，否则忽略该场景。

S3：针对待聚合场景集S′，按场景概率距离聚类为单个场景，加入待优化场景集，并对待优化场景集内场景概率进行重新分配；

31)针对待聚合场景集S′，场景数目为NS′，可采用不同场景聚类方法进行场景削减。本实施例中采用基于坎托罗维奇Kantorovich概率距离的场景聚类方法，将待聚合场景集聚类为单个场景，具体包括以下步骤：

3-1-1)计算各场景s_i(s_i∈S′)与待聚合场景集S′的Kantorovich概率距离D(s_i)：

3-1-2)针对所有s_i∈S′，选取Kantorovich概率距离值最小的场景s′作为单次场 景聚类结果，且

32)将s′加入待优化场景集，并更新待优化场景集，进行场景概率重新分配：记上一迭代步中的待优化场景集为S_d，场景数目记为k，重新分配后的场景概率为：

重新分配后场景数目加1，其中，等式右边的

表示上一迭代步中的待优化场景集S_d中场景s_i的发生概率，等式左边的

表示重新分配后的场景s_i的发生概率。

S4：针对待优化场景集，进行基于CPR多步优化的RM选取，然后返回步骤S1迭代计算，直至满足迭代终止条件的解，包括以下步骤：

41)多场景下的旋转备用合约优化目标为：通过在备用市场上优化签约购买备用措施(reserve measure，RM)组合，使得其在目标场景集下(待优化场景集)的总控制风险成本最小。即在进行备用优化选取时，需计算RM在各场景下的调度方式及控制成本，增加了RM在各场景下控制风险之和子项，公式表示为：

另外，应满足的约束条件为：

功率平衡约束：

1<j<NT。

出力调节约束：

其中，λ_up,i、λ_down,i分别为RM_i向上、向下出力调节速率。

出力上下限约束：

其中，

为RM_i最小出力和最大出力。

42)通过衡量RM在场景集下备用价值的CPR，来实现备用容量的优化选取，如图4所示，具体包括下列步骤：

4-2-1)将量化RM备用价值的CPR指标定义为旋转RM在待优化场景集下的总控制风险成本与其可提供的有效备用电量之比。其中，总控制风险成本为

RM可提供的有效备用电量为

在待优化场景集S_d下的RM_i的代价性能比公式可表示为：

4-2-2)基于待优化场景集功率缺额分界线的CPR多步优化方法，包括以下步骤：

4-2-2-1)设置初始分界线，如图2所示，针对待优化场景集，在由时间(横轴)与功率(纵轴)组成的二维直角坐标轴中，从零刻度线开始，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条初始分界线，最大功率缺额值刻度为第m条初始分界线)，各初始分界线确定的m-1个功率缺额区记为a₁，a₂，…，a_m-1。

4-2-2-2)确定筛选后分界线，如图3所示，针对初始分界线l_i(i的初值为2，零刻度线无需筛选，即L₁＝l₁)，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，功率缺额区a_i-1并入a_i，继续以上过程直至i＝m-1；最后令L_n＝l_m。

4-2-2-3)针对n条筛选后分界线L₁,L₂,…,L_n(n≤m)，选定当前优化步所针对的筛选后分界线L_j(j的初值为2)。

4-2-2-4)根据代价性能比计算公式，求取待优化场景集下所有备用措施的代价性能比。

4-2-2-5)选取代价性能比最小的备用措施，并更新待优化场景集的功率缺额，

其中，s∈S_d,t＝1,…,NT，

为备用措施

的容量。

4-2-2-6)判断在当前分界线下，所有已选RM_i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4-2-2-7)，否则进入步骤4-2-2-14)。

4-2-2-7)判断选定RM_i基础上新增未选中备用措施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措施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，回到步骤4-2-2-4)；若存在新增未选中备用措施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4-2-2-8)。

4-2-2-8)将选定RM_i基础上加上该新增未选中备用措施作为当前步下的待校核备用措施集(记为CRM₁,CRM₂,…,CRM_K，K为待校核备用措施的个数)，保存当前寻优断面。

4-2-2-9)由于备用措施是按优化步次序存放的，故从保存的寻优断面中移除已选中的最后一个备用措施，更新待优化场景集的功率缺额，更新方法为恢复选中最后一个备用措施前的场景集信息。

4-2-2-10)选中待校核备用措施集中的CRM_i(i初值为1)。

4-2-2-11)更新待优化场景集的功率缺额，计算所有未选中备用措施的代价性能比并选取最小者。

4-2-2-12)判断所有已选备用措施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，回到步骤4-2-2-11)；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，若i<K，则令i＝i+1，回到步骤4-2-2-9)，否则，校核完毕，进入步骤4-2-2-13)。

4-2-2-13)恢复步骤4-2-2-8)中保存的寻优断面，返回步骤4-2-2-4)。

4-2-2-14)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。

4-2-2-15)针对筛选后分界线L_j下所有备选解，选取平均代价性能比最小的组合，作为筛选后分界线L_j下的寻优结果，记为R_j。

4-2-2-16)判断j是否小于筛选后的分界线数目n，若是，则令j＝j+1，将R_j作为后续优化选取的初值，回到步骤4-2-2-3)，否则，寻优结束。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (2)

1.一种利用风险逐步聚合场景的旋转备用优化方法，其特征在于，包括以下步骤：

1)设参与竞标的旋转备用RM数目为NR；优化考虑的总时段数目为NT；全场景集中场景数目为NS；RM_i为第i个备用措施，表示RM_i签约状态的0-1变量为u_i，1表示签约，否则为0；优化步长为Δt；优化总时长为T；RM_i最大出力为

备用措施RM_i在场景s下时段j内的出力大小为q_i,j,s；场景s下时段j内的失负荷大小为

场景s下时段j内的功率缺额为

备用措施RM_i的容量价格为p_cap,i；备用措施RM_i的电量价格为p_ele,i；失负荷价格为p_loss；场景s的发生概率为ρ_s；

2)基于上一迭代步优化选取的旋转备用RM组合，计算全场景集下剩余风险之和，包括：

其中，C_loss为全场景集下剩余风险之和；

3)若全场景集下剩余风险之和小于设置的阈值r_total，则场景集下旋转备用RM优化选取结束；否则，将全场景集下存在剩余风险的场景进行筛选后形成新的待聚合场景集；对存在剩余风险的场景进行筛选，通过设置单个场景剩余风险阈值r_single来实现，若单个场景的剩余风险大于阈值r_single，则加入待聚合场景集，否则忽略该场景；

4)针对待聚合场景集S′，按场景概率距离聚类为单个场景，加入待优化场景集，并对待优化场景集内场景概率进行重新分配；

采用基于坎托罗维奇Kantorovich概率距离的场景聚类方法，将待聚合场景集聚类为单个场景，具体包括以下步骤：

41)计算各场景s_i，s_i∈S′与待聚合场景集S^′的Kantorovich概率距离D(s_i)：

42)针对所有s_i∈S′，选取Kantorovich概率距离值最小的场景s′作为单次场景聚类结果，且

所述对待优化场景集内场景概率进行重新分配，包括：

将S′加入待优化场景集，记上一迭代步中的待优化场景集为S_d，场景数目记为k，将S′加入待优化场景集后场景数目加1，重新分配后的场景概率为：

其中，等式右边的

表示上一迭代步中的待优化场景集S_d中场景s_i的发生概率，等式左边的

表示重新分配后的场景s_i的发生概率；

5)针对待优化场景集，进行基于CPR多步优化的旋转备用RM选取，然后返回步骤1)，直至满足要求的解，其中，CPR表示代价性能比；

所述进行基于CPR多步优化的旋转备用RM选取，包括以下步骤：

51)将量化旋转备用RM备用价值的CPR指标定义为旋转备用RM在待优化场景集下的总控制风险成本与其可提供的有效备用电量之比，则待优化场景集S_d下的RM_i的代价性能比公式表示为：

52)设置基于待优化场景集功率缺额分界线的CPR多步优化的初始分界线，针对待优化场景集，在由横轴时间与纵轴功率组成的二维直角坐标轴中，从零刻度线开始，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，各初始分界线确定的m-1个功率缺额区记为a₁，a₂，…，a_m-1；

53)确定筛选后分界线，针对初始分界线l_i，i的初值为2，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，功率缺额区a_i-1并入a_i，继续以上过程直至i＝m-1；最后令L_n＝l_m；

54)针对n条筛选后分界线L₁,L₂,…,L_n，n≤m，选定当前优化步所针对的筛选后分界线L_j，j的初值为2；

55)根据代价性能比计算公式，求取待优化场景集下所有备用措施的代价性能比；

56)选取代价性能比最小的备用措施，并更新待优化场景集的功率缺额：

其中，s∈S_d,t＝1,…,NT，

为备用措施

的容量；

57)判断在当前分界线下，所有已选RM_i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58)，否则进入步骤5-15)；

58)判断选定RM_i基础上新增未选中备用措施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措施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，回到步骤55)；若存在新增未选中备用措施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59)；

59)将选定RM_i基础上加上该新增未选中备用措施作为当前步下的待校核备用措施集，记为CRM₁,CRM₂,…,CRM_K，K为待校核备用措施的个数，保存当前寻优断面；

5-10)从保存的寻优断面中移除已选中的最后一个备用措施，更新待优化场景集的功率缺额，更新方法为恢复选中最后一个备用措施前的场景集信息；

5-11)选中待校核备用措施集中的CRM_i，i初值为1；

5-12)更新待优化场景集的功率缺额，计算所有未选中备用措施的代价性能比并选取最小者；

5-13)判断所有已选备用措施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，回到步骤5-12)；否则，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，若i<K，则令i＝i+1，回到步骤5-10)，否则，校核完毕，进入步骤5-14)；

5-14)恢复步骤59)中保存的寻优断面，返回步骤55)；

5-15)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；

5-16)针对筛选后分界线L_j下所有备选解，选取平均代价性能比最小的组合，作为筛选后分界线L_j下的寻优结果，记为R_j；

5-17)判断j是否小于筛选后的分界线数目n，若是，则令j＝j+1，将R_j作为后续优化选取的初值，回到步骤54)，否则，寻优结束。

2.根据权利要求1所述的一种利用风险逐步聚合场景的旋转备用优化方法，其特征在于，所述步骤5)中，进行基于CPR多步优化的优化目标为：

需满足的约束条件如下：

功率平衡约束：

出力调节约束：

其中，λ_up,i、λ_down,i分别为RM_i向上、向下出力调节速率；

出力上下限约束：

其中，

为RM_i最小出力和最大出力。

Images