CN109546689A - 一种适用于大规模系统的两阶段机组组合运行控制方法 - Google Patents

Abstract

本发明涉及一种适用于大规模系统的两阶段机组组合运行控制方法，该方法包括两阶段控制过程：第一阶段，基于预先设定的发电机组开机优先顺序，同时考虑旋转备用约束和最小启停时间约束控制机组状态；第二阶段，以第一阶段获得的机组状态作为粒子群算法的输入，考虑机组爬坡率的功率平衡，获得粒子群算法的最优输出，根据所述最优输出控制机组组合运行状态。与现有技术相比，本发明具有提高了大规模系统机组组合计算效率与计算精度等优点。

Description

一种适用于大规模系统的两阶段机组组合运行控制方法

技术领域

本发明涉及电力系统自动控制领域，尤其是涉及一种适用于大规模系统的两阶段机组组合运行控制方法。

背景技术

机组组合问题(UC问题)一般是指在满足系统负荷需求、备用容量和最小启停时间等约束条件下确定研究周期内各时段各机组的启停及出力安排，使总发电费用最小，其数学模型实质是高维、离散、非凸的混合整数非线性规划模型，不易获得理论上的最优解。随着系统规模的扩大，模型解空间复杂程度的增加，模型求解时间与解的最优性随之下降，有些方法甚至因此无法求得可行解。合理优化机组组合能给电力系统带来显著经济效益，对提升大电网经济性可靠性具有重要意义。

国内学者对UC问题进行了广泛研究，提出了诸多求解方法：优先顺序法、动态规划法、拉格朗日松弛法、智能优化算法、混合整数规划法等。黎静华，兰飞在《电力系统保护与控制》(2010,38(02):1-7)上发表的《适合于机组组合问题的扩展优先顺序法》定义了机组的效用系数UUR(Unit Utilization Ratio)优化机组的优先顺序，并引入参数控制机组组合邻域的规模并采取策略对机组组合进行调整使其满足所有约束。翟俊义,任建文,李整等在《华北电力大学学报(自然科学版)》(2016,43(01):32-38)上发表的《一种降维求解机组组合问题的双重粒子群优化算法》将对整个调度周期的优化转化为对每个调度时刻依次、分别优化,即将对矩阵的优化转化为对行向量的优化,降低求解维数。结合离散与连续粒子群(particle swarm optimization,PSO)算法，分别得到当前调度时刻最优的机组组合状态及对应的最优负荷分配。邓俊,韦化,黎静华等在《中国电机工程学报》(2015,35(11):2770-2778)上发表的《一种含四类0-1变量的机组组合混合整数线性规划模型》通过引入辅助变量表示冷启动状态,提出一种启动费用的线性表达,同时增强了MILP模型的简洁性和紧凑性；利用爬坡速度和最小运行时间限制,提出新的机组出力约束表达,极大地压缩了机组出力的可行域,进一步增强了紧凑性，提高了模型求解效率。张舒,胡泽春,宋永华等在《中国电机工程学报》(2012,32(07):76-82+194)上发表的《基于网损因子迭代的安全约束机组组合算法》在每次迭代先解固定网损因子的SCUC问题,求得机组的运行状态,然后进行交流潮流计算,更新网损因子,进入下一次迭代。针对可能出现的网损因子振荡问题,提出SCUC和经济调度相结合的方法,选择对应发电成本较小的机组启停状态,进行经济调度优化和网损因子迭代计算,直至算法收敛。以上文献中，优先顺序法求解大规模UC问题精度不高，智能算法计算量大、求解速度慢、易限入局部最优解，混合整数规划类方法建模复杂、计算量大、收敛缓慢，还可能导致求解器无法求得可行解。专利中，张景瑞，林爽，邱卫霞等发明人申请的发明专利《考虑爬坡速率约束的电力系统机组组合优化方法》在离散粒子群框架中引入差分加速技术以提高求解速度，对不可行个体进行修复以提高可行性，并采用随机等效λ迭代法进行负荷分配并处理爬坡速率约束。蔡秋娜，刘思捷，杨韵等发明人申请的发明专利《一种基于发电厂排序系数安排机组组合的方法》利用排序系数，并且考虑电力平衡，安全约束，逐天安排机组组合，可以为电力调度机构安排机组组合、进行月度电量调控。刘芳，潘毅，周京阳等发明人申请的发明专利《一种能源协调优化机组组合方法》考虑风电出力置信区间、火电机组的运行参数和耗煤特性以及抽水蓄能机组的运行参数和运行特性建立混合非线性整数规划模型加以求解。李利利，丁恰，耿建等发明人申请的发明专利《中长期机组组合优化方法》考根据实际电网的电网模型建立以机组发电量与期望电量偏差最小为目标的中长期安全约束机组组合模型；采用混合整数规划法计算出机组在调度周期内各天的启停状态、负荷率以及峰荷时段的有功出力，然后通过优化技术与安全校核的迭代，最终获得满足电网安全的中长期机组组合方案。以上专利都仅仅采用单一的优先顺序法或者智能算法，或者直接调用成熟的数学规划求解器求解UC问题，因而不能很好解决上述类型方法应用于大规模UC问题时存在的计算效率低的固有缺陷。因此大规模系统的机组组合问题的高效解法值得深入研究。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种适用于大规模系统的两阶段机组组合运行控制方法。

本发明的目的可以通过以下技术方案来实现：

一种适用于大规模系统的两阶段机组组合运行控制方法，该方法包括两阶段控制过程：

第一阶段，基于预先设定的发电机组开机优先顺序，同时考虑旋转备用约束和最小启停时间约束控制机组状态；

第二阶段，以第一阶段获得的机组状态作为粒子群算法的输入，考虑机组爬坡率的功率平衡，获得粒子群算法的最优输出，根据所述最优输出控制机组组合运行状态。

进一步地，基于排序参考因子获得所述发电机组开机优先顺序，所述排序参考因子包括可调发电机组煤耗指标因子、启动成本参考因子和出力上限参考因子。

进一步地，各排序参考因子通过以下公式组合后确定发电机组开机优先顺序：

f＝index_1,i+index_2,i+index_3,i

式中，index_1,i、index_2,i、index_3,i分别为按可调发电机组煤耗指标因子、启动成本参考因子和出力上限参考因子从小到大排序后机组i的排名，f值越小，对应机组越优先启动。

进一步地，根据排序参考因子的参数选择的不同，获得不同的发电机组开机优先顺序。

进一步地，所述同时考虑旋转备用约束和最小启停时间约束控制机组状态具体包括以下步骤：

101)判断当前负荷是增大还是减小，若增大，则执行步骤102)，若减小，则执行步骤104)；

102)根据所述优先顺序及旋转备用约束确定需要依次开启的机组；

103)计算自时段t开始，机组i的必要开机时间M_ON_i，判断是否存在N_ON_i＜TO_i，若是，则继续保持机组i开机直到其满足最小开机时间约束，若否，则执行下一步，其中，TO_i表示机组i的最小开机时间；

104)判断关停机组i后，系统是否能满足旋转备用约束，若是，则执行步骤105)，若否，则保持机组i开机；

105)计算自时段t开始，机组i的必要关停时间M_OFF_i，判断是否存在M_OFF_i＜TS_i，若是，则保持机组i开启，若否，则在机组i已达到最小开机时间时，关停机组i，其中，TS_i表示机组i的最小停机时间；

106)重复执行步骤101)-106)，直至确定所有时段内所有机组的启停方式。

进一步地，所述步骤102)中，确定需要依次开启的机组时，根据机组初始状态约束调整机组的启停方式，若机组初始关停时间小于其最小停机时间，则保持该机组关停，根据所述优先顺序检测下一机组；若机组初始开机时间小于其最小开机时间，或其初始关停时间大于其最小停机时间，则开启该机组。

进一步地，所述粒子群算法采用的目标函数为：

其中，T是总时段数，N是机组数，P_i,t是机组i在时段t的出力，u_i,t是机组i在时段t的启停状态，F_i(P_i,t)是机组i的煤耗成本，ST_i是机组i的启动成本；

采用的约束条件包括系统功率平衡约束、机组出力上下限约束、旋转备用约束、机组爬坡约束和机组起停时间约束。

进一步地，所述获得粒子群算法的最优输出的过程包括：

201)根据第一阶段获得的机组状态创建初始种群，根据系统功率平衡约束调整粒子位置；

202)迭代更新粒子速度及位置，直至获得最优解。

进一步地，所述根据系统功率平衡约束调整粒子位置具体为：

221)初始化时段t＝1；

222)计算时段t所有机组出力总和SUM_t以及每个机组i的出力范围PH(i)和PL(i)，PH(i)为最高出力，PL(i)为最低出力；

223)建立一开机列表，该开机列表存储有在时段t处于开机状态的机组；

224)判断是否存在SUM_t＜D_t且count＞0，若是，则执行步骤225)，若否，则执行步骤226)，其中，D_t表示时段t的负荷需求，count表示开机列表中机组数；

225)从所述开机列表中选取机组i，令P_i,t＝PH(i)，重新计算SUM_t，判断是否存在SUM_t＜D_t，若是，则执行步骤226)，若否，则从开机列表中删除该机组i，更新count，返回步骤224)；

226)重新建立开机列表，更新count；

227)判断是否存在SUM_t＞D_t且count＞0，若是，则执行步骤228)，若否，则执行步骤229)；

228)从所述开机列表中选取机组i，令P_i,t＝PL(i)，重新计算SUM_t，判断是否存在SUM_t＜D_t，若是，执行步骤229)，若否，则从开机列表中删除该机组i，更新count；

229)若此时SUM_t≠D_t且count＞0，则令P_i,t＝min{P_i,t-(SUM_t-D_t),PH(i)}，否则，P_i,t＝max{P_i,t,PL(i)}；

230)重复步骤222)-229)，直至t＝T。

进一步地，所述出力范围PH(i)和PL(i)通过以下方式获得：

对每个机组i在每个时段t，若u_it＝1，u_i(t-1)＝0，则PH(i)＝min{P_i,max，RU_i}，PL(i)＝max{P_i,min，RD_i}；

若u_it＝1，u_i(t-1)＝1，则PH(i)＝min{P_i,max，P_i,t-1+RU_i}，PL(i)＝max{P_i,min，P_i,t-1-RD_i}；

若t＝1，则PH(i)＝P_i,max，PL(i)＝P_i,min；

若u_it＝1，u_i(t+1)＝0，则PH(i)＝PL(i)＝P_i,min；

若u_it＝1，u_i(t+1)＝1，则PH(i)＝min{PH(i)，P_i,t+1-RD_i}，PL(i)＝max{PL(i)，P_i,t+1-RU_i}。

与现有技术相比，本发明具有以如下有益效果：

1、针对传统PL法排序指标单一，不能全面评价机组运行费用的不足，本发明引入可调发电机组煤耗、机组最大出力、机组启动成本三个指标，全面反映发电机组的经济性；

2、本发明同时考虑机组启停满足旋转备用、机组状态满足最小启停时间这两个约束，以更好地实现优先开启运行费用较小的机组，可以提高机组启停计划的经济性，节省燃煤成本。

3、针对原始PSO较难满足功率平衡约束这一等式约束的不足，本发明提出一种考虑机组爬坡率的功率平衡调整策略，保证粒子的多样性的同时避免快速收敛到局部最优解，提高最终解的质量。

4、本发明采用的两阶段优化方法有效提高了大规模系统机组组合计算效率与计算精度。

附图说明

图1为本发明的流程示意图；

图2为本发明功率平衡约束调整过程示意图；

图3为实施例10机组24时段系统a取值对发电费用的影响。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本发明提供一种适用于大规模系统的两阶段机组组合运行控制方法，该方法首先进行数据输入与预处理，获取全年负荷曲线、全年风电、光伏处理预测曲线、火电机组煤耗系数、最小开、停机时间、上下爬坡率等基础数据，并将风电与光伏出力从负荷曲线减去，形成净负荷曲线；然后执行两阶段控制过程，包括机组启停安排和机组经济调度。两阶段控制过程中，第一阶段，基于预先设定的发电机组开机优先顺序，同时考虑旋转备用约束和最小启停时间约束控制机组状态；第二阶段，以第一阶段获得的机组状态作为粒子群算法的输入，考虑机组爬坡率的功率平衡，获得粒子群算法的最优输出，根据所述最优输出控制机组组合运行状态，能简单、快速、有效地求解大规模系统的机组组合问题。

如图1所示，本发明以火电机组作为发电机组，组合控制方法可描述为：

步骤S101，将风电及光伏新能源预测出力从时序负荷曲线中分离，形成净负荷曲线，获得每个时段的系统负荷；

步骤S102，计算火电机组排序指标，并形成火电机组开机优先顺序列表；

步骤S103，根据净负荷曲线，判断当前时刻负荷是增大还是减小，若增大，则执行步骤S104，若减小，则执行步骤S107；

步骤S104，根据优先顺序列表计算需要依次开启多少机组能满足系统旋转备用约束；

步骤S105，计算自时段t开始，机组i的必要开机时间M_ON_i，M_ON_i表示负荷自时段t后减小到不需要机组i开机系统仍能满足旋转备用约束所经过的时段数；

步骤S106，判断是否存在M_ON_i＜TO_i，若是，则继续保持机组i开机直到其满足最小开机时间约束，若否，则执行下一步，其中，TO_i表示机组i的最小开机时间；

步骤S107，判断关停机组i后，系统是否能满足旋转备用约束，若是，则计算自时段t开始，机组i的必要关停时间M_OFF_i，M_OFF_i表示负荷自时段t后增加到需要机组i开机系统才能满足旋转备用约束所经过的时段数，执行步骤S108，若否，则保持机组i开机；

步骤S108，若M_OFF_i＜TS_i，则仍需保持机组i开启，因为随着负荷增加，若不开启机组i旋转备用将无法满足。若M_OFF_i≥TS_i，且机组i已达到最小开机时间，则关停机组i，进入下一时段；

步骤S109，判断此时段所有机组是否启停确定完毕，若是，则执行步骤S110，若否，则返回步骤S103；

步骤S110，判断是否所有时段均确定完毕，若是，则执行步骤S111，若否，则返回步骤S103；

步骤S111，以获得的机组状态作为优化调度粒子群算法的输入，初始化迭代次数iter＝1，创建初始种群；

步骤S112，调整粒子位置，使其满足功率平衡约束；

步骤S113，更新粒子速度及位置；

步骤S114，判断是否存在iter<itermax，若是，则iter＝iter+1，返回步骤S112，若否，则结束。

传统的PL方法采用的单一排序指标如下：

在不同出力范围内发电机组的单位出力煤耗并不相同，由此可能导致机组的优先顺序随出力范围的改变而发生变化。因此，本发明为反映机组在不同出力下煤耗情况，引入可调发电机组煤耗指标如下。

式中α∈[0,1]，称之为出力调整因子，根据不同α取值下的f_1,i，可以得到发电机组在不同出力下发电煤耗排序情况。据此进行发电机组状态调整，可得到更接近于最优解的机组启停计划。调整α的取值，可以得到不同的机组优先顺序重复上述步骤，从而得到一组不同的初始解。

此外，应该优先安排启动成本最大的机组在长时段开机运行，以减少频繁开、停机增加全系统启动成本，因此引入第二个排序参考因子，启动成本参考因子：

最后，应让出力上限最高且经济性较优的机组多发电，使随负荷变化而启停的机组数量减少，进一步减少启动成本，因此引入第三个排序参考因子，出力上限参考因子：

机组的三个排序参考因子越小，越优先启动。注意到f_2,i＞1、f_3,i＞1、f_1,i＜1，直接将三者相加进行排序可能导致总排序指标由f_2,i、f_3,i主导，采用如下排序指标加以改进：

f＝index_1,i+index_2,i+index_3,i

式中index_1,i是指按f_1,i指标从小到大排序后，机组i的排名。index_2,i、index_2,i含义类似。

本发明依据三类约束调整发电机组的状态：发电机组的初始状态约束，发电机的功率约束和机组最小开/停机时间限制。

在步骤S104中，确定需要依次开启的机组时，根据机组初始状态约束调整机组的启停方式，若机组初始关停时间小于其最小停机时间，则保持该机组关停，根据所述优先顺序检测下一机组；若机组初始开机时间小于其最小开机时间，或其初始关停时间大于其最小停机时间，则开启该机组。对所有机组重复此步直至其初始状态全部检测完毕。

所述粒子群算法采用的目标函数为：

其中，T是总时段数，N是机组数，P_i,t是机组i在时段t的出力，u_i,t是机组i在时段t的启停状态，F_i(P_i,t)是机组i的煤耗成本，ST_i是机组i的启动成本。

式中a_i、b_i、c_i为机组i的煤耗系数。SH_i、SC_i分别是机组i的热启动、冷启动费用。TS_i机组i的最小停机时间，T_i,off是机组i的已持续停机的时间，TC_i是机组i的冷启动时间。

粒子群算法采用的约束条件包括系统功率平衡约束、机组出力上下限约束、旋转备用约束、机组爬坡约束和机组起停时间约束。

系统功率平衡约束：

式中D_t是时段t的负荷需求。

机组出力上下限约束：

u_i,tP_i,min≤P_i,t≤u_i,tP_i,max

式中P_i,min、P_i,max是机组i最大最小出力。

旋转备用约束

式中R_t是系统在时段t所需的旋转备用。

机组爬坡约束

-RD_i≤P_i,t-P_i,t-1≤RU_i

式中RD_i、RU_i是机组下、上爬坡速率。

机组起停时间约束

T_i,on≥TO_i

T_i,off≥TS_i

式中T_i,on是机组i的开机状态持续时间、TO_i是机组i的最小开机时间。TS_i机组i的最小停机时间，T_i,off是机组i的已持续停机的时间。

系统的功率平衡约束是一个等式约束，使用原始PSO较难满足，本发明提出考虑机组爬坡率的功率平衡调整策略，保证粒子的多样性的同时避免快速收敛到局部最优解。为此，本发明引进两个约束机组出力范围的数组：PH(i)和PL(i)，PH(i)为最高出力，PL(i)为最低出力。

PH(i)和PL(i)通过以下方式获得：

对每个机组i在每个时段t，若u_it＝1，u_i(t-1)＝0，则PH(i)＝min{P_i,max，RU_i}，PL(i)＝max{P_i,min，RD_i}；

若u_it＝1，u_i(t-1)＝1，则PH(i)＝min{P_i,max，P_i,t-1+RU_i}，PL(i)＝max{P_i,min，P_i,t-1-RD_i}；

若t＝1，则PH(i)＝P_i,max，PL(i)＝P_i,min；

若u_it＝1，u_i(t+1)＝0，则PH(i)＝PL(i)＝P_i,min；

若u_it＝1，u_i(t+1)＝1，则PH(i)＝min{PH(i)，P_i,t+1-RD_i}，PL(i)＝max{PL(i)，P_i,t+1-RU_i}。

步骤S112中，根据系统功率平衡约束调整粒子位置，具体如图2所示，包括：

步骤S201，初始化时段t＝1；

步骤S202，计算时段t所有机组出力总和SUM_t以及每个机组i的出力范围PH(i)和PL(i)，；

步骤S203，建立一开机列表，该开机列表存储有在时段t处于开机状态的机组；

步骤S204，判断是否存在SUM_t＜D_t且count＞0，若是，则执行步骤S205，若否，则执行步骤S206，其中，D_t表示时段t的负荷需求，count表示开机列表中机组数；

步骤S205，从所述开机列表中选取机组i，令P_i,t＝PH(i)，重新计算SUM_t，判断是否存在SUM_t＜D_t，若是，则执行步骤S206，若否，则从开机列表中删除该机组i，更新count，返回步骤S204；

步骤S206，重新建立开机列表，更新count；

步骤S207，判断是否存在SUM_t＞D_t且count＞0，若是，则执行步骤S208，若否，则执行步骤S209；

步骤S208，从所述开机列表中选取机组i，令P_i,t＝PL(i)，重新计算SUM_t，判断是否存在SUM_t＜D_t，若是，执行步骤S209，若否，则从开机列表中删除该机组i，更新count；

步骤S209，若此时SUM_t≠D_t且count＞0，则令P_i,t＝min{P_i,t-(SUM_t-D_t),PH(i)}，否则，P_i,t＝max{P_i,t,PL(i)}；

步骤S210，判断是否存在t＜T，若是，则t＝t+1，返回步骤S202，若否，则结束。

粒子群算法中，粒子位置与速度更新计算公式如下：

式中W是惯性权重参数，用于控制算法的全局搜索能力，c₁和c₂是加速因子。

实施例

为了说明所述方法的有效性，在10～100机组24时段系统上测试。20-100台机组的相关数据是通过复制10机组24时段系统的基本数据得到。旋转备用取系统总负荷的10％。运行环境为：Intel Core i5 7200U，2.8GHz，4GB RAM下，基于Matlab R2016A求解。

将测试结果和其他典型机组组合求解方法进行对比。对比算法包括：采用动态规划与拉格朗日松弛法相结合的方法，记为DPLR；扩展优先顺序法，记为EPL；改进粒子群算法，记为PSO；混合整数线性规划方法，记为MILP；Benders解方法，记为BDM。

表1和表2给出所提两阶段优化方法在10机系统进行测试所得的详细结果，其中a取值0.3。表3给出不同出力调整因子a取值下10机系统的发电费用。由表3可知，传统PL方法采用a＝0.5的情形计算发电机组煤耗指标，并不能保证得到最优解。在10机24时段系统中，a取值0.3、0.4时发电费用最小，为563836美元。

表1 10机组24时段系统机组出力结果

表2 10机组24时段系统发电费用结果

表3 10机组24时段系统不同a取值下的发电费用

表4和表5给出了各类算法与所述方法的对比结果。由表4可见，在所有系统中，所述方法的发电费用均少于其它方法，MILP法的发电费用最接近所述方法，但是其计算时间与所述方法的差距随着系统规模增大而显著增大；由表5可见，除了EPL方法外，在所有系统中所述方法计算时间均少于其它方法。EPL在20-100机系统中计算时间比所述方法更少，但是其所得发电费用随着机组数量增多而显著多于所述方法。综合表4和表5可知，所述两阶段机组组合优化方法能够快速、有效求解大规模系统机组组合问题。

表4各类方法发电费用对比

表5各类方法计算时间对比

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种适用于大规模系统的两阶段机组组合运行控制方法，其特征在于，该方法包括两阶段控制过程：

第一阶段，基于预先设定的发电机组开机优先顺序，同时考虑旋转备用约束和最小启停时间约束控制机组状态；

第二阶段，以第一阶段获得的机组状态作为粒子群算法的输入，考虑机组爬坡率的功率平衡，获得粒子群算法的最优输出，根据所述最优输出控制机组组合运行状态。

2.根据权利要求1所述的适用于大规模系统的两阶段机组组合运行控制方法，其特征在于，基于排序参考因子获得所述发电机组开机优先顺序，所述排序参考因子包括可调发电机组煤耗指标因子、启动成本参考因子和出力上限参考因子。

3.根据权利要求2所述的适用于大规模系统的两阶段机组组合运行控制方法，其特征在于，各排序参考因子通过以下公式组合后确定发电机组开机优先顺序：

f＝index_1，i+index_2，i+index_3，i

式中，index_1，i、index_2，i、index_3，i分别为按可调发电机组煤耗指标因子、启动成本参考因子和出力上限参考因子从小到大排序后机组i的排名，f值越小，对应机组越优先启动。

4.根据权利要求2所述的适用于大规模系统的两阶段机组组合运行控制方法，其特征在于，根据排序参考因子的参数选择的不同，获得不同的发电机组开机优先顺序。

5.根据权利要求1所述的适用于大规模系统的两阶段机组组合运行控制方法，其特征在于，所述同时考虑旋转备用约束和最小启停时间约束控制机组状态具体包括以下步骤：

101)判断当前负荷是增大还是减小，若增大，则执行步骤102)，若减小，则执行步骤104)；

102)根据所述优先顺序及旋转备用约束确定需要依次开启的机组；

103)计算自时段t开始，机组i的必要开机时间M_ON_i，判断是否存在M_ON_i＜TO_i，若是，则继续保持机组i开机直到其满足最小开机时间约束，若否，则执行下一步，其中，TO_i表示机组i的最小开机时间；

104)判断关停机组i后，系统是否能满足旋转备用约束，若是，则执行步骤105)，若否，则保持机组i开机；

105)计算自时段t开始，机组i的必要关停时间M_OFF_i，判断是否存在M_OFF_i＜TS_i，若是，则保持机组i开启，若否，则在机组i已达到最小开机时间时，关停机组i，其中，TS_i表示机组i的最小停机时间；

106)重复执行步骤101)-106)，直至确定所有时段内所有机组的启停方式。

6.根据权利要求5所述的适用于大规模系统的两阶段机组组合运行控制方法，其特征在于，所述步骤102)中，确定需要依次开启的机组时，根据机组初始状态约束调整机组的启停方式，若机组初始关停时间小于其最小停机时间，则保持该机组关停，根据所述优先顺序检测下一机组；若机组初始开机时间小于其最小开机时间，或其初始关停时间大于其最小停机时间，则开启该机组。

7.根据权利要求1所述的适用于大规模系统的两阶段机组组合运行控制方法，其特征在于，所述粒子群算法采用的目标函数为：

其中，T是总时段数，N是机组数，P_i，t是机组i在时段t的出力，u_i，t是机组i在时段t的启停状态，F_i(P_i，t)是机组i的煤耗成本，ST_i是机组i的启动成本；

采用的约束条件包括系统功率平衡约束、机组出力上下限约束、旋转备用约束、机组爬坡约束和机组起停时间约束。

8.根据权利要求7所述的适用于大规模系统的两阶段机组组合运行控制方法，其特征在于，所述获得粒子群算法的最优输出的过程包括：

201)根据第一阶段获得的机组状态创建初始种群，根据系统功率平衡约束调整粒子位置；

202)迭代更新粒子速度及位置，直至获得最优解。

9.根据权利要求8所述的适用于大规模系统的两阶段机组组合运行控制方法，其特征在于，所述根据系统功率平衡约束调整粒子位置具体为：

221)初始化时段t＝1；

222)计算时段t所有机组出力总和SUM_t以及每个机组i的出力范围PH(i)和PL(i)，PH(i)为最高出力，PL(i)为最低出力；

223)建立一开机列表，该开机列表存储有在时段t处于开机状态的机组；

224)判断是否存在SUM_t＜D_t且count＞0，若是，则执行步骤225)，若否，则执行步骤226)，其中，D_t表示时段t的负荷需求，count表示开机列表中机组数；

225)从所述开机列表中选取机组i，令P_i，t＝PH(i)，重新计算SUM_t，判断是否存在SUM_t＜D_t，若是，则执行步骤226)，若否，则从开机列表中删除该机组i，更新count，返回步骤224)；

226)重新建立开机列表，更新count；

227)判断是否存在SUM_t＞D_t且count＞0，若是，则执行步骤228)，若否，则执行步骤229)；

228)从所述开机列表中选取机组i，令P_i，t＝PL(i)，重新计算SUM_t，判断是否存在SUM_t＜D_t，若是，执行步骤229)，若否，则从开机列表中删除该机组i，更新count；

229)若此时SUM_t≠D_t且count＞0，则令P_i，t＝min{P_i，t-(SUM_t-D_t)，PH(i)}，否则，P_i，t＝max{P_i，t，PL(i)}；

230)重复步骤222)-229)，直至t＝T。

10.根据权利要求9所述的适用于大规模系统的两阶段机组组合运行控制方法，其特征在于，所述出力范围PH(i)和PL(i)通过以下方式获得：

对每个机组i在每个时段t，若u_it＝1，u_i(t-1)＝0，则PH(i)＝min{P_i，max，RU_i}，PL(i)＝max{P_i，min，RD_i}；

若u_it＝1，u_i(t-1)＝1，则PH(i)＝min{P_i，max，P_i，t-1+RU_i}，PL(i)＝max{P_i，min，P_i，t-1-RD_i}；

若t＝1，则PH(i)＝P_i，max，PL(i)＝P_i，min；

若u_it＝1，u_i(t+1)＝0，则PH(i)＝PL(i)＝P_i，min；

若u_it＝1，u_i(t+1)＝1，则PH(i)＝min{PH(i)，P_i，t+1-RD_i}，PL(i)＝max{PL(i)，P_i，t+1-RU_i}；

其中，RD_i、RU_i表示机组下、上爬坡速率。