CN110739726A - 一种考虑海上风电接入的多类型电源容量长期规划方法 - Google Patents

Abstract

本发明涉及一种考虑海上风电接入的多类型电源容量长期规划方法，基于相关性理论，提出了海上风电场出力的建模方法，将海上风电的消纳问题引入电源规划层面，考虑多类型电源的调峰能力约束和基于随机生产模拟的系统可靠性约束，以建设和运行经济性为目标，建立多类型电源容量优化模型，采用粒子群算法进行求解。发明提出的方法简单、实用、可操作性强。解决了传统规划方法仅关注经济指标，对系统调峰能力和可靠性的考虑不足的问题。有助于解决风电消纳所面临的调峰困难的问题，对于保障风电消纳和电网的安全稳定运行有重要意义，为沿海海上风电资源丰富省份的长期电源规划提供了可行的方案。

Description

一种考虑海上风电接入的多类型电源容量长期规划方法

技术领域

本发明涉及电力系统拓展规划领域，特别是一种考虑海上风电接入的多类型电源容量长期规划方法。

背景技术

近年来，我国陆上风电弃风严重，亟待解决的风电消纳问题制约了陆上风电的发展，与之相比，海上风电靠近负荷，且具有不占用土地、风力资源丰富、运行条件稳定等诸多优势，成为风电行业发展的新风口。

与常规水电、火电不同，风电出力具有明显的随机性和波动性，且常具有反调峰特性,大规模海上风电并网使得电网的调峰矛盾更加突出。电网调峰能力不足成为制约风电消纳的主要因素。电源结构不合理是导致调峰困难的根本原因，不同类型电源的调峰能力不同，海上风电的特殊性给传统电源规划带来了一些新的问题。一方面，考虑新能源接入的电源规划有赖于对新能源出力较为准确的建模，然而由于已投运海上风电场数量少，测风数据和历史出力数据均不足，现有的风电场出力建模方法不再适用。另一方面，传统的电源规划方法多关注系统投资运行的经济性，而对系统调峰能力和可靠性的考虑不足。除经济性目标外，将调峰约束和系统可靠性同时纳入考虑还鲜有研究。

发明内容

有鉴于此，本发明的目的是提供一种考虑海上风电接入的多类型电源容量长期规划方法，简单实用，可操作性强，在规划方案中考虑多类型电源的调峰能力约束和基于随机生产模拟的系统可靠性约束，有助于解决风电消纳所面临的调峰困难的问题。

本发明采用以下方案实现：一种考虑海上风电接入的多类型电源容量长期规划方法，包括以下步骤：

步骤S1：基于相关性理论模拟生成全年海上风电出力时间序列P_wind(t)；

步骤S2：预测全年负荷时间序列P_load(t)；

步骤S3：生成风电接入后的净负荷时间序列P_{load_wind}(t)；

步骤S4：建立考虑可靠性和调峰容量约束的电源规划模型；

步骤S5：采用带约束的粒子群算法优化各类型电源规划容量，用以保障风电消纳，并提高电网的安全稳定运行能力。

进一步地，所述步骤S1的具体内容为：邻近陆上风电场历史出力数据乘以容量系数和类比放大系数，得到规划海上风电场出力时间序列P_wind(t)。

进一步地，所述容量系数的确定具体为：容量放大系数＝规划海上风电场装机容量/邻近陆上风电场装机容量。

进一步地，所述类比放大系数的确定具体为：对提供的拟建海上风电场的风速数据W₁和邻近陆上风电场的风速数据W₂进行相关性分析，比较W₁与aW₂的相关性，其中a为放大系数，使用Kendall秩相关系数τ来度量相关程度，

τ＝P((W₁-aW₂)(W₁-aW₂)＞0)-P((W₁-aW₂)(W₁-aW₂)＜0)

τ越大表明相关性越强，调整a使得相关系数τ取得最大值，该a值即为类比放大系数，即取放大后的陆上测风点和海上测风点风速相关性最强时的放大系数为理想放大系数，用以确定类比放大系数。

进一步地，所述步骤S2的具体内容为：以提供的一年历史年度全年负荷时间序列为基准，用目标年的负荷增长率对历史负荷曲线进行修正，并利用标准正态分布来描述负荷的随机波动性，得到全年的负荷时间序列P_load(t)。

进一步地，所述步骤S3的具体内容为：

将步骤S1中所述海上风电出力时间序列P_wind(t)视为负的负荷，对预测的原始负荷出力时间序列P_load(t)进行修正，得到净负荷时间序列，即考虑海上风电接入后的负荷时间序列P_{load_wind}(t)：

P_{load_wind}(t)＝P_load(t)-P_wind(t)。

进一步地，所述步骤S4具体包括以下步骤：

步骤S41：抽水蓄能电站对净负荷曲线进行削峰填谷：当负荷水平大于发电水平x_s时，抽水蓄能电站工作于发电状态；当负荷水平小于抽水水平x_p时，抽蓄蓄能电站工作于抽水状态；当负荷水平介于两者之间时，抽水蓄能电站既不抽水也不发电；此外，抽水蓄能电站运行时需满足抽水发电平衡约束和库容约束，即：

式中：E_pt、E_st分别为t时刻抽水蓄能电站的抽水电量和发电量；T为抽蓄蓄能电站的运行周期，日调节型为24小时；η为机组循环效率；E_max为最大库容对应的抽水电量；

基于抽水发电平衡约束和库容约束，利用抽水蓄能电站对净负荷曲线进行削峰填谷，得到抽蓄平滑后的净负荷时间序列P_{load_pure}(t)；

步骤S42：针对不同类型的电站，其调峰能力考虑如下：

为适应大规模海上风电接入，规划电源时需满足调峰能力约束，即：

式中：n1，n2，n3分别为火电机组、水电机组和抽水蓄能机组的台数；P_{reg_thermal}(i)为第i台火电机组的调峰能力；P_{reg_hydro}(i)为第i台水电机组的调峰能力；P_{reg_pump}(i)为第i台抽水蓄能机组的调峰能力；P_peak-valley为考虑风电接入后净负荷时间序列P_{load_wind}的最大峰谷差；P_margin为调峰裕度；

步骤S43：建立可靠性约束：

电力系统随机生产模拟的可靠性指标包括电力不足概率(LOLP)和电量不足期望值(EENS)；规划电源时需满足电力系统可靠性约束，即：

LOLP≤P_E

式中：LOLP为电力不足概率，P_E为满足系统可靠性要求的前提下允许的最大电力不足概率；

步骤S44：电源规划中需考虑容量约束，即：

C_i≤C_maxi(i＝1,2,L,N1)

式中：N1为待建电厂的数量；C_i为待建电厂的规划容量；C_maxi为待建电厂i的最大可建设容量；

步骤S45：建立目标函数：

电源规划模型的决策变量为不同电源类型的待建电厂的容量，目标是最小年总费用，包括年等值投资费用和年运行费用：

式中：C_total为总费用；N1为待建电厂的数目；C_Ii为待建电厂i的等值年投资费用；N2为系统中所有电厂的数目；C_oi为全年生产模拟中电厂i的运行费用。

进一步地，所述步骤S5具体内容为：

令待规划电厂的数目为D，令群体规模为m，即群体中包含m个粒子，最大迭代次数为n；z_i＝(z_i1,z_i2,…,z_iD)为第i个粒子的位置，即第i个电源容量规划方案，其中z_ix为第x个电厂的容量，将其代入适应值函数即优化目标函数中，得到粒子z_i的适应值，即年总费用；所述粒子z_i的适应值用以衡量该粒子位置即该电源容量规划方案的优劣，适应值越小则该规划方案经济性越好；

v_i＝(v_i1,v_i2,L,v_iD)为粒子i的速度；p_i＝(p_i1,p_i2,…,p_iD)为粒子i搜索到的历史最优位置；p_g＝(p_g1,p_g2,…,p_gD)为整个粒子群搜索到的历史最优点的位置，即最优的各电厂规划容量；

所述整个粒子群搜索到的历史最优点位置具体包括以下步骤：

步骤SA：迭代次数k＝1；

步骤SB：初始化粒子位置z_i和粒子速度v_i；

步骤SC：k＝k+1；

步骤SD：计算每个粒子的适应度值，更新p_i和p_g；

步骤SE：根据速度和位置更新公式更新速度和位置信息；

步骤SF：判断|Z_i-Z_j|＜Δ(i,j＝1,2,...,m)或k＞n；如果是则输出最优点位置信息，即最优电源规划方案，否则返回步骤SC。

进一步地，步骤SE中所述在每一次迭代中，粒子将根据下式更新自己的位置和速度：

式中，i＝1,2,L,m；k为迭代次数；c₁,c₂为学习因子；r₁,r₂为[0,1]之间的随机数，w为惯性权重系数，k为迭代次数。

与现有技术相比，本发明具有以下有益效果：

本发明简单实用，在规划方案中考虑多类型电源的调峰能力约束和基于随机生产模拟的系统可靠性约束，有助于解决风电消纳所面临的调峰困难的问题。保障风电消纳和提高电网的安全稳定运行性能。

附图说明

图1为本发明实施例的抽水蓄能电站运行原理图。

图2为本发明实施例的随机生产模拟流程图。

图3为本发明实施例的粒子群算法流程图。

图4为本发明实施例的流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图4所示，本实施例提供一种考虑海上风电接入的多类型电源容量长期规划方法，包括以下步骤：

步骤S1：基于相关性理论模拟生成全年海上风电出力时间序列P_wind(t)；

步骤S2：预测全年负荷时间序列P_load(t)；

步骤S3：生成风电接入后的净负荷时间序列P_{load_wind}(t)；

步骤S4：建立考虑可靠性和调峰容量约束的电源规划模型；

步骤S5：采用带约束的粒子群算法优化各类型电源规划容量，用以保障风电消纳，并提高电网的安全稳定运行能力。

在本实施例中，所述步骤S1的具体内容为：基于邻近陆上风电场历史运行数据进行类比模拟得到海上风电出力时间序列；陆上风电场历史出力数据乘以容量系数和类比放大系数，得到规划海上风电场出力时间序列P_wind(t)。放大系数通过陆上风电场和海上风电场风速数据的相关性分析得到。

在本实施例中，所述容量放大系数的确定具体为：容量放大系数＝规划海上风电场装机容量/邻近陆上风电场装机容量。

在本实施例中，所述类比放大系数的确定具体为：对提供的拟建海上风电场的风速数据W₁和邻近陆上风电场的风速数据W₂进行相关性分析，比较W₁与aW₂的相关性，其中a为放大系数，使用Kendall秩相关系数τ来度量相关程度，

τ＝P((W₁-aW₂)(W₁-aW₂)＞0)-P((W₁-aW₂)(W₁-aW₂)＜0)

τ越大表明相关性越强，调整a使得相关系数τ取得最大值，该a值即为类比放大系数，即取放大后的陆上测风点和海上测风点风速相关性最强时的放大系数为理想放大系数，用以确定类比放大系数。

在本实施例中，所述步骤S2的具体内容为：以提供的一年历史年度全年负荷时间序列为基准，用目标年的负荷增长率对历史负荷曲线进行修正，并利用标准正态分布来描述负荷的随机波动性，得到全年的负荷时间序列P_load(t)。

在本实施例中，所述步骤S3的具体内容为：

将步骤S1中所述海上风电出力时间序列P_wind(t)视为负的负荷，对预测的原始负荷出力时间序列P_load(t)进行修正，得到净负荷时间序列，即考虑海上风电接入后的负荷时间序列P_{load_wind}(t)：

P_{load_wind}(t)＝P_load(t)-P_wind(t)。

在本实施例中，对不同类型电源进行不同的处理，采用随机生产模拟计算可靠性指标，以包括等值年投资费用和年运行费用在内的年总费用作为经济性指标。

所述步骤S4具体包括以下步骤：

步骤S41：抽水蓄能电站对净负荷曲线进行削峰填谷：抽蓄蓄能电站主要功能是削峰填谷，其运行原理如图1所示，其中阴影部分为抽蓄蓄能电站的发电量或用电量。当负荷水平大于发电水平x_s时，抽水蓄能电站工作于发电状态；当负荷水平小于抽水水平x_p时，抽蓄蓄能电站工作于抽水状态；当负荷水平介于两者之间时，抽水蓄能电站既不抽水也不发电；此外，抽水蓄能电站运行时需满足抽水发电平衡约束和库容约束，即：

式中：E_pt、E_st分别为t时刻抽水蓄能电站的抽水电量和发电量；T为抽蓄蓄能电站的运行周期，日调节型为24小时；η为机组循环效率；E_max为最大库容对应的抽水电量；

基于上述工作原理和抽水发电平衡约束和库容约束，利用抽水蓄能电站对净负荷曲线进行削峰填谷，得到抽蓄平滑后的净负荷时间序列P_{load_pure}(t)(通过编程计算每一时刻抽蓄出力水平得到抽蓄平滑后的净负荷时间序列P_{load_pure}(t))；

步骤S42：针对不同类型的电站，其调峰能力考虑如下：

火电机组；火电是一种常规的调峰电源，其参与调峰的主要方式为降出力调峰，受其技术出力的限制，常规火电机组调峰深度为50％左右；而燃气机组启停迅速，调峰方式灵活，调峰深度能够达到100％；

水电机组；水电调峰方式灵活，启停迅速，其运行和退出能够在短时间完成，若不考虑季节降雨量或来水量的影响，其调峰范围最大能够达到100％；

抽水蓄能机组；抽水蓄能是一种理想的调峰电源，既能最为调峰电源参与调峰，也能作为负荷改善负荷特性，调峰范围最大能够达到200％；

为适应大规模海上风电接入，规划电源时需满足调峰能力约束，即：

式中：n1，n2，n3分别为火电机组、水电机组和抽水蓄能机组的台数；P_{reg_thermal}(i)为第i台火电机组的调峰能力；P_{reg_hydro}(i)为第i台水电机组的调峰能力；P_{reg_pump}(i)为第i台抽水蓄能机组的调峰能力；P_peak-valley为考虑风电接入后净负荷时间序列P_{load_wind}的最大峰谷差；P_margin为调峰裕度；

步骤S43：建立可靠性约束：

电力系统随机生产模拟是一种通过优化发电机组的生产情况，考虑机组的随机故障及电力负荷的随机性，从而计算出最优运行方式下各电厂的发电量、系统的生产成本及系统可靠性指标的算法。其计算流程如图2所示。

(1)输入时序负荷数据，形成等效负荷曲线；

(2)选取合适的步长形成初始等效电量函数；

(3)根据发电序位表，一次安排各机组出力；

(4)修正等效电量函数；

(5)判断所有机组是否安排完成；若是则执行步骤SF；否则返回步骤SC；

(6)按需求进行发电成本和可靠性的计算。

电力系统随机生产模拟的可靠性指标包括电力不足概率(LOLP)和电量不足期望值(EENS)；规划电源时需满足电力系统可靠性约束，即：

LOLP≤P_E

式中：LOLP为电力不足概率，P_E为满足系统可靠性要求的前提下允许的最大电力不足概率；

步骤S44：由于资源、环境等各方面约束，待建电厂的建设容量存在最大值。电源规划中需考虑容量约束，即：

C_i≤C_maxi(i＝1,2,L,N1)

式中：N1为待建电厂的数量；C_i为待建电厂的规划容量；C_maxi为待建电厂i的最大可建设容量；

步骤S45：建立目标函数：

电源规划模型的决策变量为不同电源类型的待建电厂的容量，目标是最小年总费用，包括年等值投资费用和年运行费用：

式中：C_total为总费用；N1为待建电厂的数目；C_Ii为待建电厂i的等值年投资费用；N2为系统中所有电厂的数目；C_oi为全年生产模拟中电厂i的运行费用。

在本实施例中，在满足可靠性约束、电厂容量约束、系统调峰容量约束的前提下，优化各类型电源容量，提供了一种简单实用的考虑海上风电接入的长期电源容量规划方法。

所述步骤S5具体内容为：

粒子群算法是一种智能算法，此算法是基于群体的迭代，整个群体在一定的解空间中，追随着位置最优的粒子信息进行搜索，其优势在于简单容易实现，同时又有深刻的智能背景。在粒子群算法中，每一个个体称为一个“粒子”，粒子的维数取决于变量的个数，在本实施例中体现为待规划电厂的数目，假设为D。令群体规模为m，即群体中包含m个粒子，最大迭代次数为n；z_i＝(z_i1,z_i2,…,z_iD)为第i个粒子的位置，即第i个电源容量规划方案，其中z_ix为第x个电厂的容量，将其代入适应值函数即优化目标函数中，得到粒子z_i的适应值，即年总费用；所述粒子z_i的适应值，该值用以衡量该粒子位置即该电源容量规划方案的优劣，适应值越小则该规划方案经济性越好；v_i＝(v_i1,v_i2,L,v_iD)为粒子i的速度；p_i＝(p_i1,p_i2,…,p_iD)为粒子i搜索到的历史最优位置；p_g＝(p_g1,p_g2,…,p_gD)为整个粒子群搜索到的历史最优点的位置即最优的各电厂规划容量；

；粒子群算法的流程可简化如图3所示。

所述整个粒子群搜索到的历史最优点位置具体包括以下步骤：

步骤SA：迭代次数k＝1；

步骤SB：初始化粒子位置z_i和粒子速度v_i；

步骤SC：k＝k+1；

步骤SD：计算每个粒子的适应度值，更新p_i和p_g；

步骤SE：根据速度和位置更新公式更新速度和位置信息；

步骤SF：判断|Z_i-Z_j|＜Δ(i,j＝1,2,...,m)或k＞n；如果是则输出最优点位置信息，即最优电源规划方案，否则返回步骤SC。

在本实施例中，步骤SE中所述在每一次迭代中，粒子将根据下式更新自己的位置和速度：

式中，i＝1,2,L,m；k为迭代次数；c₁,c₂为学习因子；r₁,r₂为[0,1]之间的随机数，w为惯性权重系数，k为迭代次数。

上述为无约束优化过程，若想用粒子群算法求解带约束条件的优化问题，只需引入罚函数将有约束最优化问题转化为无约束的优化问题。

较佳的，在本实施例中，算例机组取自TS-RTS可靠性测试系统，系统最高负荷为17000MW，拟接入海上风电1500MW，机组参数如表1所示，拟建设电厂参数如表2所示。

表1已投运机组参数

表2拟建电站参数

陆上风电场历史出力数据乘以容量系数和放大系数，得到规划海上风电场出力时间序列P_wind(t)。以东南沿海某省已投运海上风电场与邻近陆上风电场数据作为样本，进行相关性分析，可以得到当放大系数取1.5时，Kendall秩相关系数τ最大，为0.7350。预测全年负荷时间序列取东南沿海某省2030年的负荷预测数据。

本实施例所提出方法的计算结果和一组同样满足调峰和可靠性要求的相近的电源方案如下表3所示：

表3拟建电站优化容量

对上述两种方案进行对比。采用本发明方法的电源方案得到的系统年总费用为291.73亿元，较另一相近方案的节省了3.43亿元，调峰裕度为214.6％，失负荷概率为2.96e-4。结果表明，本发明方法能够达到预期的效果，在满足调峰容量、可靠性和可建容量的约束下，得到经济最优的电源容量方案。

较佳的，本实施例简单实用，可操作性强，基于相关性理论，提出了海上风电场出力的建模方法，将海上风电的消纳问题引入电源规划层面，在规划方案中考虑多类型电源的调峰能力约束和基于随机生产模拟的系统可靠性约束，有助于解决风电消纳所面临的调峰困难的问题，对于保障风电消纳和电网的安全稳定运行有重要意义，为沿海海上风电资源丰富省份的长期电源规划提供了可行的方案。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (9)

1.一种考虑海上风电接入的多类型电源容量长期规划方法，其特征在于：包括以下步骤：

步骤S1：基于相关性理论模拟生成全年海上风电出力时间序列P_wind(t)；

步骤S2：预测全年负荷时间序列P_load(t)；

步骤S3：生成风电接入后的净负荷时间序列P_{load_wind}(t)；

步骤S4：建立考虑可靠性和调峰容量约束的电源规划模型；

步骤S5：采用带约束的粒子群算法优化各类型电源规划容量，用以保障风电消纳，并提高电网的安全稳定运行能力。

2.根据权利要求1所述的一种考虑海上风电接入的多类型电源容量长期规划方法，其特征在于：所述步骤S1的具体内容为：邻近陆上风电场历史出力数据乘以容量系数和类比放大系数，得到规划海上风电场出力时间序列P_wind(t)。

3.根据权利要求2所述的一种考虑海上风电接入的多类型电源容量长期规划方法，其特征在于：所述容量系数的确定具体为：容量系数＝规划海上风电场装机容量/邻近陆上风电场装机容量。

4.根据权利要求2所述的一种考虑海上风电接入的多类型电源容量长期规划方法，其特征在于：所述类比放大系数的确定具体为：对提供的拟建海上风电场的风速数据W₁和邻近陆上风电场的风速数据W₂进行相关性分析，比较W₁与aW₂的相关性，其中a为放大系数，使用Kendall秩相关系数τ来度量相关程度，

τ＝P((W₁-aW₂)(W₁-aW₂)＞0)-P((W₁-aW₂)(W₁-aW₂)＜0)

τ越大表明相关性越强，调整a使得相关系数τ取得最大值，该a值即为类比放大系数，即取放大后的陆上测风点和海上测风点风速相关性最强时的放大系数为理想放大系数，用以确定类比放大系数。

5.根据权利要求1所述的一种考虑海上风电接入的多类型电源容量长期规划方法，其特征在于：所述步骤S2的具体内容为：以提供的一年历史年度全年负荷时间序列为基准，用目标年的负荷增长率对历史负荷曲线进行修正，并利用标准正态分布来描述负荷的随机波动性，得到全年的负荷时间序列P_load(t)。

6.根据权利要求1所述的一种考虑海上风电接入的多类型电源容量长期规划方法，其特征在于：所述步骤S3的具体内容为：

将步骤S1中所述海上风电出力时间序列P_wind(t)视为负的负荷，对预测的原始负荷出力时间序列P_load(t)进行修正，得到净负荷时间序列，即考虑海上风电接入后的负荷时间序列P_{load_wind}(t)：

P_{load_wind}(t)＝P_load(t)-P_wind(t)。

7.根据权利要求1所述的一种考虑海上风电接入的多类型电源容量长期规划方法，其特征在于：

所述步骤S4具体包括以下步骤：

步骤S41：抽水蓄能电站对净负荷曲线进行削峰填谷：当负荷水平大于发电水平x_s时，抽水蓄能电站工作于发电状态；当负荷水平小于抽水水平x_p时，抽蓄蓄能电站工作于抽水状态；当负荷水平介于两者之间时，抽水蓄能电站既不抽水也不发电；此外，抽水蓄能电站运行时需满足抽水发电平衡约束和库容约束，即：

式中：E_pt、E_st分别为t时刻抽水蓄能电站的抽水电量和发电量；T为抽蓄蓄能电站的运行周期，日调节型为24小时；η为机组循环效率；E_max为最大库容对应的抽水电量；

基于抽水发电平衡约束和库容约束，利用抽水蓄能电站对净负荷曲线进行削峰填谷，得到抽蓄平滑后的净负荷时间序列P_{load_pure}(t)；

步骤S42：针对不同类型的电站，其调峰能力考虑如下：

为适应大规模海上风电接入，规划电源时需满足调峰能力约束，即：

式中：n1，n2，n3分别为火电机组、水电机组和抽水蓄能机组的台数；P_{reg_thermal}(i)为第i台火电机组的调峰能力；P_{reg_hydro}(i)为第i台水电机组的调峰能力；P_{reg_pump}(i)为第i台抽水蓄能机组的调峰能力；P_peak-valley为考虑风电接入后净负荷时间序列P_{load_wind}的最大峰谷差；P_margin为调峰裕度；

步骤S43：建立可靠性约束：

电力系统随机生产模拟的可靠性指标包括电力不足概率和电量不足期望值；规划电源时需满足电力系统可靠性约束，即：

LOLP≤P_E

式中：LOLP为电力不足概率，P_E为满足系统可靠性要求的前提下允许的最大电力不足概率；

步骤S44：电源规划中需考虑容量约束，即：

C_i≤C_maxi(i＝1,2,L,N1)

式中：N1为待建电厂的数量；C_i为待建电厂的规划容量；C_maxi为待建电厂i的最大可建设容量；

步骤S45：建立目标函数：

电源规划模型的决策变量为不同电源类型的待建电厂的容量，目标是最小年总费用，包括年等值投资费用和年运行费用：

式中：C_total为总费用；N1为待建电厂的数目；C_Ii为待建电厂i的等值年投资费用；N2为系统中所有电厂的数目；C_oi为全年生产模拟中电厂i的运行费用。

8.根据权利要求1所述的一种考虑海上风电接入的多类型电源容量长期规划方法，其特征在于：

所述步骤S5具体内容为：

令待规划电厂的数目为D，令群体规模为m，即群体中包含m个粒子，最大迭代次数为n；z_i＝(z_i1,z_i2,…,z_iD)为第i个粒子的位置，即第i个电源容量规划方案，其中z_ix为第x个电厂的容量，将其代入适应值函数即优化目标函数中，得到粒子z_i的适应值，即年总费用；所述粒子z_i的适应值用以衡量该粒子位置即该电源容量规划方案的优劣，适应值越小则该规划方案经济性越好；

v_i＝(v_i1,v_i2,L,v_iD)为粒子i的速度；p_i＝(p_i1,p_i2,…,p_iD)为粒子i搜索到的历史最优位置；p_g＝(p_g1,p_g2,…,p_gD)为整个粒子群搜索到的历史最优点的位置，即最优的各电厂规划容量；

所述整个粒子群搜索到的历史最优点位置具体包括以下步骤：

步骤SA：迭代次数k＝1；

步骤SB：初始化粒子位置z_i和粒子速度v_i；

步骤SC：k＝k+1；

步骤SD：计算每个粒子的适应度值，更新p_i和p_g；

步骤SE：根据速度和位置更新公式更新速度和位置信息；

步骤SF：判断|Z_i-Z_j|＜Δ(i,j＝1,2,...,m)或k＞n；如果是则输出最优点位置信息，即最优电源规划方案，否则返回步骤SC。

9.根据权利要求7所述的一种考虑海上风电接入的多类型电源容量长期规划方法，其特征在于：

步骤SE中所述在每一次迭代中，粒子将根据下式更新自己的位置和速度：

式中，i＝1,2,L,m；c₁,c₂为学习因子；r₁,r₂为[0,1]之间的随机数，w为惯性权重系数，k为迭代次数。

Images