CN112688318B - 一种新能源场站内部调频指令分解模型构建方法 - Google Patents

Abstract

本发明公开了一种新能源场站内部调频指令分解模型构建方法。本发明对新能源场站的出力场景进行预测，同时快速前代缩减法对出力场景进行缩减，基于缩减后的出力场景构建新能源场站参与能量与调频市场策略优化模型，确定新能源场站的电能量与调频的最佳申报容量，同时建立了新能源场站内部的调频指令分解模型。本发明有效的促进新能源场站降低自身的出力波动，积极参与到调频市场中，同时降低电网的运行成本，提高电网的运行弹性。

Description

一种新能源场站内部调频指令分解模型构建方法

技术领域

本发明属于新能源场站领域，涉及一种新能源场站内部调频指令分解模型构建方法。

背景技术

在电力市场环境下，随着新能源场站内部的控制优化协调技术不断的进步，新能源场站在提供能量的同时，也存在着提供调频服务的可能。因此，对新能源场站参与能量与调频市场的策略优化模型与新能源场站内部调频信号分解模型的研究越来越多的受到了工业界与学术界的广泛关注。

新能源场站不断进步的内部控制优化协调技术使得新能源场站参与二次调频市场成为了提高电网运行弹性的可行手段。相比传统发电机机组，为高弹性电网的建设打下坚实基础。然而，目前的文献主要集中于新能源场站参与电网一次调频的控制策略研究，现有的关于新能源场站参与二次调频的研究也没有考虑新能源场站本身的参与策略与利润问题。如何站在新能源场站自身的角度，建立新能源场站参与能量与调频市场的策略优化模型，有待进一步研究探索。

由于地理分布的差异，新能源场站内部不同风电机组会面临不同的实时风速与气象状况，采用的控制技术也可能会有所不同，因此会处于不同的运行状态，能够提供的调频容量也会有所差异，在新能源场站接到调度层的调频指令后，对调频指令进行合理的内部分配，能够有效的保证新能源场站的高效安全运行。然而，目前的研究并未考虑新能源场站内部的调频指令分解问题，需要加以完备。

发明内容

本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种基于场景模拟的新能源场站参与能量和调频市场的策略优化模型与新能源场站内部调频指令分解模型的构建方法，以有效的促进新能源场站降低自身的出力波动，积极参与到调频市场中，同时降低电网的运行成本，提高电网的运行弹性。

为达到上述目的，本发明所采用的技术方案是：新能源场站内部调频指令分解模型构建方法，其包括：

对新能源场站的出力场景进行预测，同时采用聚类算法中的快速前代缩减法对新能源场站的出力场景进行缩减；

基于缩减后的出力场景，构建新能源场站参与电能量市场与调频市场的策略优化模型，确定新能源场站的电能量与调频的最佳申报容量；

建立新能源场站内部的调频指令分解模型，保证系统调频指令的顺利执行。

进一步地，对新能源场站的出力场景进行预测时，首先获得未来气象信息预测数据，包括风速预测数据和气温预测数据；接着结合历史气象数据与历史实际出力数据，生成大量的新能源场站出力的可能场景，同时获得每个场景的出现概率。

进一步地，采用聚类算法中的快速前代缩减法对新能源场站的出力场景进行缩减的具体步骤如下：

步骤一：i＝1，计算所有场景两两之间的距离

接着计算每个场景与其他所有场景的加权距离

p_q代表场景q的出现概率；找出所有场景里与其他场景加权距离最近的场景

同时从M₀中去掉r₁，即M_i＝1,…,N\r₁；

步骤二：i＝i+1，对场景q，考虑i步骤中场景q与其他任意场景r之间的距离

首先计算i-1步骤中场景q与场景r的距离

同时计算i-1步骤中场景q与被缩减场景r_i-1的距离

并将

设置为两者的较小值，即

计算M_i-1中每个场景与其他所有场景的加权距离

找出M_i-1中所有场景里与其他场景加权距离最近的场景

同时从M_i-1中去掉r_i，即M_i＝M_i-1\r_i；

步骤三：如果被选中的缩减后场景数量小于n，返回步骤2；

步骤四：将没有被选中的剩余场景的概率，加给离它距离最近的被选中场景，即：

其中，

在出力场景缩减算法中，i为步骤执行次数，总共的场景数量为N，场景缩减目标为n，

为总场景的集合，

为被选中作为缩减后场景的集合，M_i为i为步骤执行次数后为被选中的场景集合，s为场景，q,r为任意场景，q,r＝1,…,N。

进一步地，在使用快速前代缩减法将场景数量缩减到n后，采用邓恩指数对场景的聚类缩减效果评价。

更进一步地，对于被选中作为缩减后场景的集合

中任意场景m，定义所有未被选中场景中，与其距离最近的被选中场景为m的未被选中场景集合为O(m)，即O(m)为一簇未被选中场景；对于任意被选中场景m₁,m₂,其对应的未被选中场景簇的最短簇间距离为

m₁对应的未被选中场景簇的最长簇内距离为

邓恩指数的表达形式如下：

邓恩指数越小，说明同一簇内的场景距离越小，不同簇间的场景距离越大，即聚类的效果越好。

再进一步地，在实际操作时，应当在进行快速前代场景数量缩减前，预先设定可以接受的最大邓恩指数DVI₀，如果进行快速前代缩减后的邓恩指数大于DVI₀，则要考虑对场景缩减目标进行调整。

进一步地，新能源场站参与电能量市场与调频市场的策略优化模型的构建内容如下：

步骤1)，应用的市场规则设置

在构建模型时，市场环境为实时电力市场环境，电能量与调频十五分钟出清一次；用户在实时市场的前一天需要提交第二天全部时段的申报电量、申报调频量与电能量跟调频的申报价格，即要进行96个时段的策略优化；新能源场站在实时市场中为自调度用户，在参与市场时只提交电能量申报电量与调频申报电量，电能量与调频的申报价格均为0，在市场出清时能够保证电能量与调频的申报容量全部被出清；市场出清后按照节点边际电价与调频价格对出清电能量进行结算，同时按照电能量的实际提供量与申报电量的偏差对新能源场站进行偏差考核与惩罚，且偏差量不允许超过Δ，Δ为系统运营商预先设定的最大偏差量，同时实际能够提供的调频容量要尽量接近调频申报容量，否则影响后续调频市场的参加；

步骤2)，确定新能源场站参与电能量市场与调频市场的策略优化模型的目标函数

新能源场站参与电能量市场与调频市场的策略优化模型的目标函数分为两部分，分别是新能源场站参与电能量市场与调频市场的预期收益，以及新能源场站参与电能量市场与调频市场的所有成本；

新能源场站参与电能量市场与调频市场的预期收益表示为：

式中，λ_E,t与λ_R,t为新能源场站预测的t时段的节点边际电价与调频价格，g_i(t)为t时段第i台机组的申报电量，r_i(t)为t时刻第i台机组的申报调频量；NG表示新能源场站内的机组数量，T表示时段数量；

新能源场站参与电能量市场与调频市场的所有成本分为两部分，首先是新能源场站的运行维护成本与调频损耗成本：

首先，新能源场站的风电机组在运行过程中，由于风机的旋转，会造成扇叶与风机内部传动机构的磨损，从而降低风电机组的运行寿命，将这种成本折算为机组的申报电量g_i(t)乘以单位电量运行维护成本C_o；其次，在参与调频的过程中，风电机组会频繁的对自身的转速、扇叶角度进行调整，这个调整过程也会产生损耗，假设每个时间段内的调频信号的出现频率与调频幅度均匀，则调频损耗成本表示为机组的申报调频量r_i(t)乘以单位调频量损耗成本C_R；

新能源场站参与电能量市场与调频市场的所有成本还包括电能量的实际提供量与申报电量的偏差产生的偏差考核惩罚：

式中，k为可能出现的场景，n为场景缩减后的总场景数，P_k为第k个场景的出现概率，C_P为偏差考核惩罚因子，

为t时段第k个场景中机组i的预测出力；

新能源场站参与电能量市场与调频市场的策略优化模型的目标函数为：

步骤3)，新能源场站参与电能量市场与调频市场的策略优化模型的约束条件

新能源场站的每台机组都具有固有的物理容量限制，因此每个时段每台机组的申报电量g_i(t)与申报调频量r_i(t)之和不能超过其固有物理容量限制：

式中，G_i为第i台机组的最大出力容量；

新能源场站的每台机组采用的控制方式不同，导致它们的出力爬坡能力不同，从而会有不同的调频申报容量的约束：

式中，R_i为第i台机组的最大出力爬坡速率；

由于市场规定新能源场站实际能够提供的调频容量要尽量接近调频申报容量，因此新能源场站的总调频容量申报量在任意场景下都要小于新能源场站在该场景的总预测出力：

由于市场规定新能源场站的电能量实际出力与电能量申报量之间的偏差量不允许超过Δ，因此有下面的约束：

新能源场站电能量申报量与调频申报量都要为非负量，因此有下面的约束：

步骤4)，对步骤2)与3)获得的策略优化模型进行求解，采用分布式算法提高计算速度，将求解得到的

与

作为t时段的电能量与调频的申报容量，获得预期最大收益。

进一步地，新能源场站内部的能量出力分解方法如下：

出力指令在新能源场站内部会按照机组目前的风速进行分配，以保证机组出力的稳定性，对于任意机组在t₀时刻的风速V_i ⁰(t₀)，会有一个与该风速对应的权重因子α(V_i ⁰(t₀))，在实际运行时，在不考虑调频的情况下，若新能源场站的总体出力要求为g₀(t)，则新能源场站内第i台机组收到的分解指令为：

式中，N(α(V_i ⁰(t₀)))表示与第i台机组的风速在同一范围，因此拥有权重因子α(V_i ⁰(t₀))的机组数量，此公式的含义为新能源场站的总体出力会按照权重进行分类，在同权重的机组之间平均分配。

更进一步地，新能源场站内部的调频指令分解模型的目标函数为：

式中，

为理想的调频指令分配，r₊ ⁰(t₀)为第i台机组实际的调频分配指令。

再进一步地，新能源场站内部的调频指令分解模型的约束条件为：

首先，新能源场站整体的调频响应量要等于调度层传来的总调频指令，即：

同时，机组固有的物理容量限制、机组控制方式不同导致的出力爬坡能力限制会对机组能够承担的调频分解指令形成约束，而t₀时段的气象条件也会限制机组的最大出力，分别表示为：

式中，

为第i台机组在t₀时段的气象条件下可实现的最大出力；

对获得的调频指令分解模型进行求解，获得总调频指令在各个机组之间的分解信号r_i(t₀)。

本发明具有的有益效果如下：本发明对新能源场站的出力场景预测并进行场景缩减后，建立了新能源场站参与能量与调频市场的策略优化模型，接着建立了考虑在新能源场站接到调度层的调频指令后内部的调频指令分解模型，有效的保证了新能源场站的高效安全运行，同时充分的利用了弹性资源，提高了电力系统的运行安全性与运行效率，为高弹性电网的建设提供了有效助力。

附图说明

图1是本发明场景聚类缩减效果评价的流程图。

具体实施方式

下面结合附图1对本发明做进一步详细的说明。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。

本发明提出了一种基于场景模拟的新能源场站参与能量和调频市场策略优化模型与调频指令内部分解模型，其对新能源场站的出力场景进行预测，同时采用聚类算法中常用的快速前代缩减法对出力场景进行缩减，基于缩减后的出力场景构建新能源场站参与能量与调频市场策略优化模型，确定新能源场站的电能量与调频的最佳申报容量，同时建立了新能源场站内部的调频指令分解模型，保证系统调频指令的顺利执行，具体实施步骤如下：

(1)对新能源场站的出力场景进行预测，并进行场景缩减，过程如下：

(1-1)对新能源场站的出力场景进行预测

新能源场站的出力与未来的气象信息有关，因此首先需要获得未来气象信息预测数据，包括风速预测数据、气温预测数据等；接着结合历史气象数据与历史实际出力数据，生成大量的新能源场站出力的可能场景，同时获得每个场景的出现概率。

(1-2)对新能源场站的出力场景进行场景缩减

过于庞大的场景数量会延长模型的求解时间，因此可以采用聚类算法中常用的快速前代缩减法进行场景缩减，具体步骤如下：

在场景缩减算法中，i为步骤执行次数,总共的场景数量为N,场景缩减目标为n,

为总场景的集合，

为被选中作为缩减后场景的集合，M_i为i为步骤执行次数后为被选中的场景集合,s为场景，q,r为任意场景，q,r＝1,…,N。

步骤一：i＝1，计算所有场景两两之间的距离

接着计算每个场景与其他所有场景的加权距离

找出所有场景里与其他场景加权距离最近的场景

同时从M₀中去掉r₁，即M_i＝1,…,N\r₁；

步骤二：i＝i+1，对场景q，考虑i步骤中场景q与其他任意场景r之间的距离

首先计算i-1步骤中场景q与场景r的距离

同时计算i-1步骤中场景q与被缩减场景r_i-1的距离

并将

设置为两者的较小值，即

计算M_i-1中每个场景与其他所有场景的加权距离

找出M_i-1中所有场景里与其他场景加权距离最近的场景

同时从M_i-1中去掉r_i，即M_i＝M_i-1\r_i；

步骤三：如果被选中的缩减后场景数量小于n，返回步骤2；

步骤四：将没有被选中的剩余场景的概率，加给离它距离最近的被选中场景，

即：

其中

(1-3)场景聚类缩减效果评价

在使用快速前代缩减法将场景数量缩减到n后，需要对场景缩减的效果进行检验。场景缩减的预期效果使得每一个被选中的缩减后场景能代表一类未被选中的场景，同时不同类之间的场景能有较大区别。因此，这里采用邓恩指数(Dunn Validity Index)对场景的聚类缩减效果评价。

对于被选中作为缩减后场景的集合

中任意场景m，定义所有未被选中场景中，与其距离最近的被选中场景为m的未被选中场景集合为O(m)，即O(m)为一簇未被选中场景。对于任意被选中场景m₁,m₂,其对应的未被选中场景簇的最短簇间距离为

m₁对应的未被选中场景簇的最长簇内距离为

邓恩指数(Dunn Validity Index)的表达形式如下：

邓恩指数越小，说明同一簇内的场景距离越小，不同簇间的场景距离越大，即聚类的效果越好。在实际操作时，应当在进行快速前代场景数量缩减前，预先设定可以接受的最大邓恩指数DVI₀，如果进行快速前代缩减后的邓恩指数大于DVI₀，则要考虑对场景缩减目标进行调整，具体操作如图1所示。

(2)建立新能源场站参与电能量市场与调频市场的策略优化模型

(2-1)模型应用的市场规则设置

在构建模型时，市场环境为实时电力市场环境，电能量与调频十五分钟出清一次。用户在实时市场的前一天需要提交第二天全部时段的申报电量、申报调频量与电能量跟调频的申报价格，即要进行96个时段的策略优化。新能源场站在实时市场中为自调度用户，在参与市场时只提交电能量申报电量与调频申报电量，电能量与调频的申报价格均为0，在市场出清时能够保证电能量与调频的申报容量全部被出清。市场出清后按照节点边际电价与调频价格对出清电能量进行结算，同时按照电能量的实际提供量与申报电量的偏差对新能源场站进行偏差考核与惩罚，且偏差量不允许超过Δ，Δ为系统运营商预先设定的最大偏差量。同时实际能够提供的调频容量要尽量接近调频申报容量，否则影响后续调频市场的参加。

(2-2)确定新能源场站参与电能量市场与调频市场的策略优化模型的目标函数

新能源场站参与电能量市场与调频市场的策略优化模型的目标函数分为两部分，分别是新能源场站参与电能量市场与调频市场的预期收益，以及新能源场站参与电能量市场与调频市场的所有成本。

(2-1-1)新能源场站参与电能量市场与调频市场的预期收益可以表示为：

式中，λ_E,t与λ_R,t为新能源场站预测的t时段的节点边际电价与调频价格，g_i(t)为t时段第i台机组的申报电量，r_i(t)为t时刻第i台机组的申报调频量，NG表示新能源场站内的机组数量，T表示时段数量。

(2-1-2)新能源场站参与电能量市场与调频市场的成本可以分为两部分，首先是新能源场站的运行维护成本与调频损耗成本：

首先，新能源场站的风电机组在运行过程中，由于风机的旋转，会造成扇叶与风机内部传动机构的磨损，从而降低风电机组的运行寿命，可以将这种成本折算为机组的申报电量g_i(t)乘以单位电量运行维护成本C_o。其次，在参与调频的过程中，风电机组会频繁的对自身的转速、扇叶角度等状态进行调整，这个调整过程也会产生损耗，假设每个时间段内的调频信号的出现频率与调频幅度均匀，则调频损耗成本可以表示为机组的申报调频量r_i(t)乘以单位调频量损耗成本C_R。

新能源场站参与电能量市场与调频市场的成本还包括电能量的实际提供量与申报电量的偏差产生的偏差考核惩罚：

式中,k为可能出现的场景，n为场景缩减后的总场景数，P_k为第k个场景的出现概率，C_P为偏差考核惩罚因子，

为t时段第k个场景中机组i的预测出力。

因此，新能源场站参与电能量市场与调频市场的策略优化模型的目标函数可以写为：

(2-3)确定新能源场站参与电能量市场与调频市场的策略优化模型的约束条件

(2-3-1)新能源场站的每台机组都具有固有的物理容量限制，因此每个时段每台机组的申报电量g_i(t)与申报调频量r_i(t)之和不能超过其固有物理容量限制：

式中，G_i为第i台机组的最大出力容量。

(2-3-2)新能源场站的每台机组采用的控制方式不同，导致他们的出力爬坡能力不同，从而会有不同的调频申报容量的约束：

式中，R_i为第i台机组的最大出力爬坡速率。

(2-3-3)由于市场规定新能源场站实际能够提供的调频容量要尽量接近调频申报容量，因此新能源场站的总调频容量申报量在任意场景下都要小于新能源场站在该场景的总预测出力：

(2-3-4)由于市场规定新能源场站的电能量实际出力与电能量申报量之间的偏差量不允许超过Δ，因此有下面的约束：

(2-3-5)新能源场站电能量申报量与调频申报量都要为非负量，因此有下面的约束：

(2-4)对通过步骤(2-2)与(2-3)获得的策略优化模型进行求解，可以采用对偶分解法、本德斯分解法与临界域探索法(critical region exploration)等分布式算法提高计算速度，将求解得到的

与

作为t时段的电能量与调频的申报容量，可以获得预期最大收益。

(3)对新能源场站的接到的调频指令进行分解

(3-1)新能源场站内部的能量出力分解方法

一般认为，出力指令在新能源场站内部会按照机组目前的风速进行分配，以保证机组出力的稳定性，对于任意机组在t₀时刻的风速V_i ⁰(t₀)，会有一个与该风速对应的权重因子α(V_i ⁰(t₀))，在实际运行时，在不考虑调频的情况下，若新能源场站的总体出力要求为g₀(t)，则新能源场站内第i台机组收到的分解指令为:

式中，N(α(V_i ⁰(t₀)))表示与第i台机组的风速在同一范围，因此拥有权重因子α(V_i ⁰(t₀))的机组数量，此公式的含义为新能源场站的总体出力会按照权重进行分类，在同权重的机组之间平均分配。

(3-2)新能源场站内部的调频指令分解模型

(3-2-1)新能源场站内部的调频指令分解模型的目标函数

调频会使得机组的出力分类发生变化。如果新能源场站收到了调度层发来的AGC指令Δ_AGC，则需要对场站的机组出力进行调整，使整体出力变化Δ_AGC。如果按照上面的方法继续对调频指令进行分解，由于固有容量与控制方式的不同，部分机组可能无法提供对应数目的调频出力。因此可以基于上面的出力分配方法，建立基于最小二乘法的调频指令分配模型，降低新能源场站的处理波动。模型的目标函数为：

式中，

为理想的调频指令分配，r_i ⁰(t₀)为第i台机组实际的调频分配指令。

(3-2-2)新能源场站内部的调频指令分解模型的约束条件

首先，新能源场站整体的调频响应量要等于调度层传来的总调频指令，即：

同时，机组固有的物理容量限制、机组控制方式不同导致的出力爬坡能力限制会对机组能够承担的调频分解指令形成约束，而t₀时段的气象条件也会限制机组的最大出力，分别表示为：

式中，

为第i台机组在t₀时段的气象条件下可以实现的最大出力。

对通过步骤(3-2-1)与(3-2-2)获得的调频指令分解模型进行求解，可以获得总调频指令在各个机组之间的分解信号r_i(t₀)。

以上给出了本发明涉及的具体实施方式，但本发明不局限于所描述的实施方式。在本发明给出的思路下，采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改，并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同，这样形成的技术方案是对上述实施例进行微调形成的，这种技术方案仍落入本发明的保护范围内。

Claims (6)

1.一种新能源场站内部调频指令分解模型构建方法，其特征在于，包括：

对新能源场站的出力场景进行预测，同时采用聚类算法中的快速前代缩减法对新能源场站的出力场景进行缩减；

基于缩减后的出力场景，构建新能源场站参与电能量市场与调频市场的策略优化模型，确定新能源场站的电能量与调频的最佳申报容量；

建立新能源场站内部的调频指令分解模型，保证系统调频指令的顺利执行；

新能源场站内部的能量出力分解方法如下：出力指令在新能源场站内部会按照机组目前的风速进行分配，以保证机组出力的稳定性，对于任意机组在t₀时刻的风速

会有一个与该风速对应的权重因子

在实际运行时，在不考虑调频的情况下，若新能源场站的总体出力要求为g⁰(t₀)，则新能源场站内第i台机组收到的分解指令为：

式中，

表示与第i台机组的风速在同一范围，因此拥有权重因子

的机组数量，此公式的含义为新能源场站的总体出力会按照权重进行分类，在同权重的机组之间平均分配；

新能源场站内部的调频指令分解模型的目标函数为：

式中，

为理想的调频分配指令，

为第i台机组实际的调频分配指令；

新能源场站内部的调频指令分解模型的约束条件为：

首先，新能源场站整体的调频响应量要等于调度层传来的总调频指令，即：

同时，机组固有的物理容量限制、机组控制方式不同导致的出力爬坡能力限制会对机组能够承担的调频分解指令形成约束，而t₀时段的气象条件也会限制机组的最大出力，分别表示为：

式中，

为第i台机组在t₀时段的气象条件下可实现的最大出力；

对获得的调频指令分解模型进行求解，获得总调频指令在各个机组之间的分解信号；

新能源场站参与电能量市场与调频市场的策略优化模型的构建内容如下：

步骤1)，应用的市场规则设置

在构建模型时，市场环境为实时电力市场环境，电能量与调频十五分钟出清一次；用户在实时市场的前一天需要提交第二天全部时段的申报电量、申报调频量与电能量跟调频的申报价格，即要进行96个时段的策略优化；新能源场站在实时市场中为自调度用户，在参与市场时只提交电能量申报电量与调频申报电量，电能量与调频的申报价格均为0，在市场出清时能够保证电能量与调频的申报容量全部被出清；市场出清后按照节点边际电价与调频价格对出清电能量进行结算，同时按照电能量的实际提供量与申报电量的偏差对新能源场站进行偏差考核与惩罚，且偏差量不允许超过△，△为系统运营商预先设定的最大偏差量，同时实际能够提供的调频容量要尽量接近调频申报容量，否则影响后续调频市场的参加；

步骤2)，确定新能源场站参与电能量市场与调频市场的策略优化模型的目标函数

新能源场站参与电能量市场与调频市场的策略优化模型的目标函数分为两部分，分别是新能源场站参与电能量市场与调频市场的预期收益，以及新能源场站参与电能量市场与调频市场的所有成本；

新能源场站参与电能量市场与调频市场的预期收益表示为：

式中，λ_E，t与λ_R，t为新能源场站预测的t时段的节点边际电价与调频价格，g_i(t)为t时段第i台机组的申报电量，r_i(t)为t时刻第i台机组的申报调频量；NG表示新能源场站内的机组数量，T表示时段数量；

新能源场站参与电能量市场与调频市场的所有成本分为两部分，首先是新能源场站的运行维护成本与调频损耗成本：

首先，新能源场站的风电机组在运行过程中，由于风机的旋转，会造成扇叶与风机内部传动机构的磨损，从而降低风电机组的运行寿命，将这种成本折算为机组的申报电量g_i(t)乘以单位电量运行维护成本C_o；其次，在参与调频的过程中，风电机组会频繁的对自身的转速、扇叶角度进行调整，这个调整过程也会产生损耗，假设每个时间段内的调频信号的出现频率与调频幅度均匀，则调频损耗成本表示为机组的申报调频量r_i(t)乘以单位调频量损耗成本C_R；

新能源场站参与电能量市场与调频市场的所有成本还包括电能量的实际提供量与申报电量的偏差产生的偏差考核惩罚：

式中，k为可能出现的场景，n为场景缩减后的总场景数，P_k为第k个场景的出现概率，C_P为偏差考核惩罚因子，

为t时段第k个场景中机组i的预测出力；

新能源场站参与电能量市场与调频市场的策略优化模型的目标函数为：

步骤3)，新能源场站参与电能量市场与调频市场的策略优化模型的约束条件

新能源场站的每台机组都具有固有的物理容量限制，因此每个时段每台机组的申报电量g_i(t)与申报调频量r_i(t)之和不能超过其固有物理容量限制：

式中，G_i为第i台机组的最大出力容量；

新能源场站的每台机组采用的控制方式不同，导致它们的出力爬坡能力不同，从而会有不同的调频申报容量的约束：

式中，R_i为第i台机组的最大出力爬坡速率；

由于市场规定新能源场站实际能够提供的调频容量要尽量接近调频申报容量，因此新能源场站的总调频容量申报量在任意场景下都要小于新能源场站在该场景的总预测出力：

由于市场规定新能源场站的电能量实际出力与电能量申报量之间的偏差量不允许超过△，因此有下面的约束：

新能源场站电能量申报量与调频申报量都要为非负量，因此有下面的约束：

步骤4)，对步骤2)与3)获得的策略优化模型进行求解，采用分布式算法提高计算速度，将求解得到的

与

作为t时段的电能量与调频的申报容量，获得预期最大收益。

2.根据权利要求1所述的新能源场站内部调频指令分解模型构建方法，其特征在于，对新能源场站的出力场景进行预测时，首先获得未来气象信息预测数据，包括风速预测数据和气温预测数据；接着结合历史气象数据与历史实际出力数据，生成大量的新能源场站出力的可能场景，同时获得每个场景的出现概率。

3.根据权利要求1所述的新能源场站内部调频指令分解模型构建方法，其特征在于，采用聚类算法中的快速前代缩减法对新能源场站的出力场景进行缩减的具体步骤如下：

步骤一：i＝1，计算所有场景两两之间的距离

接着计算每个场景与其他所有场景的加权距离

其中p_q代表场景q的出现概率；找出所有场景里与其他场景加权距离最近的场景

同时从M₀中去掉r₁，即M_i＝1，…，N\r₁；

步骤二：i＝i+1，对场景q，考虑i步骤中场景q与其他任意场景r之间的距离

首先计算i-1步骤中场景q与场景r的距离

同时计算i-1步骤中场景q与被缩减场景r_i-1的距离

并将

设置为两者的较小值，即

计算M_i-1中每个场景与其他所有场景的加权距离

找出M_i-1中所有场景里与其他场景加权距离最近的场景

同时从M_i-1中去掉r_i，即M_i＝M_i-1\r_i；

步骤三：如果被选中的缩减后场景数量小于n，返回步骤2；

步骤四：将没有被选中的剩余场景的概率，加给离它距离最近的被选中场景，即：

其中，

在出力场景缩减算法中，i为步骤执行次数，总共的场景数量为N，场景缩减目标为n，

为总场景的集合，

为被选中作为缩减后场景的集合，M_i为i次后为被选中的场景集合，s为场景，q，r为任意场景，q，r＝1，…，N。

4.根据权利要求3所述的新能源场站内部调频指令分解模型构建方法，其特征在于，在使用快速前代缩减法将场景数量缩减到n后，采用邓恩指数对场景的聚类缩减效果评价。

5.根据权利要求4所述的新能源场站内部调频指令分解模型构建方法，其特征在于，对于被选中作为缩减后场景的集合

中任意场景m，定义所有未被选中场景中，与其距离最近的被选中场景为m的未被选中场景集合为O(m)，即O(m)为一簇未被选中场景；对于任意被选中场景m₁，m₂，其对应的未被选中场景簇的最短簇间距离为

对应的未被选中场景簇的最长簇内距离为

邓恩指数的表达形式如下：

邓恩指数越小，说明同一簇内的场景距离越小，不同簇间的场景距离越大，即聚类的效果越好。

6.根据权利要求5所述的新能源场站内部调频指令分解模型构建方法，其特征在于，在实际操作时，应当在进行快速前代场景数量缩减前，预先设定可以接受的最大邓恩指数DVI₀，如果进行快速前代缩减后的邓恩指数大于DVI₀，则要考虑对场景缩减目标进行调整。

Images