CN113872253A - 抽水蓄能电站联合新能源发电优化调度方法及装置 - Google Patents

Abstract

本公开提出一种抽水蓄能电站联合新能源发电优化调度方法及装置，属于电网及储能系统调度技术领域。其中所述方法包括：将抽水蓄能电站及与其相连的各新能源场站作为联合系统，建立新能源场站日前发电功率相对预测误差场景集；在该场景集下，建立含抽水蓄能电站和新能源发电的联合系统预调度模型并求解，得到各抽水蓄能机组在次日各时刻的启停机状态和各场景下次日各时刻的上下水库蓄水量；对上下水库蓄水量进行迭代优化后，得到抽水蓄能电站与新能源场站联合发电的优化调度方案。本公开针对抽水蓄能电站在调度中水头变化对功率与流量产生非线性影响的问题提出优化求解方法，可得到更为精确的抽水蓄能电站联合新能源发电优化调度方案。

Description

抽水蓄能电站联合新能源发电优化调度方法及装置

技术领域

本公开涉及电网及储能系统调度技术领域，尤其涉及一种抽水蓄能电站联合新能源发电优化调度方法及装置。

背景技术

近年来我国能源结构加速转型，可再生能源接入规模不断增加，新形势下电网对大规模新能源场站接入和新能源发电送出提出了更高的要求。由于新能源发电具有较大的波动性，目前在调度新能源的过程中存在一定困难。因此，考虑将具有一定调节能力的电源与新能源配合使用，这对于提升新能源的可调度性是十分有必要的。

立足于目前技术经济条件，使用抽水蓄能提升新能源消纳量具有较好的可行性。抽水蓄能电站是目前促进可再生能源并网的最理想的储能系统形式。抽水蓄能电站在电网需求水平较低时，将部分风电、光伏出力存储起来，在电网需求水平较高时再将电能释放出来为电网供电，以解决电力系统的调峰、减少新能源基地的弃风弃光。除此之外，抽水蓄能电站还可以用于大容量输电通道故障后提供快速的功率支援，是确保电网可靠运行的有效手段。

目前，我国在运行抽水蓄能机组全部为传统的定速恒频抽水蓄能机组，发电工况功率调节范围窄且水泵工况无法调节功率。随着技术的发展，采用交流励磁技术的可变速抽水蓄能机组可通过转子交流励磁方式实现变速恒频运行，具有较快的功率响应速度，可以提升机组在发电和抽水状态的功率调节范围。目前，我国抽水蓄能电站主要作为一种灵活性发电资源直接接受电网调度，参与电网的运行。随着新能源装机规模的增加和电力市场制度的完善，将含定速与可变速机组的抽水蓄能电站与新能源场站视作一个整体共同参与电网能量市场可以作为一种新的运行模式。

目前，对于含抽水蓄能电站和新能源发电的联合系统运行调度研究，抽水蓄能电站优化调度中通常假设水库水头为常水头或者直接按抽水蓄能电站的抽水和发电小时数估算，制定抽水蓄能电站调度计划。但在实际运行中，抽水蓄能电站水库蓄水量和水头会随着抽水和发电过程发生变化，机组的抽水和发电功率-流量关系会受到影响。为此，为了提升抽水蓄能电站和新能源发电联合系统的运行调度准确性，给出更加合理的调度计划需要在调度过程中需要考虑水头影响。直接对水头非线性特性建模，并将其运行在多机组抽水蓄能电站优化运行调度模型会导致问题求解复杂。所以，现有研究所提出的调度策略需要进一步优化，以满足考虑水头影响时抽水蓄能电站联合新能源发电精细化调节需求。

发明内容

本公开的目的是为克服已有技术的不足之处，抽水蓄能电站联合新能源发电优化调度方法及装置。本公开针对抽水蓄能电站在调度过程中水头变化对功率与流量产生非线性影响的问题提出优化求解方法，相较常水头假设给出更为精确的抽水蓄能电站联合新能源发电优化调度方案。

本公开第一方面实施例提出一种抽蓄电站联合新能源发电优化调度方法，包括：

对与抽水蓄能电站相连的每个新能源场站的发电功率进行分类，对所述新能源场站的每个分类建立对应的发电功率相对预测误差概率模型；

获取次日所述每个新能源场站的日前预测发电功率数据，根据所述发电功率相对预测误差概率模型，建立新能源场站日前发电功率相对预测误差场景集；

在所述新能源场站日前发电功率相对预测误差场景集下，建立含抽水蓄能电站和新能源发电的联合系统预调度模型；

求解所述含抽水蓄能电站和新能源发电的联合系统预调度模型，得到所述抽水蓄能电站中各抽水蓄能机组在次日各时刻的启停机状态和所述场景集中各场景下次日各时刻的上下水库蓄水量；

将所述场景集中各场景下次日各时刻的上下水库蓄水量作为初始值并进行迭代优化，得到所述抽水蓄能电站与所述新能源场站联合发电的优化调度方案，其中所述优化调度方案包括：所述抽水蓄能电站中各抽水蓄能机组在次日各时刻的启停机状态和抽水发电功率。

在本公开的一个具体实施例中，所述对与抽水蓄能电站相连的每个新能源场站的发电功率进行分类，对所述新能源场站的每个分类建立对应的发电功率相对预测误差概率模型，包括：

1)获取与抽水蓄能电站相连的新能源场站各历史采样时刻的发电功率数据和预测功率数据；

其中，将任一新能源场站r的第i个历史采样时刻的发电功率和预测功率分别记为P_r，his(i)和

2)计算各新能源场站在每个历史采样时刻发电功率预测相对误差，表达式为：

其中，P_r，ins为新能源场站r的装机容量，ξ_r(i)表示新能源场站r在第i个历史采样时刻发电功率相对预测误差；

3)对每个新能源场站的发电功率进行分类；具体方法为：

计算每个新能源场站的各历史采样时刻的发电功率数据占该场站装机容量的百分比记为发电功率百分比，按照设定的百分比分段类别对每个新能源场站的发电功率百分比进行分类，得到每个新能源场站的发电功率分类结果；

4)根据每个新能源场站的发电功率分类结果，对各新能源场站在每个分类中的各历史采样时刻的发电功率预测相对误差进行分布拟合，将拟合结果作为各新能源场站发电功率每个分类的发电功率相对预测误差概率模型。

在本公开的一个具体实施例中，所述分布拟合包括：

对光伏电站采用混合高斯分布拟合，对风电场采用Beta分布或正态分布拟合。

在本公开的一个具体实施例中，所述获取次日所述每个新能源场站的日前预测发电功率数据，根据所述发电功率相对预测误差概率模型，建立新能源场站日前发电功率相对预测误差场景集，包括：

1)获得每个新能源场站的日前各采样时刻的发电功率预测值，将新能源场站r在日前第i个采样时刻的发电功率预测值为

2)计算每个新能源场站日前各采样时刻的发电功率预测值占该场站装机容量的百分比作为预测百分比；根据预测百分比确定各发电功率预测值所属的发电功率分类以及对应的发电功率相对预测误差概率模型；运用蒙特卡洛方法对每个模型分别进行Q次采样模拟，获得各新能源场站在各采样时刻对应的Q组发电功率预测误差场景，将所有采样模拟结果组成Q组包含所有新能源场站的日前发电功率相对预测误差场景；

3)对Q组包含所有新能源场站的日前发电功率相对预测误差场景进行聚类，生成所有新能源场站的日前发电功率相对预测误差场景集；

其中，将场景集记为Ω，通过聚类计算场景集Ω中任一ω场景的发生概率为ρ_ω；

4)计算各新能源场站在场景集中每个场景下各采样时刻修正后的日前发电功率预测值；

其中，

为新能源场站r在ω场景下第i个采样时刻日前发电功率相对预测误差。

在本公开的一个具体实施例中，所述建立含抽水蓄能电站和新能源发电的联合系统预调度模型，包括：

1)将抽水蓄能电站及与所述抽水蓄能电站相连的各新能源场站作为联合系统，计算所述联合系统各时刻的修正负荷调度值：

式中，k为时刻序号，K为日运行调度时刻集合，β为联合系统的能量损耗系数，LF(k)为次日各时刻的地区电网负荷；

2)确定预调度模型的目标函数，表达式如下：

式中，R_w(k)表示k时刻联合系统的收益，CP_ω(k)表示在ω场景下k时刻联合系统与调度目标失配惩罚，C^PH(k)表示k时刻联合系统的启停机费用；

其中，

C^PH(k)＝(C_sun^su(k)+C_sdn^sd(k))+(C_vun^vu(k)+C_vdn^vd(k)) (7)

式中，π(k)为k时刻分时电价，G_ω(k)和P_w(k)分别表示抽水蓄能电站所有机组在ω场景下k时刻的发电功率和抽水功率，

表示新能源场站r在ω场景下k时刻的实际上网功率，Δt表示时刻间隔；α为抽水蓄能电站和新能源场站联合出力和调度目标负荷偏差惩罚系数；C_su、C_sd、C_vu、C_vd分别表示单台定速抽水蓄能机组的启动费用、单台定速抽水蓄能机组的停机费用、单台可变速抽水蓄能机组启动费用、单台可变速抽水蓄能机组停机费用；n^su(k)、n^sd(k)、n^vu(k)、n^vd(k)分别表示k时刻定速抽水蓄能机组的启动数目、k时刻定速抽水蓄能机组的停机数目、k时刻可变速抽水蓄能机组启动数目、k时刻可变速抽水蓄能机组停机数目；

3)确定预调度模型的约束条件；包括：

3-1)抽水蓄能机组运行约束；

n^sp(k+1)＝n^sp(k)+n^su(k)-n^sd(k) (8)

n^vp(k+1)＝n^vp(k)+n^vu(k)-^vd(k) (9)n^sp(k)，n^vp(k)，n^su(k)，n^sd(k)，n^vu(k)，n^vd(k)≥0 (10)

0≤n^sg(k)≤(N_s-n^sp(k)) (13)

0≤_n ^vg(k)≤(N_v-n^vp(k)) (14)

式中，n^sp(k)、n^su(k)、n^sd(k)分别表示k时刻的定速抽水蓄能机组运行在抽水状态的台数、启动机组的台数和关停机组的台数；n^vp(k)、n^vu(k)、n^vd(k)分别表示k时刻的可变速抽水蓄能机组运行在抽水状态的台数、启动的台数和关停的台数；N_s、N_v分别表示抽水蓄能电站中定速抽水蓄能机组和可变速抽水蓄能机组的安装台数；A为抽水蓄能机组日运行启停动作次数；n^sg(k)、n^vg(k)分别表示处于发电状态的定速抽水蓄能机组的台数与可变速抽水蓄能机组的台数；

和P^sp(k)分别表示单台定速抽水蓄能机组在抽水模式时抽水功率上限和k时刻抽水蓄能电站抽水功率；p ^vp和

分别表示单台可变速抽水蓄能机组工作在抽水模式时的抽水功率下限值和上限值；

表示ω场景下k时刻可变速抽水蓄能机组的抽水功率；g ^ε和

分别表示单台抽水蓄能机组在发电模式下的发电功率下限和上限，其中ε表示机组类型，ε为sg时代表定速抽水蓄能机组，ε为vg时代表可变速抽水蓄能机组；

表示抽水蓄能机组在ω场景下k时刻发电总功率；

3-2)抽水蓄能电站运行约束；

式中，

和

分别为ω场景下k时刻上、下水库的蓄水量；η_P和η_g分别表示抽水蓄能机组的抽水效率和发电效率，ρ₀、g、h_avg分别表示水的密度、重力加速度和上下水库平均水头差；T₀，T_e分别表示日运行首末时刻，δ^UR和δ^UR分别表示每日首、末时刻的最大水库蓄水量变动值；

3-3)其他约束；

式中，γ表示负荷偏差率。

在本公开的一个具体实施例中，所述将所述场景集中各场景下次日各时刻的上下水库蓄水量作为初始值并进行迭代优化，得到所述抽水蓄能电站与所述新能源场站联合发电的优化调度方案，包括：

1)利用求解预调度模型得到的

和

将

作为ω场景下k时刻上水库的蓄水量的初始值

将

作为ω场景下k时刻下水库的蓄水量的初始值

将

和

分别换算至对应的水位高度值并作差，得到上下水库在ω场景下k时刻的水头初始值

2)令迭代次数i＝1；

3)将式(20)和(21)转换为如下约束：

其中，

为第i次迭代时ω场景下k时刻抽水蓄能电站的发电功率，

为第i次迭代时ω场景下k时刻处于发电状态机组功率-流量映射关系；

为第i次迭代时ω场景下k时刻抽水蓄能电站的抽水功率，

为第i次迭代时ω场景下k时刻处于抽水状态的机组功率-流量映射关系；

4)求解以式(4)为目标函数，以(15)-(19)、(24)-(28)和(29)-(30)为约束条件的优化调度模型，得到第i次迭代时各场景下各个时刻的水库蓄水量情况

和

5)按照下式进行判定：

其中，∈为迭代收敛的误差限；

若满足式(31)，则迭代收敛，当前

和

分别为

和

的最优值，输出次日各时刻定速抽水蓄能机组和可变速抽水蓄能机组的启停机状态n^sp(k)，n^vp(k)，n^sg(k)，n^vg(k)，以及对应所述

和

的最优值的P^sp(k)、

P^vp(k)、

作为最终的抽水蓄能电站联合新能源发电的优化调度方案；否则，令i＝i+1，然后重新返回步骤4)。

在本公开的一个具体实施例中，所述功率-流量映射关系通过抽水蓄能机组功率-流量-水头关系曲线获取。

本公开第二方面实施例提出一种抽水蓄能电站联合新能源发电优化调度装置，包括：发电功率相对预测误差概率模型构建模块，用于对与抽水蓄能电站相连的每个新能源场站的发电功率进行分类，对所述新能源场站的每个分类建立对应的发电功率相对预测误差概率模型；

相对预测误差场景集构建模块，用于获取次日所述每个新能源场站的日前预测发电功率数据，根据所述发电功率相对预测误差概率模型，建立新能源场站日前发电功率相对预测误差场景集；

预调度模型构建模块，用于在所述新能源场站日前发电功率相对预测误差场景集下，建立含抽水蓄能电站和新能源发电的联合系统预调度模型；

预调度模型求解模块，用于求解所述含抽水蓄能电站和新能源发电的联合系统预调度模型，得到所述抽水蓄能电站中各抽水蓄能机组在次日各时刻的启停机状态和所述场景集中各场景下次日各时刻的上下水库蓄水量；

优化调度方案生成模块，用于将所述场景集中各场景下次日各时刻的上下水库蓄水量作为初始值并进行迭代优化，得到所述抽水蓄能电站与所述新能源场站联合发电的优化调度方案，其中所述优化调度方案包括：所述抽水蓄能电站中各抽水蓄能机组在次日各时刻的启停机状态和抽水发电功率。

本公开第三方面实施例提出一种电子设备，包括：

至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述一种抽水蓄能电站联合新能源发电优化调度方法。

本公开第四方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述一种抽水蓄能电站联合新能源发电优化调度方法。

本公开的特点及有益效果：

1.本公开通过构建抽水蓄能电站和新能源场站联合系统，实现了新能源基地新能源场站发电功率汇集输送，通过优化调度抽水蓄能电站机组运行保证联合系统功率送出满足电网调峰运行要求，提升电网运行安全性。

2.本公开充分考虑新能源场站出力的不确定性，通过引入新能源出力场景集的方式针对抽水蓄能电站和新能源发电联合系统建立优化调度模型。相较于当前应用中基于常水头假设的调度模型而言，通过考虑调度过程水头对功率的影响，可以提升联合系统参与市场运行调度的准确性，更加合理地利用抽水蓄能电站。

3.运用本公开中考虑水头变化影响的迭代算法，可以有效给出不同时刻反映不同水头情况的抽水蓄能电站的运行方案。

附图说明

图1是本公开实施例的一种抽水蓄能电站联合新能源发电优化调度方法的整体流程图。

图2是本公开一个具体实施例中光伏电站发电功率百分比为在25％-35％分类的相对预测误差模型示意图。

图3是本公开一个具体实施例中可变速抽水蓄能机组发电状态“功率-流量-水头”关系曲线及运行迭代示意图。

图4是本公开一个具体实施例中可变速抽水蓄能机组抽水状态“功率-流量-水头”关系曲线及运行迭代示意图。

具体实施方式

本公开提出一种抽水蓄能电站联合新能源发电优化调度方法及装置，下面结合附图和实施例对本公开进一步详细说明如下。

本公开第一方面实施例提出一种抽水蓄能电站联合新能源发电优化调度方法，整体流程如图1所示，包括以下步骤：

1)根据历史数据对与抽水蓄能电站相连的各新能源场站发电功率进行分类，并对每个分类建立发电功率相对预测误差概率模型；具体步骤如下：

1-1)获取与任一抽水蓄能电站相连的新能源场站选定历史时段(在本公开的一些实施例中采用过去的3-5年)各历史采样时刻的发电功率数据和对应时刻的预测功率数据，本公开实施例中，所述新能源场站为风电场和光伏电站，数据的采样周期为15分钟。

将任一新能源场站r(光伏电站和风电场)的第i个历史采样时刻发电功率和预测功率分别记为P_r，his(i)和

1-2)计算各新能源场站在每个历史采样时刻发电功率预测相对误差，表达式为：

其中，P_r，ins为新能源场站r的装机容量，ξ_r(i)表示新能源场站r在第i个历史采样时刻发电功率相对预测误差，ξ_r(i)＜0表示该时刻新能源场站预测发电功率小于实际发电功率；ξ_r(i)＞0表示该时刻新能源场站预测发电功率大于实际发电功率。

1-3)对每个新能源场站的发电功率数据进行分类；具体方法为：

计算步骤1-1)获取的每个新能源场站的各历史采样时刻的发电功率数据占该场站装机容量的百分比(以下简称发电功率百分比)，然后按照设定的百分比分段类别(本公开的是实施例中按照0-5％，5％-15％，15％-25％，……对发电功率百分比划分类别，每类间隔10％)，对计算得到的各新能源场站的百分比计算结果进行分类作为该新能源场站的发电功率的分类结果，从而得到每个新能源场站的发电功率分类结果。

对于新能源场站r，若存在任一分类的发电功率百分比数据量占总数据量的百分比小于设定的百分比阈值(本公开实施例中该百分比阈值为5％)，则将该分类中的发电功率百分比数据与下一级分类的发电功率百分比数据数据合并为一类；其中，若最低一级分类中的数据量占总数据量的百分比小于设定的百分比阈值，则将该分类的数据与上一级分类的数据合并为一类，直至该新能源场站发电功率分类结果中各分类的数据量占总数据量的百分比大于等于设定的百分比阈值，则该新能源场站发电功率分类完毕。

在本公开的一个实施例中，若发电功率百分比处于0-5％分类中的数据量不足总数据量的5％，则将该分类与5％-15％一类合并，直至所有类型新能源场站历史发电功率数据分类后所有类别数据量均大于总数量的5％。

1-4)根据步骤1-3)的分类结果，对各新能源场站在每个分类中的各历史采样时刻的发电功率预测相对误差进行拟合，得到各新能源场站发电功率每个分类的发电功率相对预测误差概率模型。

本公开实施例中，对于新能源场站r，按照步骤1-3)的分类结果绘制各分类中发电功率预测相对预测误差ξ_r(i)的直方图统计情况，在每个直方图统计中相对预测误差百分比间隔选取为2％-5％。针对每个新能源场站r发电功率的每个分类中相对预测误差统计情况选取形状相类似的分布进行拟合，确定各种分布的参数。图2所示为本公开一个具体实施例中某光伏电站发电功率百分比介于25％-35％的相对预测误差直方图统计结果与采用混合高斯分布模型拟合结果。本公开的一些实施例中，对于光伏电站数据建议选择混合高斯分布拟合，对于风电场数据选择Beta分布或者正态分布拟合。根据(Matlab/R/Python)自带拟合工具箱计算结果，选择使得拟合指标最优的分布模型为新能源场站r每个分类对应的发电功率相对预测误差概率模型。

2)从调度中心获得次日所有可再生能源场站日前预测发电功率数据，通过蒙特卡洛模拟和聚类生成新能源场站的日前发电功率预测误差场景，计算各个新能源场站在考虑预测误差修正后的发电功率预测数据。具体步骤如下：

2-1)从调度中心获得与抽水蓄能电站相连每个新能源场站的日前采样周期为T_s(建议为15分钟)的发电功率预测数据，一天共计K_s个采样时刻，本实施例中，采样周期为15分钟时，一天共计96各采样时刻。新能源场站r在日前第i个采样时刻的发电功率预测值为

2-2)新能源日内发电功率具有不确定性，为提升抽水蓄能电站联合新能源场站运行效益，需要考虑新能源场站发电功率不确定性对模型造成的影响。本公开实施例中通过构造场景集的方式考虑不同新能源场站发电功率预测不确定性。

具体来说，对于装机容量为P_r，ins的新能源场站r，根据所获得的次日各采样时刻新能源场站发电功率预测值，计算该预测值占该场站装机容量的百分比作为预测百分比。根据预测百分比确定各发电功率预测值所属的发电功率分类以及对应的发电功率相对预测误差概率模型，运用蒙特卡洛方法对每个模型采样模拟，获得次日各采样时刻对应的Q组(本公开实施例Q取值500-1000)发电功率预测误差场景(其中，每个时刻都取Q组场景)。然后将场景按照生成顺序从1至Q依次编号，对所有新能源场站根据各自新能源发电功率预测误差分布模型生成Q组日前发电功率相对预测误差场景(例如：对任一场站，将每个时刻的1号场景组合成该场站的1号场景，每个时刻2号场景组成该场站的2号场景，以此类推)，每个新能源场站的每组场景包含N_s个时刻的采样结果。。

2-3)将各新能源场站对应的编号相同的日前发电功率相对预测误差场景视作同一次采样获得结果，共得到Q组包含所有新能源场站的日前发电功率相对预测误差场景，对该Q组包含所有新能源场站的日前发电功率相对预测误差场景进行聚类，生成所有新能源场站的日前发电功率相对预测误差场景集。

本公开的一个实施例中，若新能源场站总数为R，将各新能源场站相对预测误差采样结果依次按照新能源场站编号拼接生成考虑所有新能源场站发电功率相对预测误差的特征矩阵X，该矩阵有Q行，R×K_s列。对于该特征矩阵运用K-means聚类方法，生成W组(3-5组)所有新能源场站的日前发电功率相对预测误差场景构成场景集Ω，根据聚类计算结果计算得到场景集中任一ω场景的发生概率记为ρ_ω。

2-4)计算各新能源场站在场景集中各场景下每个采样时刻修正后的日前发电功率预测值。

在本公开的实施例中，假设新能源场站r在预测误差ω场景时，预测误差序列为

其中

为新能源场站r在ω场景下第i个采样时刻日前发电功率相对预测误差。此时，新能源场站r在ω场景下对应日前发电功率预测绝对误差序列为

因此，鉴于新能源场站实际发电功率的运行限制，新能源场站r在ω场景下第i个采样时刻修正后的日前预测发电功率值

为：

最终，通过式(2)修正后，获得场景集Ω中每个新能源场站在各个采样时刻修正后的日前发电功率预测值。

3)将抽水蓄能电站及其相连的各新能源场站作为联合系统，建立含抽水蓄能电站和新能源发电的联合系统预调度模型，该模型用于确定次日抽水蓄能电站不同时刻机组启停状态和水库蓄水量迭代初始点，该模型由目标函数和约束条件构成。具体步骤如下：

3-1)确定抽水蓄能电站与新能源场站联合出力调度曲线；

根据电网调峰要求，抽水蓄能电站和新能源场站联合出力曲线应尽可能与外界负荷曲线形状一致。因此，需要从调度中心获取次日不同时刻的地区电网负荷曲线LF(k)，其中k为时刻序号。参考新能源场站出力情况的抽水蓄能新能源联合系统修正负荷调度曲线L(k)为：

式中，K为日运行调度时刻集合，β代表抽水蓄能新能源发电联合系统的能量损耗系数，该系数数值略高于抽水蓄能电站抽水/发电效率，本实施例中根据调度要求可以取为0.8-0.9。

3-2)确定含抽水蓄能和新能源发电的联合系统预调度模型的目标函数；

抽水蓄能电站与新能源场站联合系统调度目标函数为考虑分时电价、新能源发电功率不确定性和电网调峰要求情况下联合系统调度收益最大，该目标函数可以表示为：

式中，R_ω(k)、GP_ω(k)和C^PH(k)分别表示k时刻抽水蓄能电站与新能源场站联合系统的收益、ω场景下联合系统与调度目标失配惩罚和启停机费用。各项分别表示如下：

C^PH(k)＝(C_sun^su(k)+C_sdn^sd(k))+(C_vun^vu(k)+C_vdn^vd(k)) (7)

式(5)中，π(k)为k时刻分时电价，G_ω(k)和P_w(k)分别表示抽水蓄能电站所有机组在ω场景下k时刻的发电功率和抽水功率，

表示新能源场站r在ω场景下k时刻的实际上网功率，Δt表示时刻间隔。式(6)中，α为抽水蓄能电站和新能源场站联合出力和调度目标负荷偏差惩罚系数，该系数取值可以根据调度部门运行经验设置。本公开的一些实施例中，查阅文献可知，该参数可以设置范围介于0.3至0.8。式(7)中，C_su、C_sd、C_vu、C_vd分别表示单台定速抽水蓄能机组的启/停费用和单台可变速抽水蓄能机组启/停费用。n^su(k)、n^sd(k)、n^vu(k)、n^vd(k)分别表示k时刻定速抽水蓄能机组启/停机数目和可变速抽水蓄能机组启/停机数目。

3-3)确定含抽水蓄能和新能源发电的联合系统预调度模型的约束条件；

含抽水蓄能和新能源发电的联合系统预调度模型的运行约束由抽水蓄能机组运行约束、抽水蓄能电站运行约束和其他限制抽水蓄能与新能源联合系统运行的约束条件所组成。具体如下：

3-3-1)抽水蓄能机组运行约束；

n^sp(k+1)＝n^sp(k)+n^su(k)-n^sd(k) (8)

n^vp(k+1)＝n^vp(k)+n^vu(k)-n^vd(k) (9)

n^sp(k)，n^vp(k)，n^su(k)，n^sd(k)，n^vu(k)，n^vd(k)≥0 (10)

0≤n^sg(k)≤(N_s-n^sp(k)) (13)

0≤n^vg(k)≤(N_v-n^vp(k)) (14)

其中，式(8)-(10)表示抽水蓄能电站中处于抽水状态机组数量的连续性约束。n^sp(k)、n^su(k)、n^sd(k)分别表示k时刻的定速抽水蓄能机组运行在抽水状态的台数、启动机组的台数和关停机组的台数。n^vp(k)、n^vu(k)、n^vd(k)分别表示k时刻的可变速抽水蓄能机组运行在抽水状态的台数、启动的台数和关停的台数。

式(11)-(12)表示抽水蓄能电站机组的水泵启停机次数约束，其中N_s、N_v分别表示抽水蓄能电站中定速抽水蓄能机组和可变速抽水蓄能机组的安装台数。A为抽水蓄能机组日运行启停动作次数。

式(13)-(14)表示抽水蓄能机组抽水与发电状态机组数目的互斥约束，n^sg(k)、n^vg(k)分别表示处于发电状态的定速抽水蓄能机组的台数与可变速抽水蓄能机组的台数。

式(15)-(17)表示抽水蓄能电站同类型机组抽水与发电功率约束。

和P^sp(k)分别表示单台定速抽水蓄能机组在抽水模式时抽水功率上限和k时刻抽水蓄能电站抽水功率。p ^vp和

分别表示单台可变速抽水蓄能机组工作在抽水模式时的抽水功率下限值和上限值。

表示ω场景下k时刻可变速抽水蓄能机组的抽水功率。g ^ε和

分别表示单台抽水蓄能机组在发电模式下的发电功率下限和上限，其中ε表示机组类型，包括定速抽水蓄能机组和可变速抽水蓄能机组，ε为sg时代表定速抽水蓄能机组，ε为vg时代表可变速抽水蓄能机组。

表示抽水蓄能机组在ω场景下k时刻发电总功率。式(18)-(19)分别求取了ω场景下k时刻抽水蓄能电站的发电功率和抽水功率总和。

3-3-2)抽水蓄能电站运行约束；

式(20)-(21)表示抽水蓄能电站的蓄水量连续变化约束，

和

分别为ω场景下k时刻上、下水库的蓄水量。

式(22)-(23)分别表示抽水蓄能机组抽水功率与流量转换系数和发电功率与流量转换系数，式中η_p和η_g分别表示抽水蓄能机组的抽水效率和发电效率，ρ₀、g、h_avg分别表示水的密度、重力加速度和上下水库平均水头差。本公开实施例中抽水蓄能电站为封闭式抽水蓄能电站，不考虑上水库来水和下水库发电情况。

式(24)-(25)为抽水蓄能电站的上、下水库运行范围约束。为保证抽水蓄能电站的连续运行，式(26)限制了日运行起止时刻水库蓄水量的变化范围，式中T₀，T_e分别表示日运行首末时刻，δ ^UR和

分别表示每日首、末时刻的最大水库蓄水量变动值(本公开的一些实施例中可以取为上水库总库容的0％-8％)。

3-3-3)其他约束；

式(27)保证了ω场景下k时刻实际上网的新能源发电功率不会超过该时刻的新能源发电功率预测值。式(28)限制了抽水蓄能电站与新能源联合系统对外供电需要在负荷需求的一定范围内，γ表示负荷偏差率，本公开实施例中该数值根据调度需求可以取为5％-15％。

3-4)采用CPLEX、Gurobi等优化求解软件求解预调度模型，获取次日各时刻定速抽水蓄能机组和可变速抽水蓄能机组的启停机状态n^sp(k)，n^vP(k)，n^sg(k)，n^vg(k)和各场景下各时刻的水库蓄水量情况

和

4)在步骤3)确定各时刻机组运行状态和上、下水库蓄水量的基础上，通过迭代求解计算得到次日各时刻考虑水库水头影响的优化调度功率情况，得到抽水蓄能电站联合新能源发电的优化调度方案。具体步骤如下：

4-1)将

作为ω场景下k时刻上水库的蓄水量的初始值

将

作为ω场景下k时刻下水库的蓄水量的初始值

通过查阅抽水蓄能电站水库设计相关资料，将

和

分别换算至对应的水位高度值并作差，得到上下水库在ω场景下k时刻的水头初始值

4-2)根据不同时刻定速和可变速机组的工作情况查阅抽水蓄能机组投运前实验建立的抽水蓄能机组发电状态“功率-流量-水头”关系曲线和抽水状态“功率-流量-水头”关系曲线，确定ω场景下k时刻各类型抽水蓄能机组在相应工作状态的“流量-功率”近似线性函数关系，如图3中h⁰所指示的点划线。在该水头情况下，点划线上任意点的发电功率可以通过变换映射为流量情况；对于不同时刻而言，水库的蓄水量不同，因此水头也不同，发电状态“流量-功率”特征曲线在图3中不同位置(如

至

所示)。如图4中，h⁰所指示的点划线表示在水头为h⁰时抽水蓄能电站可变速机组的“流量-功率”函数关系；对于不同时刻而言，水库的蓄水量不同，因此水头也不同，抽水状态“流量-功率”特征曲线在图3中不同位置(如

至

所示)。图3和图4中的迭代关系式中

表示t时刻第n次迭代水头结果。随着迭代算法修正，t时刻的水头将由初始值h⁰逐渐收敛至

4-3)令迭代次数i＝1；

4-4)记第i次迭代时，ω场景下k时刻抽水蓄能电站的发电功率为

处于发电状态机组功率-流量映射关系为

抽水蓄能电站的抽水功率为

处于抽水状态的机组功率-流量映射关系为

因此，抽水蓄能电站运行约束中水库蓄水量连续性运行约束式(20)和(21)可以表示为：

需要说明的是，第i次迭代开始时，通过前一次迭代可知此次迭代的初始水头，如果机组处于发电状态就去查表图3，找到相应水头的“功率-流量”对应函数曲线，比如这个曲线可以写成函数关系：

其中Q表示流量，G表示发电功率，则此时功率和流量可以呈线性关系。如果同一水头下“功率-流量”关系呈非线性特性，可以通过分段线性化近似“功率-流量”函数关系。

同样可以按照上述方式通过查表图4获取。

4-4)求解以式(4)为目标函数，以(15)-(19)、(24)-(28)和(29)-(30)为约束条件的优化调度模型，得到第i次迭代时各场景下各个时刻的水库蓄水量情况

和

需要说明的是，步骤3)中所确定的次日各调度时刻定速抽水蓄能机组和可变速抽水蓄能机组的启停机状态在每次迭代求解时保持不变

4-5)设定迭代收敛的误差限∈，检验第i次迭代和第i-1次迭代中上水库蓄水量和下水库蓄水量差值的2-范数，判断迭代收敛的表达记为：

其中，当相邻两次迭代，两个水库蓄水量的2-范数的最大值小于误差限时，表示迭代收敛，当前

和

即为优化完毕的最优库容分别对应的

和

输出次日各调度时刻定速抽水蓄能机组和可变速抽水蓄能机组的启停机状态n^sp(k)，n^vp(k)，n^sg(k)，n^vg(k)、相应时刻的定速抽水蓄能机组抽水功率和发电功率P^sp(k)、

以及可变速抽水蓄能机组抽水功率和发电功率P^vp(k)、

作为最终的抽水蓄能电站联合新能源发电的优化调度方案；

否则，令i＝i+1，然后重新返回步骤4-4)直至迭代收敛。

为了实现上述实施例，本公开第二方面实施例提出一种抽水蓄能电站联合新能源发电优化调度装置，包括：

发电功率相对预测误差概率模型构建模块，用于对与抽水蓄能电站相连的每个新能源场站的发电功率进行分类，对所述新能源场站的每个分类建立对应的发电功率相对预测误差概率模型；

相对预测误差场景集构建模块，用于获取次日所述每个新能源场站的日前预测发电功率数据，根据所述发电功率相对预测误差概率模型，建立新能源场站日前发电功率相对预测误差场景集；

预调度模型构建模块，用于在所述新能源场站日前发电功率相对预测误差场景集下，建立含抽水蓄能电站和新能源发电的联合系统预调度模型；

预调度模型求解模块，用于求解所述含抽水蓄能电站和新能源发电的联合系统预调度模型，得到所述抽水蓄能电站中各抽水蓄能机组在次日各时刻的启停机状态和所述场景集中各场景下次日各时刻的上下水库蓄水量；

优化调度方案生成模块，用于将所述场景集中各场景下次日各时刻的上下水库蓄水量作为初始值并进行迭代优化，得到所述抽水蓄能电站与所述新能源场站联合发电的优化调度方案，其中所述优化调度方案包括：所述抽水蓄能电站中各抽水蓄能机组在次日各时刻的启停机状态和抽水发电功率。

为了实现上述实施例，本公开第三方面实施例提出一种电子设备，包括：

至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述一种抽水蓄能电站联合新能源发电优化调度方法。

为了实现上述实施例，本公开第四方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述一种抽水蓄能电站联合新能源发电优化调度方法。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例的一种抽水蓄能电站联合新能源发电优化调度方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种抽水蓄能电站联合新能源发电优化调度方法，其特征在于，包括：

对与抽水蓄能电站相连的每个新能源场站的发电功率进行分类，对所述新能源场站的每个分类建立对应的发电功率相对预测误差概率模型；

获取次日所述每个新能源场站的日前预测发电功率数据，根据所述发电功率相对预测误差概率模型，建立新能源场站日前发电功率相对预测误差场景集；

在所述新能源场站日前发电功率相对预测误差场景集下，建立含抽水蓄能电站和新能源发电的联合系统预调度模型；

求解所述含抽水蓄能电站和新能源发电的联合系统预调度模型，得到所述抽水蓄能电站中各抽水蓄能机组在次日各时刻的启停机状态和所述场景集中各场景下次日各时刻的上下水库蓄水量；

将所述场景集中各场景下次日各时刻的上下水库蓄水量作为初始值并进行迭代优化，得到所述抽水蓄能电站与所述新能源场站联合发电的优化调度方案，其中所述优化调度方案包括：所述抽水蓄能电站中各抽水蓄能机组在次日各时刻的启停机状态和抽水发电功率。

2.根据权利要求1所述的方法，其特征在于，所述对与抽水蓄能电站相连的每个新能源场站的发电功率进行分类，对所述新能源场站的每个分类建立对应的发电功率相对预测误差概率模型，包括：

1)获取与抽水蓄能电站相连的新能源场站各历史采样时刻的发电功率数据和预测功率数据；

其中，将任一新能源场站r的第i个历史采样时刻的发电功率和预测功率分别记为P_r，his(i)和

2)计算各新能源场站在每个历史采样时刻发电功率预测相对误差，表达式为：

其中，P_r，ins为新能源场站r的装机容量，ξ_r(i)表示新能源场站r在第i个历史采样时刻发电功率相对预测误差；

3)对每个新能源场站的发电功率进行分类；具体方法为：

计算每个新能源场站的各历史采样时刻的发电功率数据占该场站装机容量的百分比记为发电功率百分比，按照设定的百分比分段类别对每个新能源场站的发电功率百分比进行分类，得到每个新能源场站的发电功率分类结果；

4)根据每个新能源场站的发电功率分类结果，对各新能源场站在每个分类中的各历史采样时刻的发电功率预测相对误差进行分布拟合，将拟合结果作为各新能源场站发电功率每个分类的发电功率相对预测误差概率模型。

3.根据权利要求2所述的方法，其特征在于，所述分布拟合包括：

对光伏电站采用混合高斯分布拟合，对风电场采用Beta分布或正态分布拟合。

4.根据权利要求2所述的方法，其特征在于，所述获取次日所述每个新能源场站的日前预测发电功率数据，根据所述发电功率相对预测误差概率模型，建立新能源场站日前发电功率相对预测误差场景集，包括：

1)获得每个新能源场站的日前各采样时刻的发电功率预测值，将新能源场站r在日前第i个采样时刻的发电功率预测值为

2)计算每个新能源场站日前各采样时刻的发电功率预测值占该场站装机容量的百分比作为预测百分比；根据预测百分比确定各发电功率预测值所属的发电功率分类以及对应的发电功率相对预测误差概率模型；运用蒙特卡洛方法对每个模型分别进行Q次采样模拟，获得各新能源场站在各采样时刻对应的Q组发电功率预测误差场景，将所有采样模拟结果组成Q组包含所有新能源场站的日前发电功率相对预测误差场景；

3)对Q组包含所有新能源场站的日前发电功率相对预测误差场景进行聚类，生成所有新能源场站的日前发电功率相对预测误差场景集；

其中，将场景集记为Ω，通过聚类计算场景集Ω中任一ω场景的发生概率为ρ_ω；

4)计算各新能源场站在场景集中每个场景下各采样时刻修正后的日前发电功率预测值；

其中，

为新能源场站r在ω场景下第i个采样时刻日前发电功率相对预测误差。

5.根据权利要求4所述的方法，其特征在于，所述建立含抽水蓄能电站和新能源发电的联合系统预调度模型，包括：

1)将抽水蓄能电站及与所述抽水蓄能电站相连的各新能源场站作为联合系统，计算所述联合系统各时刻的修正负荷调度值：

式中，k为时刻序号，K为日运行调度时刻集合，β为联合系统的能量损耗系数，LF(k)为次日各时刻的地区电网负荷；

2)确定预调度模型的目标函数，表达式如下：

式中，R_w(k)表示k时刻联合系统的收益，CP_ω(k)表示在ω场景下k时刻联合系统与调度目标失配惩罚，C^PH(k)表示k时刻联合系统的启停机费用；

其中，

C^PH(k)＝(C_sun^su(k)+C_sdn^sd(k))+(C_vun^vu(k)+C_vdn^vd(k)) (7)

式中，π(k)为k时刻分时电价，G_ω(k)和P_w(k)分别表示抽水蓄能电站所有机组在ω场景下k时刻的发电功率和抽水功率，

表示新能源场站r在ω场景下k时刻的实际上网功率，Δt表示时刻间隔；α为抽水蓄能电站和新能源场站联合出力和调度目标负荷偏差惩罚系数；C_su、C_sd、C_vu、C_vd分别表示单台定速抽水蓄能机组的启动费用、单台定速抽水蓄能机组的停机费用、单台可变速抽水蓄能机组启动费用、单台可变速抽水蓄能机组停机费用；n^su(k)、n^sd(k)、n^vu(k)、n^vd(k)分别表示k时刻定速抽水蓄能机组的启动数目、k时刻定速抽水蓄能机组的停机数目、k时刻可变速抽水蓄能机组启动数目、k时刻可变速抽水蓄能机组停机数目；

3)确定预调度模型的约束条件；包括：

3-1)抽水蓄能机组运行约束；

n^sp(k+1)＝n^sp(k)+n^su(k)-n^sd(k) (8)

n^vp(k+1)＝n^vp(k)+n^vu(k)-n^vd(k) (9)

n^sp(k)，n^vp(k)，n^su(k)，n^sd(k)，n^vu(k)，n^vd(k)≥0 (10)

0≤n^sg(k)≤(N_s-n^sp(k)) (13)

0≤n^vg(k)≤(N_v-n^vp(k)) (14)

式中，n^sp(k)、n^su(k)、n^sd(k)分别表示k时刻的定速抽水蓄能机组运行在抽水状态的台数、启动机组的台数和关停机组的台数；n^vp(k)、n^vu(k)、n^vd(k)分别表示k时刻的可变速抽水蓄能机组运行在抽水状态的台数、启动的台数和关停的台数；N_s、N_v分别表示抽水蓄能电站中定速抽水蓄能机组和可变速抽水蓄能机组的安装台数；A为抽水蓄能机组日运行启停动作次数；n^sg(k)、n^vg(k)分别表示处于发电状态的定速抽水蓄能机组的台数与可变速抽水蓄能机组的台数；

和P^sp(k)分别表示单台定速抽水蓄能机组在抽水模式时抽水功率上限和k时刻抽水蓄能电站抽水功率；p ^vp和

分别表示单台可变速抽水蓄能机组工作在抽水模式时的抽水功率下限值和上限值；

表示ω场景下k时刻可变速抽水蓄能机组的抽水功率；g ^ε和

分别表示单台抽水蓄能机组在发电模式下的发电功率下限和上限，其中ε表示机组类型，ε为sg时代表定速抽水蓄能机组，ε为vg时代表可变速抽水蓄能机组；

表示抽水蓄能机组在ω场景下k时刻发电总功率；

3-2)抽水蓄能电站运行约束；

式中，

和

分别为ω场景下k时刻上、下水库的蓄水量；η_P和η_g分别表示抽水蓄能机组的抽水效率和发电效率，ρ₀、g、h_avg分别表示水的密度、重力加速度和上下水库平均水头差；T₀，T_e分别表示日运行首末时刻，δ ^UR和

分别表示每日首、末时刻的最大水库蓄水量变动值；

3-3)其他约束；

式中，γ表示负荷偏差率。

6.根据权利要求5所述的方法，其特征在于，所述将所述场景集中各场景下次日各时刻的上下水库蓄水量作为初始值并进行迭代优化，得到所述抽水蓄能电站与所述新能源场站联合发电的优化调度方案，包括：

1)利用求解预调度模型得到的

和

将

作为ω场景下k时刻上水库的蓄水量的初始值

将

作为ω场景下k时刻下水库的蓄水量的初始值

将

和

分别换算至对应的水位高度值并作差，得到上下水库在ω场景下k时刻的水头初始值

2)令迭代次数i＝1；

3)将式(20)和(21)转换为如下约束：

其中，

为第i次迭代时ω场景下k时刻抽水蓄能电站的发电功率，

为第i次迭代时ω场景下k时刻处于发电状态机组功率-流量映射关系；

为第i次迭代时ω场景下k时刻抽水蓄能电站的抽水功率，

为第i次迭代时ω场景下k时刻处于抽水状态的机组功率-流量映射关系；

4)求解以式(4)为目标函数，以(15)-(19)、(24)-(28)和(29)-(30)为约束条件的优化调度模型，得到第i次迭代时各场景下各个时刻的水库蓄水量情况

和

5)按照下式进行判定：

其中，∈为迭代收敛的误差限；

若满足式(31)，则迭代收敛，当前

和

分别为

和

的最优值，输出次日各时刻定速抽水蓄能机组和可变速抽水蓄能机组的启停机状态n^sp(k)，n^vp(k)，n^ss(k)，n^vg(k)，以及对应所述

和

的最优值的P^sp(k)、

P^vp(k)、

作为最终的抽水蓄能电站联合新能源发电的优化调度方案；否则，令i＝i+1，然后重新返回步骤4)。

7.根据权利要求6所述的方法，其特征在于，所述功率-流量映射关系通过抽水蓄能机组功率-流量-水头关系曲线获取。

8.一种抽水蓄能电站联合新能源发电优化调度装置，其特征在于，包括：

发电功率相对预测误差概率模型构建模块，用于对与抽水蓄能电站相连的每个新能源场站的发电功率进行分类，对所述新能源场站的每个分类建立对应的发电功率相对预测误差概率模型；

相对预测误差场景集构建模块，用于获取次日所述每个新能源场站的日前预测发电功率数据，根据所述发电功率相对预测误差概率模型，建立新能源场站日前发电功率相对预测误差场景集；

预调度模型构建模块，用于在所述新能源场站日前发电功率相对预测误差场景集下，建立含抽水蓄能电站和新能源发电的联合系统预调度模型；

预调度模型求解模块，用于求解所述含抽水蓄能电站和新能源发电的联合系统预调度模型，得到所述抽水蓄能电站中各抽水蓄能机组在次日各时刻的启停机状态和所述场景集中各场景下次日各时刻的上下水库蓄水量；

优化调度方案生成模块，用于将所述场景集中各场景下次日各时刻的上下水库蓄水量作为初始值并进行迭代优化，得到所述抽水蓄能电站与所述新能源场站联合发电的优化调度方案，其中所述优化调度方案包括：所述抽水蓄能电站中各抽水蓄能机组在次日各时刻的启停机状态和抽水发电功率。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7任一项所述的方法。

Images