CN115733146A - 一种源荷储多时间尺度协调调度模型 - Google Patents

Abstract

本发明涉及电力调度技术领域，具体地说，涉及一种源荷储多时间尺度协调调度模型。包括同时接入电网系统的风电场景、以可转移负荷为代表的负荷、电池储能电站、风储一体化电站、抽水蓄能电站以及常规发电机组。本发明设计运用场景分析法刻画风电，可以保证系统模型约束在精简场景集中均可以完美满足；通过对负荷曲线进行‑削峰填谷，使得常规机组调节范围很小，可以更快速地跟踪控制中心的调度命令，大大增强了电网对风电的吸收；结合电池储能电站、风储一体化电站、抽水蓄能电站和常规发电机组的均衡调度，使得风电从完全不确定逐渐变得有一定的可控和可调特性，能够有效解决传统方法难以有效处理风电不确定性因素的难题。

Description

一种源荷储多时间尺度协调调度模型

技术领域

本发明涉及电力调度技术领域，具体地说，涉及一种源荷储多时间尺度协调调度模型。

背景技术

随着可再生资源的不断利用，大规模的风力发电不断并入电网当中，传统发电仅依靠火电机组来进行调度的调度模式已经无法使风电电力安全并入电网，风电也因本身的不确定性以及反调峰性，传统调度模式中的调度也因此更加困难，同时风电更多受风电机组当地的气候影响，风电的不确定性过高，需要对常规机组进行频繁的启停控制与电力系统的不断调度完成调峰需求，导致机组发电效率降低，同时对整个电力系统的安全稳定运行有着巨大的威胁。

储能技术与需求响应技术的不断发展为解决大规模的风电安全并入电网这一问题给出了很多解决思路，同时也提供了很多的解决方法，即建立“源-荷-储”三方调度模型，提高电网对风电的消纳能力，降低常规机组调节负担，同时也因为引入了储能与需求响应部分，使得能最大化利用发电资源，同时用户需求侧也可以受激励机制引导，将电网需求侧用户用电习惯改变，使得负荷侧与模型相贴合；最终以达到最大经济效益，同时削峰填谷，完善调度结果，使得电网可以更快消纳风电。

随着储能与需求响应并入电力系统当中，针对风电并网，考虑到风电本身的不确定性，波动性与难预测性，若要安全地让电网消纳风电，需要针对不同风电模型进行分析，对传统调度模式作出修改，将风电不确定性考虑入电网消纳当中，优化系统安全经济运行。然而，现有技术的传统方法仍然存在难以有效处理风电不确定性因素的难题。鉴于此，我们提出了一种源荷储多时间尺度协调调度模型。

发明内容

本发明的目的在于提供一种源荷储多时间尺度协调调度模型，以解决上述背景技术中提出的问题。

为实现上述技术问题的解决，本发明的目的之一在于，提供了一种源荷储多时间尺度协调调度模型，包括同时接入电网系统的风电场景、主要由常规负荷和可转移负荷组成且以可转移负荷为代表的负荷、电池储能电站、风储一体化电站、抽水蓄能电站以及常规发电机组；其中：

所述风电场景，是运用场景分析法进行刻画的，通过对风电历史数据的预处理，将风电数据抽象为风电场景并对风电场景进行削减；

所述可转移负荷，通过对需求侧响应资源的调度，来优化负荷曲线，即对负荷曲线进行-削峰填谷，从而保证负荷曲线处于一种较为平稳的区间内，使得常规机组调节范围很小；

所述电池储能电站，采用以锂电池为核心的电池储能电站参与电网调度；

所述风储一体化电站，将风电站与电池储能系统相结合，构造出风储一体化电站模型；利用电池储能系统来缓解风电的不确定性，从而使得风电从完全不确定逐渐变得有一定的可控和可调特性，进而可以将逐渐稳定的风电从风电场侧并入电网当中参与电力协调调度；

所述抽水蓄能电站，可以作为备用的发电机组参与电力系统调度；

所述常规发电机组，用于提供电网安全稳定运行所需的绝大部分负荷。

作为本技术方案的进一步改进，所述风电场景中，运用场景分析法刻画风电的具体操作流程包括：

场景分析法的数学建模如下所示：

s,t.g_i(x,ξ_s)≤0.ξ_s∈U_s,i＝1,2,...,m

式(1)中，S为场景集中总场景数目；ω_s为场景集中某个单场景s下该场景对应的权重，即场景分析法中该场景对应概率；ξ_s则为场景s内场景的不确定量，即拟合求取误差时每个采样时段场景误差；U_s即为场景s下各采样取得误差的总集；

包含风电调度的电力系统当中，风电预测误差也可以代替常见的风电本身出力成为我们对风电场景进行分析的一个决定性变量；关于风电出力与预测误差之间的关系如下所示：

P_w＝P_wf+δ_w*P_wf(2)；

式(2)中，P_w表示的是每日风电系统实际出力情况；P_wf则表示系统前一天对风电的预测出力；δ_w则是上述实际出力与预测出力之间的误差；

同时，再以误差δ_w作为场景分析的自变量，得到的场景则是一条条基于预测误差所产生的误差曲线，每根曲线表示一个风电场景；

得到风电场景集后，由于场景数据过大，计算时过于繁琐，加大了求解负担，因此需要对场景进行削减，原始场景集当中所有单个场景概率固定，且总和为1；为了降低模型的计算量，使用同步回代消除法进行场景削减；则对原始场景集内场景通过欧氏距离来求解场景之间的距离，计算公式如下：

D_i,j,min＝minρ_iρ_jd(s_i,s_j)(3)；

式(3)中，ρ_i、ρ_j分别表示场景s_i、s_j各自当前概率(原始场景集各场景初始概率均为1/365)，d(s_i,s_j)则是场景s_i、s_j之间的欧氏距离，D_i,j,min即为两个场景之间的相似程度；D_i,j,min越小，两个场景之间的近似程度越高，D_i,j,min越大则相似程度越低；同时此时即可确定被删除的场景即为最小D_i,j,min对应的第i、j个场景；同时采用随机函数确定需要除去哪一个风电场景，每计算一次，便可削减一个风电场景，直至达到所需的场景数N_s。

作为本技术方案的进一步改进，所述可转移负荷中，电网正常运行过程中，由于用户侧负荷使用符合日常生活规律，可以更有规律的大范围调节，因此导致可转移负荷占比较大，仅仅考虑转移负荷，将其带入系统调度当中，主要是对负荷起到削峰填谷的作用；此时可转移负荷主要有以下两大约束：

其一，用户总用电量平衡约束，在常规的调度周期内，用户总用电量不变，负荷响应曲线总面积不变，即：

其二，可转移负荷转移量范围约束，用户可转移负荷量每次均要保证上下限在规定范围内，一般可转移负荷最大负荷应该不大于工业用户(主体用户)负荷的10％；即：

上述约束的式(4)-式(5)中，N_T是调度的时段数，

分别是表示时段t时刻调度系统当中增加和减少的负荷量；

分别是t时段内

的上限值；

通过负荷控制中心作为中转，形成电网-控制中心-企业多层调度结果，最终依靠控制中心来向企业发送指令，控制大型工商用户的负荷转移，对总负荷进行削峰填谷，也同时对此类用户提供补偿；

则可转移负荷的调度成本如下所示：

式(6)中，F_Trans表示的是可转移负荷的调度成本，ρ_i为转移单位电量的激励成本系数。

作为本技术方案的进一步改进，所述电池储能电站中，当其单独参与整体的电网系统调度时，一般需要修建电池储能电站，通过电池储能电站与电网交互来实现电池储能参与调度，考虑到锂电池本身寿命长、运行安全等优点，采用以锂电池为核心的电池储能电站参与电网调度；

对电池储能电站的建模建立了以下约束条件：

其一，充放电功率上下约束：

其二，充放电逻辑状态约束：

其三，荷电状态约束，荷电状态约束是电池储能电站独有的状态约束，由于电池过充和过放会显著影响电池使用寿命，因此为了避免过冲和过放，同时为了保持电池储能电站一直参与电网调度，每个调度周期中，电池储能电站本身起始和最终所容纳负荷量相同且不为0，使得电池不会中途停止供电或蓄电；具体逻辑约束如下所示：

上述式(7)-式(9)中，

表示电池储能电站在t时刻由充电变为放电状的二进制变量，而

则表示电池储能电站在t时刻从放电变为充电的二进制变量，当

数值为“1”时，系统从充电变为放电，

此时数值为“0”；当

数值为“1”时，系统从放电变为充电，

此时数值为“0”；

表示电站在t时刻时充放电状态的二进制变量，当数值为“1”时，

分别处于充放电状态，

为“1”时，

为“0”，

为“1”时，

为“0”；

分别表示电池储能电站的充放电功率；故

分别表示电站充电功率的上下限值，

则表示电站放电功率的上下限值；

则表示电池储能电站的充放电效率；

为储能电站在t时的负荷容量占比，即是此时电池储能电站所容纳的负荷量与其总容量之比，一般为了防止电池过充和过放，其约束范围的荷电状态上下限值

一般均在(0，1)区间内，最后

则分别表示同一个调度周期内，储能电站起始阶段和最终阶段的荷电状态；

进而，电池储能电站的运行成本如下所示：

在成本公式中：F_dc即是电池储能电站的调度成本，同时τ_dc即为充放电状态转换系数，表达式如同式(11)，C_s为电池储能电站初始投资成本，r_D为报废率，N_c为储能电池循环寿命，E_rate此刻则是表示电池储能电站的额定容量；除此之外，k_dc表示运行维护成本系数，次数因选用锂电池，根据参考文献取k_dc＝0.81；因此在确定了储能电站的开关变量以及开关功率后，电池储能电站的成本便可通过式(10)得出。

作为本技术方案的进一步改进，所述风储一体化电站中，风储一体化电站当中电池储能系统和上述电池储能电站描述一致，因此可以将电池储能系统视为另一个小型的电池储能电站，在并入电网过程中主要考虑其出力满足上下峰值约束以及启停约束；除此之外由上文可知风电一体化电站出力由风电出力与电池储能出力共同决定，其出力算法如下：

式(12)中，P_FC,t则是t时刻风储一体化电站的上网出力情况，是电站内部各个参与电网运行模块的总出力；P_F,t即表示风电调度出力；

则分别表示一体化电站中储能系统的放电、充电功率，两者之差便为电池储能系统参与调度出力；

也因如此，此时风电调度出力应该在风储一体化电站限制范围内，有以下约束：

0≤P_F,t≤min(P_yc,t,P_F,max)(13)；

式(13)中，新增变量P_yc,t、P_F,max分别表示t时刻已得出的风电预测出力与风储一体化电站中风电场的风电额定功率。

作为本技术方案的进一步改进，所述抽水蓄能电站中，抽水蓄能电站的成本函数如下所示：

式(14)中，F_cs表示电站的调度成本，主要是蓄电与放电状态转换成本，因此

分别为t时刻抽水蓄能电站从原状态变为发电状态的成本和从原状态转换为蓄电状态的成本；

抽水蓄能电站参与电网调度过程中，具体要满足的约束如下：

其一，抽水蓄能电站蓄水充电与放水发电功率约束：

其二，充放电状态约束：

上述两种约束均涉及到抽水蓄能电站的充放电状态，

则为抽水蓄能电站的放水时发电功率以及其蓄水状态下的抽水功率；而

则分别表示抽水蓄能电站在t时刻的充放电状态，因为水电站水库的水力发电系统受水流影响，仅能按照一种模式运行，因此电站只会处于蓄能，发电以及停机任一一种独立状态，不会受到系统其他外力因素的影响；因此

为“1”时分别表示该时刻电站为抽水蓄能/发电放水状态，

为“0”时则表示该时刻电站处于放水发电/抽水蓄能状态或者并未工作；P^x则为抽水蓄能电站最优功率点处对应的运行功率，即为抽水蓄能功率的最优功率点处功率；而

则表示电站参与电网调度过程中放水发电功率的最高功率和最低功率；上述约束将抽水蓄能电站的充放电状态以及功率描述完全，每个时间段单独针对

二者数值变化即可计入成本当中参与成本建模；

需要保证蓄水量在安全范围内，即保证抽水蓄能电站所容纳的负荷量在规定范围内，即保证抽水蓄能电站满足以下约束：

式(17)中，

表示时刻t时抽水蓄能电站所容纳的负荷量，即是电站水库的蓄水量；

则分别表示抽水蓄能电站的充放电效率，即蓄水效率与发电效率；

则分别表示抽水蓄能电站储能容量上下限，即水库蓄水量上下限，此处下限选取高于0，从而保证抽水蓄能电站能持续参与调度同时也保证水库的安全运行；最后

则分别为蓄能电站在一个调度周期始末时抽水蓄能电站所容纳的电量，与可转移负荷和电池储能电站类似，整个周期抽水蓄能总电量与放水发电总电流相同。

作为本技术方案的进一步改进，所述常规发电机组中，发电机组则需要提供电网安全稳定运行所需的绝大部分负荷，是为日常电力系统调度出力最重要的环节，也是电网调度中最重要的一部分，但是因为其调度受爬坡速率等硬性因素等影响，在需求侧负荷环节负荷曲线起伏较大的时候无法使其完全应付突然增大的负荷或者突然降低的负荷；同时也因为风电不断的需要并入电网，风电的不确定性对电网消纳风电的这一举动更极大加深了常规机组的负荷，因此将多个火电机组数学模型并化为一个整体火电机组模型来描述机组的数学模型；具体模型如下：

上述式(18)中，从上到下依次为传统的常规发电机组的机组出力约束、上下爬坡约束、最小启停时间约束以及常规机组的启停状态约束；这些约束主要用于对常规机组并入电网当中的负荷出力以及负荷状态进行描述；U_G,t表示整个机组在时刻t时的启停状态的二进制变量，当U_G,t取值为1时，机组处于开机状态并与电网交互，参与电网调度，当U_G,t取值为0时，机组则处于停机状态，机组出力为0，不参与调度；P_G,t则表示整个发电机组在时段t时的参与调度的机组出力；

则分别表示整个发电机组的上爬坡速率和下爬坡速率，所谓上下爬坡速率即是单位时间内常规机组变化速率；

则表示整个机组在时段t的连续开停机时间；

为常规机组的最小开、停机时间；y_G,t、z_G,t为二进制变量，因为机组不会同时开机与关机，因此二者可分别表示为t时刻整个机组的开关机状态，因此二者不会同时为1，因此二者之和恒小于1；

不需要考虑机组的建造成本，仅需要考虑启停成本以及出力成本，启停成本函数如下：

式(19)中，F_qt表示整个机组的启停成本,k_qt则是表示单次启停成本系数；

常规机组中更为重要的便是常规机组的发电出力成本，其主要是通过将每一时刻的机组出力带入函数当中，并将各个时段的总出力成本相加，便可得到常规机组的发电出力成本，成本函数如下所示：

式(20)中，F_cl表示整个发电机组的发电出力成本，P_G,t则表示风电出力系数，同时a_i、b_i、c_i为机组发电成本系数，三系数在发电机组确定的情况下，数值确定，求取发电成本系数仅需将机组出力功率代入即可求出发电成本；常规机组总成本便由启停成本F_qt与发电成本F_cl相加即可。

本发明的目的之二在于，提供了一种调度模型运行平台装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述的源荷储多时间尺度协调调度模型的运行步骤。

本发明的目的之三在于，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的源荷储多时间尺度协调调度模型的运行步骤。

与现有技术相比，本发明的有益效果：

1.该源荷储多时间尺度协调调度模型中，运用场景分析法刻画风电，可以保证系统模型约束在精简场景集中均可以完美满足且求解得出系统最优解，并使用同步回代消除法进行场景削减，使获得的精简场景集均可以代表原始场景集来满足实际当中的风电场景计算需求；

2.该源荷储多时间尺度协调调度模型中，通过对需求侧响应资源的调度，来优化负荷曲线，即对负荷曲线进行-削峰填谷，从而保证负荷曲线处于一种较为平稳的区间内，使得常规机组调节范围很小，调度区间内可以更快速地跟踪控制中心的调度命令，大大增强了电网对风电的吸收；

3.该源荷储多时间尺度协调调度模型中，结合电池储能电站、风储一体化电站、抽水蓄能电站和常规发电机组的均衡调度，利用电池储能系统来缓解风电的不确定性，以抽水蓄能电站作为备用的发电机组参与电力系统调度，并由常规发电机组提供电网安全稳定运行所需的绝大部分负荷，从而使得风电从完全不确定逐渐变得有一定的可控和可调特性，能够有效解决传统方法难以有效处理风电不确定性因素的难题。

附图说明

图1为本发明中示例性的源荷储协调调度模型的系统结构框图；

图2为本发明中示例性的电子计算机平台装置结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1所示，本实施例提供了一种源荷储多时间尺度协调调度模型，包括同时接入电网系统的风电场景、主要由常规负荷和可转移负荷组成且以可转移负荷为代表的负荷、电池储能电站、风储一体化电站、抽水蓄能电站以及常规发电机组；其中：

风电场景，是运用场景分析法进行刻画的，通过对风电历史数据的预处理，将风电数据抽象为风电场景并对风电场景进行削减；

可转移负荷，通过对需求侧响应资源的调度，来优化负荷曲线，即对负荷曲线进行-削峰填谷，从而保证负荷曲线处于一种较为平稳的区间内，使得常规机组调节范围很小；

电池储能电站，采用以锂电池为核心的电池储能电站参与电网调度；

风储一体化电站，将风电站与电池储能系统相结合，构造出风储一体化电站模型；利用电池储能系统来缓解风电的不确定性，从而使得风电从完全不确定逐渐变得有一定的可控和可调特性，进而可以将逐渐稳定的风电从风电场侧并入电网当中参与电力协调调度；

抽水蓄能电站，可以作为备用的发电机组参与电力系统调度；

常规发电机组，用于提供电网安全稳定运行所需的绝大部分负荷。

本实施例中，风电场景中，运用场景分析法刻画风电的具体操作流程包括：

场景分析法针对风电随机性建模主要是对原始场景集赋予概率并在场景生成与削减的对风电概率实线变动，最终得出精简场景集与对应概率可以视为风电在该时段的出力可能情况，保证系统模型约束在精简场景集中均可以完美满足且求解得出系统最优解。场景分析法的数学建模如下所示：

s,t.g_i(x,ξ_s)≤0.ξ_s∈U_s,i＝1,2,...,m

式(1)中，S为场景集中总场景数目；ω_s为场景集中某个单场景s下该场景对应的权重，即场景分析法中该场景对应概率；ξ_s则为场景s内场景的不确定量，即拟合求取误差时每个采样时段场景误差；U_s即为场景s下各采样取得误差的总集。

通过对风电数据的预处理，将风电数据抽象为风电场景并对风电场景进行削减。也正是因为风电的不稳定性，风电预测技术精度依然无法达到传统电网预测那么准确，总会使预测值与实际风电出力值存在较大的误差，因此包含风电调度的电力系统当中，风电预测误差也可以代替常见的风电本身出力成为我们对风电场景进行分析的一个决定性变量；关于风电出力与预测误差之间的关系如下所示：

P_w＝P_wf+δ_w*P_wf(2)；

式(2)中，P_w表示的是每日风电系统实际出力情况；P_wf则表示系统前一天对风电的预测出力；δ_w则是上述实际出力与预测出力之间的误差；同时在计算时为了保证数值的准确性，直接采用原始数据进行计算，并未将实际出力与预测出力化为标幺值计算。

同时，再以误差δ_w作为场景分析的自变量，得到的场景则是一条条基于预测误差所产生的误差曲线，每根曲线表示一个风电场景；

得到风电场景集后，由于场景数据过大，计算时过于繁琐，加大了求解负担，因此需要对场景进行削减，原始场景集当中所有单个场景概率固定，且总和为1；为了降低模型的计算量，使用同步回代消除法进行场景削减。则对原始场景集内场景通过欧氏距离来求解场景之间的距离，计算公式如下：

D_i,j,min＝minρ_iρ_jd(s_i,s_j)(3)；

式(3)中，ρ_i、ρ_j分别表示场景s_i、s_j各自当前概率(原始场景集各场景初始概率均为1/365)，d(s_i,s_j)则是场景s_i、s_j之间的欧氏距离，D_i,j,min即为两个场景之间的相似程度；D_i,j,min越小，两个场景之间的近似程度越高，D_i,j,min越大则相似程度越低。相对于常用的同步回代消除法，同时引入了两个场景的概率，使得在进行场景分析时获得的数据更加有代表性。同时此时即可确定被删除的场景即为最小D_i,j,min对应的第i、j个场景；同时采用随机函数确定需要除去哪一个风电场景，每计算一次，便可削减一个风电场景，直至达到所需的场景数N_s，常规计算中一般取5-10个剩余风电场景得到精简场景数。由于采用的随机函数确定删除的风电场景，因此每次进行削减所得到的场景均不相同，但是由于各风电场景的概率也各不相同，因此无论所获得的精简场景集如何不同，均可以代表原始场景集来满足实际当中的风电场景计算需求。

本实施例中，可转移负荷中，由于用户需求侧变化波动较大，因此需求侧调度资源可动性极强，因此可以通过对需求侧响应资源的调度，来优化负荷曲线，即对负荷曲线进行-削峰填谷，从而保证负荷曲线处于一种较为平稳的区间内，使得常规机组调节范围很小，调度区间内可以更快速地跟踪控制中心的调度命令，大大增强了电网对风电的吸收。同时，在电力系统日常运行过程当中，需求侧资源主要包含：可转移负荷，可平移负荷以及可中断负荷。电网正常运行过程中，由于用户侧负荷使用符合日常生活规律，可以更有规律的大范围调节，因此导致可转移负荷占比较大，因此本实施例暂不考虑可平移负荷以及可中断负荷，仅仅考虑转移负荷，将其带入系统调度当中，主要是对负荷起到削峰填谷的作用；可转移负荷的一大特点即是灵活调节，但是与此同时，在规定好的一个调度周期内，无论需求侧响应如何波动，需求侧用户使用的总用电量保持不变；此时可转移负荷主要有以下两大约束：

其一，用户总用电量平衡约束，在常规的调度周期内，用户总用电量不变，负荷响应曲线总面积不变，即：

其二，可转移负荷转移量范围约束，用户可转移负荷量每次均要保证上下限在规定范围内，一般可转移负荷最大负荷应该不大于工业用户(主体用户)负荷的10％；即：

上述约束的式(4)-式(5)中，N_T是调度的时段数，本实施例N_T一般为96，即每15分钟为一个时段，因此ΔT一般为15分钟，

分别是表示时段t时刻调度系统当中增加和减少的负荷量；

分别是t时段内

的上限值，本实施例中采用总负荷的10％来计算其值。

正常情况下，工商业用户的负荷一般在所有用户中占比较大，因此是可转移负荷在大型工商业用户处所投入的负荷量很大，居民用户由于其相对用电量较工商业用户比较小，同时由于我国电力市场经济发展仍处于起步阶段，本实施例主要考虑工商业大型用户，通过与企业之间签约合同的方式来实现调负荷的调度，故暂时不考虑居民用电参与此次调度；通过负荷控制中心作为中转，形成电网-控制中心-企业多层调度结果，最终依靠控制中心来向企业发送指令，控制大型工商用户的负荷转移，对总负荷进行削峰填谷，也同时对此类用户提供补偿；

则可转移负荷的调度成本如下所示：

式(6)中，F_Trans表示的是可转移负荷的调度成本，ρ_i为转移单位电量的激励成本系数，一般情况下切负荷成本为700元/MW·h。

本实施例中，电池储能电站中，储能模块因为其本身具有双向快速功率调节能力以及能量转移特性，已经逐渐成为大规模风电并入电力系统的重要组成部分。作为储能中的佼佼者，电池储能的特点也很明显，其配置灵活，响应快速，适用性广等特点，使其在电力系统调峰调频中越来越重要。当然电池储能也有较大的缺点，当其单独参与整体的电网系统调度时，一般需要修建电池储能电站，通过电池储能电站与电网交互来实现电池储能参与调度，但是电池储能电站缺点明显，其建造成本高，同时其使用寿命也取决于其中电池的使用，导致基础成本较高，考虑到锂电池本身寿命长、运行安全等优点，采用以锂电池为核心的电池储能电站参与电网调度；

对电池储能电站的建模建立了以下约束条件：

其一，充放电功率上下约束：

其二，充放电逻辑状态约束：

其三，荷电状态约束，荷电状态约束是电池储能电站独有的状态约束，由于电池过充和过放会显著影响电池使用寿命，因此为了避免过冲和过放，同时为了保持电池储能电站一直参与电网调度，每个调度周期中，电池储能电站本身起始和最终所容纳负荷量相同且不为0，使得电池不会中途停止供电或蓄电；具体逻辑约束如下所示：

上述式(7)-式(9)中，

表示电池储能电站在t时刻由充电变为放电状的二进制变量，而

则表示电池储能电站在t时刻从放电变为充电的二进制变量，当

数值为“1”时，系统从充电变为放电，

此时数值为“0”；当

数值为“1”时，系统从放电变为充电，

此时数值为“0”；

表示电站在t时刻时充放电状态的二进制变量，当数值为“1”时，

分别处于充放电状态，

为“1”时，

为“0”，

为“1”时，

为“0”；

分别表示电池储能电站的充放电功率；故

分别表示电站充电功率的上下限值，

则表示电站放电功率的上下限值，一般情况下为了保证稳定运行，下限值应该要保证不为0；最终则是荷电状态约束中变量：

则表示电池储能电站的充放电效率；

为储能电站在t时的负荷容量占比，即是此时电池储能电站所容纳的负荷量与其总容量之比，一般为了防止电池过充和过放，其约束范围的荷电状态上下限值

一般均在(0，1)区间内，最后

则分别表示同一个调度周期内，储能电站起始阶段和最终阶段的荷电状态；

进而，电池储能电站的运行成本如下所示：

在成本公式中：F_dc即是电池储能电站的调度成本，同时τ_dc即为充放电状态转换系数，表达式如同式(11)，参考文献可知，电池储能电站初始投资成本C_s＝338.3万元/(MW·h)，报废率r_D＝0.4，储能电池循环寿命N_c＝13000次，E_rate此刻则是表示电池储能电站的额定容量，E_rate＝160；因此可以得出τ_dc＝0.83274；除此之外，k_dc表示运行维护成本系数，次数因选用锂电池，根据参考文献取k_dc＝0.81；因此在确定了储能电站的开关变量以及开关功率后，电池储能电站的成本便可通过式(10)得出。

本实施例中，风储一体化电站中，风力发电由于受其风电场所处地理气候环境以及当地实际风力状态等因素的影响，风电出力有很大的随机性以及不确定性，甚至还常常出现反调峰特性，因此风电站虽然可以将风力转化为电力，但是由于风电的不确定性，将其风力发电直接并入电网有着很大的风险。储能中电池储能系统和电池储能电站一样，有着很灵活的功率调节能力以及更快的调节速度，将风电站与电池储能系统相结合，构造出风储一体化电站模型。利用电池储能系统来缓解风电的不确定性，从而使得风电从完全不确定逐渐变得有一定的可控和可调特性，更可以将逐渐稳定的风电从风电场侧并入电网当中参与电力协调调度。正因为有了电池储能系统，在风电出力受到风储一体化本身额定功率影响，无法完全吸纳风力发电，即存在弃风，电池储能系统可以吸收未被吸收的多余电力，然后再通过储能系统并入电网当中，将弃风功率的一部分也可以并入电网当中，大大提高了风电利用率，也大大提高了系统的安全性与经济效益。

除此之外，由于风电场侧配置了电池储能系统，电池储能系统受风电场内部调度部门控制参与风储电站出力，故风储一体化电站当中，可以直接在风电侧源头对风电出力进行调整，常见的风电一体化电站的运行模式有削峰填谷等模式，无论何种运营模式均是为了保证电站在保证安全运行的同时且能使经济效益最大化。同时由于风电随机性，风电预测误差存在且有着很大的波动性，对系统调度影响巨大，风电数据信息无法实时精准的预测，因此根据我国风电并网标准要求，为了保证风电预测准确与连续，风电场侧需要提前一天向电网公司上报当日的风电出力的预测曲线，并在当日刻度时段滚动上报未来15min-4h的风电场功率预测曲线。由于技术有限，本实施例不考虑日内滚动，仅考虑日前预测模型，仅仅通过日前调度对风电出力曲线进行削峰填谷，调整电池储能系统充放电功率补偿预测功率和实际功率之间的误差，让风电可以更快速地并入电网。即单独的削峰填谷模型。形成以“短期预测→日前调度→削峰填谷”的日内调度模型，同时兼顾部分日内滚动模型保证日内实际开展滚动模型时，各组成部分的启停跟随日前调度确立。

风储一体化电站当中电池储能系统和上述电池储能电站描述一致，因此可以将电池储能系统视为另一个小型的电池储能电站，在并入电网过程中主要考虑其出力满足上下峰值约束以及启停约束；除此之外由上文可知风电一体化电站出力由风电出力与电池储能出力共同决定，其出力算法如下：

式(12)中，P_FC,t则是t时刻风储一体化电站的上网出力情况，是电站内部各个参与电网运行模块的总出力；P_F,t即表示风电调度出力；

则分别表示一体化电站中储能系统的放电、充电功率，两者之差便为电池储能系统参与调度出力；

也因如此，此时风电调度出力应该在风储一体化电站限制范围内，有以下约束：

0≤P_F,t≤min(P_yc,t,P_F,max)(13)；

式(13)中，新增变量P_yc,t、P_F,max分别表示t时刻已得出的风电预测出力与风储一体化电站中风电场的风电额定功率；

除此之外，风储一体化电站因为其本身包含电池储能系统，因此其成本函数与电池储能电站类似，不过除此之外，风储一体化电站当中，还包含了风电场侧的成本函数，因此风储一体化电站成本主要依靠通过风储一体化电站出力度数以及单位发力成本求取，单位成本为：460元/MW·h。

本实施例中，抽水蓄能电站中，抽水蓄能电站这一储能模式也被广泛地应用于我国电力系统调度当中。与电池储能一样，抽水蓄能电站技术已经非常成熟，但是在参与电网运行当中时二者发挥的具体作用各不相同，电池储能电站主要是靠较小容量对短时间内的峰谷值进行调控，且成本相对于抽水蓄能电站而言更高；但是抽水蓄能电站由于大容量可以作为备用的发电机组参与电力系统调度，具体区别如下。

首先是参与电网调度时，抽水蓄能电站主要是基于当地所建立的水电机组水库来实现调度；在负荷曲线低谷的时候，电站吸收电力系统溢出的发电功率，从下游水库将水抽入上游水库；负荷曲线达到峰值时，上水库将低谷时所蓄的水放出，带动水电机发电，从而加入电网调度，因此响应起来没有电池储能电站快速，但是其蓄能容量取决于水库蓄水量，因此其存储容量大，更可以吸纳多余电力，同时也可以放出更多电力。因为我国水电机组和水库一般情况下相辅相成，因此在此背景下，成本方面，我们主要考虑的便是电站在蓄电以及放电转换成本。

因此此时抽水蓄能电站的成本函数较为简单，如下所示：

式(14)中，F_cs表示电站的调度成本，主要是蓄电与放电状态转换成本，因此

分别为t时刻抽水蓄能电站从原状态变为发电状态的成本和从原状态转换为蓄电状态的成本；

同时，上文也提出，抽水蓄能电站有其自己独特的响应特性，具体集中在其发电状态下，出力应该在规定区间内按照调度要求变化，从而满足整体调度需求，但是当抽水蓄能电站处于充电蓄水时，为了保证电站能最快地将多出电量吸纳，因此此时功率固定，电站运行于最优功率点，保证蓄水效率，从而获得更多时间面对来处理下一时刻的调度指令。抽水蓄能电站参与电网调度过程中，具体要满足的约束如下：

其一，抽水蓄能电站蓄水充电与放水发电功率约束：

其二，充放电状态约束：

上述两种约束均涉及到抽水蓄能电站的充放电状态，

则为抽水蓄能电站的放水时发电功率以及其蓄水状态下的抽水功率；而

则分别表示抽水蓄能电站在t时刻的充放电状态，因为水电站水库的水力发电系统受水流影响，仅能按照一种模式运行，因此电站只会处于蓄能，发电以及停机任一一种独立状态，不会受到系统其他外力因素的影响；因此

为“1”时分别表示该时刻电站为抽水蓄能/发电放水状态，

为“0”时则表示该时刻电站处于放水发电/抽水蓄能状态或者并未工作；P^x则为上文所说抽水蓄能电站最优功率点处对应的运行功率，即为抽水蓄能功率的最优功率点处功率；而

则表示电站参与电网调度过程中放水发电功率的最高功率和最低功率；上述约束将抽水蓄能电站的充放电状态以及功率描述完全，每个时间段单独针对

二者数值变化即可计入成本当中参与成本建模；

与电池储能电站相同，为了保证抽水蓄能电站能时刻参与电网调度，因此对于抽水蓄能电站来说，每个调度周期始末抽水蓄能电站的容纳的负荷量应该相等，同时也为了保证抽水蓄能电站本身所处的水库不会出现放水过多水位低于标准水位或者蓄水过多，高于标准水位威胁到水库安全，因此需要保证蓄水量在安全范围内，即保证抽水蓄能电站所容纳的负荷量在规定范围内，即保证抽水蓄能电站满足以下约束：

式(17)中，

表示时刻t时抽水蓄能电站所容纳的负荷量，即是电站水库的蓄水量；

则分别表示抽水蓄能电站的充放电效率，即蓄水效率与发电效率；

则分别表示抽水蓄能电站储能容量上下限，即水库蓄水量上下限，此处下限选取高于0，从而保证抽水蓄能电站能持续参与调度同时也保证水库的安全运行；最后

则分别为蓄能电站在一个调度周期始末时抽水蓄能电站所容纳的电量，与可转移负荷和电池储能电站类似，整个周期抽水蓄能总电量与放水发电总电流相同。

本实施例中，常规发电机组中，无论是何种电网调度模式，常规发电机组永远是电力系统中不可或缺的一部分，我国供电侧目前依旧是以传统发电模式为主体的发电模式，因此发电机组则需要提供电网安全稳定运行所需的绝大部分负荷，是为日常电力系统调度出力最重要的环节，也是电网调度中最重要的一部分，但是也正因为其发电稳定且占比巨大，常规机组发电出力受机组本身影响巨大，包含了机组的额定容量，最小启停时间以及爬坡速率等因素影响，也正是因为其占比大，但是因为其调度受爬坡速率等硬性因素等影响，在需求侧负荷环节负荷曲线起伏较大的时候无法使其完全应付突然增大的负荷或者突然降低的负荷；同时也因为风电不断的需要并入电网，风电的不确定性对电网消纳风电的这一举动更极大加深了常规机组的负荷，因此需要创造新的调度模式来将风电稳定并入电网当中，同时也保证常规发电机组在规定范围内稳定高效地运行，从而保证电网的安全稳定，以及其对应的经济效应，常规发电机组的数学模型相对于前面几个电力系统组成部分而言比较繁琐，本实施例将多个火电机组数学模型并化为一个整体火电机组模型来描述机组的数学模型；具体模型如下：

上述式(18)中，从上到下依次为传统的常规发电机组的机组出力约束、上下爬坡约束、最小启停时间约束以及常规机组的启停状态约束；这些约束主要用于对常规机组并入电网当中的负荷出力以及负荷状态进行描述；因为本实施例将常规机组一体化视为一个发电机。因此U_G,t表示整个机组在时刻t时的启停状态的二进制变量，当U_G,t取值为1时，机组处于开机状态并与电网交互，参与电网调度，当U_G,t取值为0时，机组则处于停机状态，机组出力为0，不参与调度；P_G,t则表示整个发电机组在时段t时的参与调度的机组出力，其取值应该在额定功率范围内，本实施例采用的机组总额定功率为4550MW·h；

则分别表示整个发电机组的上爬坡速率和下爬坡速率，参考文献，本实施例的上下爬坡速率均为0.8，所谓上下爬坡速率即是单位时间内常规机组变化速率；

则表示整个机组在时段t的连续开停机时间，但是由于常规机组需要不断供电给电网参与调度且功率较大持续的开关机会导致整个系统出现安全问题，所以一般工作中的机组均处于开机状态，此处发电机组的开停机时间不影响后续机组参与电网调度；

为常规机组的最小开、停机时间，一般为8h，同时根据前文描述，机组基本上一直处于开机状态，因此恒满足实际约束。y_G,t、z_G,t为二进制变量，因为机组不会同时开机与关机，因此二者可分别表示为t时刻整个机组的开关机状态，因此二者不会同时为1，因此二者之和恒小于1。

同时也要确定常规机组的出力成本参数，因为机组成本有相对函数，因此不需要考虑机组的建造成本，仅需要考虑启停成本以及出力成本，启停成本因其启停次数较少，因此虽然考虑但是相对于出力成本较少，启停成本函数如下：

式(19)中，F_qt表示整个机组的启停成本,k_qt则是表示单次启停成本系数，常规情况下系数应该为400/次，本实施例由于将常规机组视为一个整体，因此可统一选择20000元的启停成本来代表常规机组的开关成本。

常规机组中更为重要的便是常规机组的发电出力成本，其主要是通过将每一时刻的机组出力带入函数当中，并将各个时段的总出力成本相加，便可得到常规机组的发电出力成本，成本函数如下所示：

式(20)中，F_cl表示整个发电机组的发电出力成本，P_G,t则表示风电出力系数，同时a_i、b_i、c_i为机组发电成本系数，三系数在发电机组确定的情况下，数值确定，求取发电成本系数仅需将机组出力功率代入即可求出发电成本；常规机组总成本便由启停成本F_qt与发电成本F_cl相加即可。

如图2所示，本实施例还提供了一种调度模型运行平台装置，该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。

处理器包括一个或一个以上处理核心，处理器通过总线与存储器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的源荷储多时间尺度协调调度模型的运行步骤。

可选的，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的源荷储多时间尺度协调调度模型的运行步骤。

可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面源荷储多时间尺度协调调度模型的运行步骤。

本领域普通技术人员可以理解，实现上述实施例的全部或部分步骤的过程可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种源荷储多时间尺度协调调度模型，其特征在于，包括同时接入电网系统的风电场景、主要由常规负荷和可转移负荷组成且以可转移负荷为代表的负荷、电池储能电站、风储一体化电站、抽水蓄能电站以及常规发电机组；其中：

所述风电场景，是运用场景分析法进行刻画的，通过对风电历史数据的预处理，将风电数据抽象为风电场景并对风电场景进行削减；

所述可转移负荷，通过对需求侧响应资源的调度，来优化负荷曲线，即对负荷曲线进行-削峰填谷，从而保证负荷曲线处于一种较为平稳的区间内，使得常规机组调节范围很小；

所述电池储能电站，采用以锂电池为核心的电池储能电站参与电网调度；

所述风储一体化电站，将风电站与电池储能系统相结合，构造出风储一体化电站模型；利用电池储能系统来缓解风电的不确定性，从而使得风电从完全不确定逐渐变得有一定的可控和可调特性，进而可以将逐渐稳定的风电从风电场侧并入电网当中参与电力协调调度；

所述抽水蓄能电站，可以作为备用的发电机组参与电力系统调度；

所述常规发电机组，用于提供电网安全稳定运行所需的绝大部分负荷。

2.根据权利要求1所述的源荷储多时间尺度协调调度模型，其特征在于，所述风电场景中，运用场景分析法刻画风电的具体操作流程包括：

场景分析法的数学建模如下所示：

式(1)中，S为场景集中总场景数目；ω_s为场景集中某个单场景s下该场景对应的权重，即场景分析法中该场景对应概率；ξ_s则为场景s内场景的不确定量，即拟合求取误差时每个采样时段场景误差；U_s即为场景s下各采样取得误差的总集；

包含风电调度的电力系统当中，风电预测误差也可以代替常见的风电本身出力成为我们对风电场景进行分析的一个决定性变量；关于风电出力与预测误差之间的关系如下所示：

P_w＝P_wf+δ_w*P_wf (2)；

式(2)中，P_w表示的是每日风电系统实际出力情况；P_wf则表示系统前一天对风电的预测出力；δ_w则是上述实际出力与预测出力之间的误差；

同时，再以误差δ_w作为场景分析的自变量，得到的场景则是一条条基于预测误差所产生的误差曲线，每根曲线表示一个风电场景；

得到风电场景集后，需要对场景进行削减，原始场景集当中所有单个场景概率固定，且总和为1：对原始场景集内场景通过欧氏距离来求解场景之间的距离，计算公式如下：

D_i，j，min＝minρ_iρ_jd(s_i，s_j) (3)；

式(3)中，ρ_i、ρ_j分别表示场景s_i、s_j各自当前概率，d(s_i，s_j)则是场景s_i、s_j之间的欧氏距离，D_i，j，min即为两个场景之间的相似程度；D_{i，j，min越}小，两个场景之间的近似程度越高，D_i，j，min越大则相似程度越低；同时此时即可确定被删除的场景即为最小D_i，j，min对应的第i、j个场景；同时采用随机函数确定需要除去哪一个风电场景，每计算一次，便可削减一个风电场景，直至达到所需的场景数N_s。

3.根据权利要求1所述的源荷储多时间尺度协调调度模型，其特征在于，所述可转移负荷中，电网正常运行过程中，由于用户侧负荷使用符合日常生活规律，可以更有规律的大范围调节，因此导致可转移负荷占比较大，仅仅考虑转移负荷，将其带入系统调度当中，主要是对负荷起到削峰填谷的作用；此时可转移负荷主要有以下两大约束：

其一，用户总用电量平衡约束，在常规的调度周期内，用户总用电量不变，负荷响应曲线总面积不变，即：

其二，可转移负荷转移量范围约束，用户可转移负荷量每次均要保证上下限在规定范围内；即：

上述约束的式(4)-式(5)中，N_T是调度的时段数，

分别是表示时段t时刻调度系统当中增加和减少的负荷量；

分别是t时段内

的上限值；

通过负荷控制中心作为中转，形成电网-控制中心-企业多层调度结果，最终依靠控制中心来向企业发送指令，控制大型工商用户的负荷转移，对总负荷进行削峰填谷，也同时对此类用户提供补偿；

则可转移负荷的调度成本如下所示：

式(6)中，F_Trans表示的是可转移负荷的调度成本，ρ_i为转移单位电量的激励成本系数。

4.根据权利要求1所述的源荷储多时间尺度协调调度模型，其特征在于，所述电池储能电站中，当其单独参与整体的电网系统调度时，一般需要修建电池储能电站，通过电池储能电站与电网交互来实现电池储能参与调度，考虑到锂电池本身寿命长、运行安全等优点，采用以锂电池为核心的电池储能电站参与电网调度；

对电池储能电站的建模建立了以下约束条件：

其一，充放电功率上下约束：

其二，充放电逻辑状态约束：

其三，荷电状态约束，荷电状态约束是电池储能电站独有的状态约束，由于电池过充和过放会显著影响电池使用寿命，因此为了避免过冲和过放，同时为了保持电池储能电站一直参与电网调度，每个调度周期中，电池储能电站本身起始和最终所容纳负荷量相同且不为0，使得电池不会中途停止供电或蓄电；具体逻辑约束如下所示：

上述式(7)-式(9)中，

表示电池储能电站在t时刻由充电变为放电状的二进制变量，而

则表示电池储能电站在t时刻从放电变为充电的二进制变量，当

数值为“1”时，系统从充电变为放电，

此时数值为“0”；当

数值为“1”时，系统从放电变为充电，

此时数值为“0”；

表示电站在t时刻时充放电状态的二进制变量，当数值为“1”时，

分别处于充放电状态，

为“1”时，

为“0”，

为“1”时，

为“0”；

分别表示电池储能电站的充放电功率；故

分别表示电站充电功率的上下限值，

则表示电站放电功率的上下限值；

则表示电池储能电站的充放电效率；

为储能电站在t时的负荷容量占比，即是此时电池储能电站所容纳的负荷量与其总容量之比，一般为了防止电池过充和过放，其约束范围的荷电状态上下限值

一般均在(0，1)区间内，最后

则分别表示同一个调度周期内，储能电站起始阶段和最终阶段的荷电状态；

进而，电池储能电站的运行成本如下所示：

在成本公式中：F_dc即是电池储能电站的调度成本，同时τ_dc即为充放电状态转换系数，表达式如同式(11)，C_s为电池储能电站初始投资成本，r_D为报废率，N_c为储能电池循环寿命，E_rate此刻则是表示电池储能电站的额定容量；除此之外，k_dc表示运行维护成本系数；因此在确定了储能电站的开关变量以及开关功率后，电池储能电站的成本便可通过式(10)得出。

5.根据权利要求1所述的源荷储多时间尺度协调调度模型，其特征在于，所述风储一体化电站中，风储一体化电站当中电池储能系统和上述电池储能电站描述一致，因此可以将电池储能系统视为另一个小型的电池储能电站，在并入电网过程中主要考虑其出力满足上下峰值约束以及启停约束；除此之外由上文可知风电一体化电站出力由风电出力与电池储能出力共同决定，其出力算法如下：

式(12)中，P_FC,t则是t时刻风储一体化电站的上网出力情况，是电站内部各个参与电网运行模块的总出力；P_F,t即表示风电调度出力；

则分别表示一体化电站中储能系统的放电、充电功率，两者之差便为电池储能系统参与调度出力；

也因如此，此时风电调度出力应该在风储一体化电站限制范围内，有以下约束：

0≤P_F,t≤min(P_yc,t,P_F,max)(13)；

式(13)中，新增变量P_yc,t、P_F,max分别表示t时刻已得出的风电预测出力与风储一体化电站中风电场的风电额定功率。

6.根据权利要求1所述的源荷储多时间尺度协调调度模型，其特征在于，所述抽水蓄能电站中，抽水蓄能电站的成本函数如下所示：

式(14)中，F_cs表示电站的调度成本，主要是蓄电与放电状态转换成本，因此

分别为t时刻抽水蓄能电站从原状态变为发电状态的成本和从原状态转换为蓄电状态的成本；

抽水蓄能电站参与电网调度过程中，具体要满足的约束如下：

其一，抽水蓄能电站蓄水充电与放水发电功率约束：

其二，充放电状态约束：

上述两种约束均涉及到抽水蓄能电站的充放电状态，

则为抽水蓄能电站的放水时发电功率以及其蓄水状态下的抽水功率；而

则分别表示抽水蓄能电站在t时刻的充放电状态，因为水电站水库的水力发电系统受水流影响，仅能按照一种模式运行，因此电站只会处于蓄能，发电以及停机任一一种独立状态，不会受到系统其他外力因素的影响；因此

为“1”时分别表示该时刻电站为抽水蓄能/发电放水状态，

为“0”时则表示该时刻电站处于放水发电/抽水蓄能状态或者并未工作；P^x则为抽水蓄能电站最优功率点处对应的运行功率，即为抽水蓄能功率的最优功率点处功率；而

则表示电站参与电网调度过程中放水发电功率的最高功率和最低功率；上述约束将抽水蓄能电站的充放电状态以及功率描述完全，每个时间段单独针对

二者数值变化即可计入成本当中参与成本建模；

需要保证蓄水量在安全范围内，即保证抽水蓄能电站所容纳的负荷量在规定范围内，即保证抽水蓄能电站满足以下约束：

式(17)中，

表示时刻t时抽水蓄能电站所容纳的负荷量，即是电站水库的蓄水量；

则分别表示抽水蓄能电站的充放电效率，即蓄水效率与发电效率；

则分别表示抽水蓄能电站储能容量上下限，即水库蓄水量上下限；最后

则分别为蓄能电站在一个调度周期始末时抽水蓄能电站所容纳的电量。

7.根据权利要求1所述的源荷储多时间尺度协调调度模型，其特征在于，所述常规发电机组中，常规发电机组是为日常电力系统调度出力最重要的环节，也是电网调度中最重要的一部分，但是因为其调度受爬坡速率等硬性因素等影响，在需求侧负荷环节负荷曲线起伏较大的时候无法使其完全应付突然增大的负荷或者突然降低的负荷；同时也因为风电不断的需要并入电网，风电的不确定性对电网消纳风电的这一举动更极大加深了常规机组的负荷，因此将多个火电机组数学模型并化为一个整体火电机组模型来描述机组的数学模型；具体模型如下：

上述式(18)中，从上到下依次为传统的常规发电机组的机组出力约束、上下爬坡约束、最小启停时间约束以及常规机组的启停状态约束；这些约束主要用于对常规机组并入电网当中的负荷出力以及负荷状态进行描述；U_G,t表示整个机组在时刻t时的启停状态的二进制变量，当U_G,t取值为1时，机组处于开机状态并与电网交互，参与电网调度，当U_G,t取值为0时，机组则处于停机状态，机组出力为0，不参与调度；P_G,t则表示整个发电机组在时段t时的参与调度的机组出力；

则分别表示整个发电机组的上爬坡速率和下爬坡速率，所谓上下爬坡速率即是单位时间内常规机组变化速率；

则表示整个机组在时段t的连续开停机时间；

为常规机组的最小开、停机时间；y_G,t、z_G,t为二进制变量，因为机组不会同时开机与关机，因此二者可分别表示为t时刻整个机组的开关机状态，因此二者不会同时为1，因此二者之和恒小于1；

不需要考虑机组的建造成本，仅需要考虑启停成本以及出力成本，启停成本函数如下：

式(19)中，F_qt表示整个机组的启停成本,k_qt则是表示单次启停成本系数；

常规机组中更为重要的便是常规机组的发电出力成本，其主要是通过将每一时刻的机组出力带入函数当中，并将各个时段的总出力成本相加，便可得到常规机组的发电出力成本，成本函数如下所示：

式(20)中，F_cl表示整个发电机组的发电出力成本，P_G,t则表示风电出力系数，同时a_i、b_i、c_i为机组发电成本系数，三系数在发电机组确定的情况下，数值确定，求取发电成本系数仅需将机组出力功率代入即可求出发电成本；常规机组总成本便由启停成本F_qt与发电成本F_cl相加即可。

Images