CN115954957A - 一种复合发电系统的容量配置方法、装置和电子设备 - Google Patents

Abstract

本发明公开了一种复合发电系统的容量配置方法、装置和电子设备，方法包括：初始化复合发电系统的容量配置参数；基于容量配置参数初始化复合发电系统的出力情况参数；以年收益最大为第一优化目标，基于预设的阶梯碳价信息对出力情况参数进行优化调整，得到最大期望年收益；基于最大期望年收益和容量配置参数计算投资回收时间，并以投资回收时间最短为第二优化目标，对容量配置参数进行优化调整，得到新容量配置参数；基于新容量配置参数迭代优化，直至达到预设停止迭代条件，得到最佳的新容量配置参数。本发明提供的技术方案，针对风电、光伏、火电、抽水蓄能‑电池储能混合储能组成的复合发电系统，实现了考虑阶梯碳价机制的最优容量配置。

Description

一种复合发电系统的容量配置方法、装置和电子设备

技术领域

本发明涉及电力系统领域，具体涉及一种复合发电系统的容量配置方法、装置和电子设备。

背景技术

随着“双碳”目标的提出，新能源的装机容量在未来一段时间内将呈现迅猛增加的趋势。然而新能源发电具有随机性和不确定性，会对电力系统的安全稳定造成一定的影响。目前鼓励统筹风电、光伏、火电、储能等各类电源，积极实施存量“风光火储一体化”。

对于存量火电项目，应结合送电端近区的新能源开发条件、出力特性和受端系统消纳空间，努力扩大火电附近的打捆新能源电力规模。储能、风电和光伏的协调运行是优化存量火电、实现系统能源低碳化的有效途径之一。

储能技术各有优劣，有学者提出采用混合储能的方式克服单一储能的局限性，以提升系统效率。考虑对大规模充放电，抽水蓄能仍是较好的选择，抽水蓄能-电池储能混合储能系统得以应用，其中电池仅用于较低的能量短缺，而抽水蓄能作为高能量需求的主要存储。然而目前的技术针对抽水蓄能-电池储能的混合储能系统仅以经济效益最大化为目标进行了容量优化分析，尚未考虑到系统碳排放成本。并且，目前的研究主要集中于统一型碳价的碳交易机制下的复合储能容量配置，尚未针对风电、光伏、火电、抽水蓄能-电池储能混合储能组成的复合发电系统，提出考虑阶梯碳价机制的容量配置方案。

发明内容

有鉴于此，本发明实施方式提供了一种复合发电系统的容量配置方法、装置和电子设备，从而针对风电、光伏、火电、抽水蓄能-电池储能混合储能组成的复合发电系统，实现了考虑阶梯碳价机制的最优容量配置。

根据第一方面，本发明实施例提供了一种复合发电系统的容量配置方法，所述方法包括：初始化复合发电系统的风电、光伏、混合储能的容量配置参数，所述混合储能包括抽水蓄能和电池储能；基于所述容量配置参数初始化复合发电系统的出力情况参数；以复合发电系统的年收益最大为第一优化目标，基于预设的阶梯碳价信息对所述出力情况参数进行优化调整，并计算优化后的出力情况参数对应的最大期望年收益；基于所述最大期望年收益和所述容量配置参数计算复合发电系统的投资回收时间，并以所述投资回收时间最短为第二优化目标，对所述容量配置参数进行优化调整，得到新容量配置参数；将所述新容量配置参数作为所述容量配置参数，返回所述基于所述容量配置参数初始化复合发电系统的出力情况参数的步骤进行迭代计算，直至达到预设停止迭代条件，并利用停止迭代时得到的新容量配置参数对风电、光电和混合储能进行容量配置。

可选地，所述初始化复合发电系统的风电、光电、混合储能的容量配置参数，包括：以混沌Tent映射机制初始化包含多个个体的初始容量配置参数；通过对立学习机制为所述初始容量配置参数的每个个体生成对立位置的个体；计算每个个体和其对立个体的适应度，并将每组个体中适应度较小的个体删除，将剩余个体作为所述容量配置参数。

可选地，所述基于所述容量配置参数初始化复合发电系统的出力情况参数，包括：通过拉丁超立方抽样算法对风电和光伏的出力场景样本进行抽样，并通过同步回代法削减抽样结果，得到风电和光伏的典型出力场景；根据所述容量配置参数和所述典型出力场景，通过混沌Tent映射机制初始化包含多个个体的初始出力情况参数；通过对立学习机制为所述初始出力情况参数的每个个体生成对立位置的个体；计算每个个体和其对立个体的适应度，并将每组个体中适应度较小的个体删除，将剩余个体作为所述出力情况参数。

可选地，所述以复合发电系统的年收益最大为第一优化目标，基于预设的阶梯碳价信息对所述出力情况参数进行优化调整，并计算优化后的出力情况参数对应的最大期望年收益，包括：基于预设的阶梯碳价信息建立所述第一优化目标对应的年收益优化函数；将所述出力情况参数输入所述年收益优化函数进行计算，输出出力情况参数中每个个体对应的期望年收益；计算每个个体的期望年收益占全部个体的总期望年收益的收益比例；将每个个体对应的收益比例与预设收益比例阈值进行比对；若当前个体的收益比例小于所述预设收益比例阈值，则基于差分进化算法对当前个体进行更新；若当前个体的收益比例不小于所述预设收益比例阈值，则基于灰狼优化算法对当前个体进行更新；基于更新后的个体之间的欧式距离计算各个个体的第一扰动算子，并将互相对应的第一扰动算子和个体相乘，得到优化后的新出力情况参数；将所述新出力情况参数作为所述出力情况参数，返回所述将所述出力情况参数输入所述年收益优化函数进行计算的步骤，直至达到预设停止优化条件，并在停止优化时通过所述年收益优化函数输出所述新出力情况参数对应的所述最大期望年收益。

可选地，所述年收益优化函数为：

式中，E[]表示数学期望，f_R(P_sell,t,P_G,t)为年收益函数，π_s为风电、光伏第s个出力场景的发生概率，M_s是出力场景个数，满足

P_sell,t为t时刻复合发电系统同电网交互的功率，T表示时间长度，P_G,t为t时刻火电出力，λ_sell,t为t时刻复合发电系统同电网售电电价，

为系统运行碳排放成本，C_G为火力发电成本，Δt表示时刻之间的间隔，其中

式中，a,b,c为火电机组发电成本系数，Δt表示时刻之间的间隔，m_G为火力发电的碳排放系数，Q_g为火电机组碳排放总量，Q_GP为系统碳配额总量，

为所述预设的阶梯碳价信息。

可选地，所述基于所述最大期望年收益和所述容量配置参数计算复合发电系统的投资回收时间，并所述投资回收时间最短为第二优化目标，对所述容量配置参数进行优化调整，得到新容量配置参数，包括：创建所述第二优化目标对应的投资回收时间函数；将所述容量配置参数和所述最大期望年收益输入所述投资回收时间函数进行计算，输出容量配置参数中每个个体对应的投资回收时间；计算每个个体的投资回收时间占全部个体的总投资回收时间的时间比例；将各个个体对应的时间比例与预设时间比例阈值进行比对；若当前个体的时间比例小于所述预设时间比例阈值，则基于差分进化算法对当前个体进行更新；若当前个体的时间比例不小于所述预设时间比例阈值，则基于灰狼优化算法对当前个体进行更新；基于更新后的个体之间的欧式距离计算各个个体的第二扰动算子，并将互相对应的第二扰动算子和个体相乘，得到优化后的新容量配置参数。

可选地，所述投资回收时间函数为：

式中，F₁为复合发电系统的投资回收时间，E[f_R(P_sell,t,P_G,t)]为系统所能获得的年收益期望，其中f_R(P_sell,t,P_G,t)为年收益函数，P_sell,t为t时刻复合发电系统同电网交互的功率；P_G,t为t时刻火电出力；C_y为系统总投建成本，C_c为系统总运维成本；

其中

C_c＝e_GP_G+e_wP_w+e_pvP_pv+e_PHSP_PHS+e_BSSP_BSS

式中，k_w、k_pv、k_P、k_B分别为风电机组、光伏机组、可逆式水泵水轮机、电池储能系统的单位投建成本，P_w、P_pv、P_P、P_B分别为风电机组、光伏机组、可逆式水泵水轮机、电池储能系统的配置容量，T_r,w、T_r,pv、T_r,P、T_r,B为风电机组、光伏机组、可逆式水泵水轮机、电池储能系统的使用年限，r为贴现率，e_G、e_w、e_pv、e_PHS、e_BSS为火电、风电、光伏、抽水蓄能可逆式水泵水轮机以及电池储能的单位运维费用。

根据第二方面，本发明实施例提供了一种复合发电系统的容量配置装置，所述装置包括：容量初始化模块，用于初始化复合发电系统的风电、光伏、混合储能的容量配置参数，所述混合储能包括抽水蓄能和电池储能；出力情况初始化模块，用于基于所述容量配置参数初始化复合发电系统的出力情况参数；年收益模块，用于以复合发电系统的年收益最大为第一优化目标，基于预设的阶梯碳价信息对所述出力情况参数进行优化调整，并计算优化后的出力情况参数对应的最大期望年收益；容量参数调整模块，用于基于所述最大期望年收益和所述容量配置参数计算复合发电系统的投资回收时间，并以投资回收时间最短为第二优化目标，对所述容量配置参数进行优化调整，得到新容量配置参数；迭代优化模块，用于将所述新容量配置参数作为所述容量配置参数，返回所述基于所述容量配置参数初始化复合发电系统的出力情况参数的步骤进行迭代计算，直至达到预设停止迭代条件，并基于停止迭代时得到的新容量配置参数对风电、光电和混合储能进行容量配置。

根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。

根据第四方面，本发明实施例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指令，所述计算机指令用于使计算机执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。

本申请提供的技术方案，具有如下优点：

本申请提供的技术方案，提出了一种包括上层和下层的双层优化模型，从而优化得到复合发电系统的容量参数。首先，在上层优化单元初始化复合发电系统的风电、光伏、混合储能的容量配置参数，然后先转到下层优化单元，基于容量配置参数初始化复合发电系统的出力情况参数，在下层优化单元中，以复合发电系统的年收益最大为第一优化目标，基于预设的阶梯碳价信息对出力情况参数进行优化调整，使优化后的出力情况参数对应计算得到最大期望年收益；然后转到上层优化单元，基于得到的最大期望年收益和初始化的容量配置参数计算复合发电系统的投资回收时间，在上层优化单元中，以投资回收时间最短为第二优化目标，对容量配置参数进行优化调整，得到新容量配置参数；之后继续转移到下层优化，基于新容量配置参数初始化复合发电系统的出力情况参数，并计算新的最大期望年收益；如此反复迭代，直至达到预设停止迭代条件，并利用停止迭代时得到的新容量配置参数对风电、光电和混合储能进行容量配置。从而实现了一种满足阶梯碳价机制且使复合电力系统回收投资最快的容量配置方案。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1示出了本发明一个实施方式中一种复合发电系统的容量配置方法的步骤示意图；

图2示出了本发明一个实施方式中一种复合发电系统的容量配置方法的流程示意图；

图3示出了本发明一个实施方式中一种复合发电系统的容量配置方法的另一个流程示意图；

图4示出了本发明一个实施方式中一种复合发电系统的容量配置装置的结构示意图；

图5示出了本发明一个实施方式中一种电子设备的结构示意图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

请参阅图1和图2，在一个实施方式中，一种复合发电系统的容量配置方法，具体包括以下步骤：

步骤S101：初始化复合发电系统的风电、光伏、混合储能的容量配置参数，混合储能包括抽水蓄能和电池储能。

步骤S102：基于容量配置参数初始化复合发电系统的出力情况参数；

步骤S103：以复合发电系统的年收益最大为第一优化目标，基于预设的阶梯碳价信息对出力情况参数进行优化调整，并计算优化后的出力情况参数对应的最大期望年收益；

步骤S104：基于最大期望年收益和容量配置参数计算复合发电系统的投资回收时间，并以投资回收时间最短为第二优化目标，对容量配置参数进行优化调整，得到新容量配置参数；

步骤S105：将新容量配置参数作为容量配置参数，返回基于容量配置参数初始化复合发电系统的出力情况参数的步骤进行迭代计算，直至达到预设停止迭代条件，并利用停止迭代时得到的新容量配置参数对风电、光电和混合储能进行容量配置。

具体地，对于存量火电项目，结合送电端近区的新能源开发条件、出力特性和受端系统消纳空间，在存量火电项目附近配置储能、风电和光伏容量，并协调运行配置的新能源能够优化存量火电、实现系统能源低碳化。为了有效配置火电附近的风电、光伏和混合储能的容量，本发明实施例提出了一种复合发电系统的容量双层优化配置模型，该模型针对风电、光伏和混合储能，提出了上层与下层两个优化单元。其中上层优化单元用于调整容量配置参数，下层优化单元用于计算发电系统的最大期望年收益，上层优化单元需要使用下层优化单元输出的最大期望年收益计算发电系统的投资回收时间，从而以投资回收时间最短为上层优化目标，调整得到最佳的容量配置参数。

首先，上层优化单元初始化复合发电系统的风电、光伏、混合储能的容量配置参数，容量配置参数包括多种容量配置方案，具体包括风电机组数、光伏电站的光伏电池数、抽水蓄能电站库容体积和装机容量、电池储能容量。上层优化单元需要利用容量配置参数计算投资成本，并利用投资成本和最大期望年收益计算投资回收时间，才能执行投资回收时间最短的优化计算。从而上层优化单元先将初始化的容量配置参数传送至下层优化单元，下层优化单元根据初始化的容量配置参数对各类机组运行出力情况进行初始化，即复合发电系统的出力情况参数，具体包括各类机组在各个时刻的多种出力功率组成的不同出力方案。下层优化单元以复合发电系统的年收益最大为第一优化目标，充分考虑阶梯碳价机制，以预设的阶梯碳价信息和出力情况参数计算年收益值，通过调整出力情况参数使年收益值递增，经过多次迭代后，得到最优出力情况参数，并计算对应的最大期望年收益。之后，上层优化单元接收下层优化单元返回的最大期望年收益，结合初始化的容量配置参数计算投资回收时间，上层优化单元以投资回收时间最短为第二优化目标，调整容量配置参数，使投资回收时间递减，并得到调整后的新容量配置参数。之后上层优化单元将新容量配置参数再次传输给下层优化单元，使下层优化单元计算新的最大期望年收益，如此反复迭代多次，直至达到预设停止迭代条件，最后利用停止迭代时得到的新容量配置参数对风电、光电和混合储能进行容量配置。从而实现了一种满足阶梯碳价机制且使复合电力系统回收投资最快的容量配置方案。

具体地，在本实施例中，选用抽水蓄能与电池储能组成的混合储能系统，抽水蓄能负责系统较大功率的吸收与释放，电池储能负责系统小功率的吸收与释放。抽水蓄能用于平抑风电、光伏出力波动，提升系统效益。与其他类型储能相比，具有使用寿命长，度电成本较低，清洁低碳等优势。在电价较低或输电通道容量达到上限等情况出现，系统需要存储电力时，抽水蓄能可以通过可逆式水泵水轮机将下水库的水抽到上水库，将电能转化为势能，完成时段储能；在电价较高且输电通道容量尚有富余，系统需抽水蓄能放电时，释放上水库存储水量，实现发电，以此提升系统经济效益。而抽水蓄能电站配置的可逆式水泵水轮机抽水、发电具有一定阈值，通常需要达到水泵机组容量的15％左右才可进行抽水/发电，这对系统经济效益将造成一定影响。本发明实施例通过配置电池储能可以降低系统充放电阈值，吸收/释放抽水蓄能无法吸收的小功率，提升系统灵活性，助力系统提升新能源出力占比。

其中，抽水蓄能的数学模型可表示为：

V_u,t＝K_PHSE_PO2,t

式中，V_u,t、V_d,t为抽水蓄能上下水库t时刻的库容。

为t时刻抽水蓄能可逆式水泵水轮机抽水、发电出力，η_PHS,p、η_PHS,g为可逆式水泵水轮机抽水、发电效率。u_p,t，u_g,t为0-1变量，表征可逆式水泵水轮机的运行工况，其值取1时，分别表示可逆式水泵水轮机抽水状态与发电状态，且u_p,tu_g,t＝0，E_PO2,t为t时刻上水库存储电量，K_PHS为水量与出力功率的转化系数，Δt为时间间隔。

电池储能的数学模型可表示为：

式中，S_BO2,t为电池储能荷电状态，χ_BSS为电池储能自损率，u_cha,t，u_dis,t为0-1变量，其值取1时，分别表示电池储能充、放电状态，且u_cha,tu_dis,t＝0。η_cha,B、η_dis,B为电池储能充、放电效率，E_BO2,max为电池容量，

为t时刻电池储能充、放功率。

具体地，碳交易实质上是通过买卖碳排放配额来实现碳减排的一种交易机制。相关部门通过有偿或无偿的方式将一定的碳排放额分配给具有碳排放的发电企业，当发电企业的实际碳排放量小于政府分配的配额时，可以出售多余的配额，从而获得收益；反之，发电企业必须购买碳排放配额来补偿超出的碳排放量。本发明实施例中所提复合发电系统的火电机组的碳排放量占比最高，其他机组运行期间和建设期间的碳排放可以忽略不计。系统实际碳排放计算如下式所示：

式中，Q_g为火电机组碳排放量，m_G为火电机组碳排放系数，P_G,t为t时刻火电出力。

本发明实施例系统中仅有火电机组可获碳配额。系统碳配额计算如下：

式中，Q_GP为系统碳配额总量，δ为机组单位发电碳配额。

传统碳交易通常采用统一型碳价，即无论排放多少二氧化碳，都采用统一的碳价。为了更加严格约束系统碳排放，本实施例依据实际碳排放量与无偿分配的碳配额之间的关系，提出相较于统一型碳交易机制为更加严格的约束的阶梯碳价机制，在统一型碳交易基础上，采用分碳排量区间计算碳交易成本，当碳排放与碳配额的差值超过给定的区间时，超出部分增加碳交易的价格，当碳排放量低于碳配额，将多出的碳排放权售出获得收益，并引入补偿系数加大减排的奖励力度。本发明实施例预设的阶梯碳价信息如下：

式中，K_co2为依据实际碳排放所在区间得出的阶梯碳价信息。α为奖惩因子，h为碳排放区间长度系数，当α为0时，即为统一型电价。

将上述阶梯碳价信息引入双层优化模型，可以通过合理地设置阶梯碳价机制奖惩系数、碳交易基价、碳价区间系数，得到不同的容量配置参数，进而引导系统进行碳减排。

具体地，针对前述上层优化单元和下层优化单元的优化求解，灰狼算法是一种模拟灰狼群体生活与捕食行为的群体智能算法，具有参数依赖性小、寻优性能好等优势，已广泛用于系统规划、路径规划等领域，也适用于与本文风/光/储容量配置的双层模型求解。灰狼算法中群体领导者α狼是整个群里的管理者(当前最优的容量配置参数个体或当前最优的出力情况参数个体)，β狼、γ狼、ω狼级别依次降低，低级别狼服从于高级别狼。β狼、γ狼负责协助α狼辅助捕食过程的决策。整个灰狼群体在α狼的引领下朝着最优解方向逐步靠近，最终得到最优解。

然而传统的灰狼算法在初始种群选取、全局与局部开发、种群多样性这个几个方面存在一些导致收敛速度变慢的问题，从而本发明实施例通过引入混沌对立学习机制、差分进化、个体扰动机制对传统灰狼算法进行改进，提高传统灰狼算法的寻优能力与收敛速度。

(1)针对种群初始化环节的改进。

在搜索空间中以混沌Tent映射机制初始化灰狼个体位置，形成初始种群X，通过对立学习机制生成由初始种群X对立位置构成的对立种群X'，保留X与X'中适应度更大的灰狼个体在初始种群中，得到最终的初始灰狼种群。

换言之，首先利用Tent映射生成初始种群：

式中，i为种群规模，i＝1,2,3,…,N，j为混沌序号，j＝1,2,3,…,d，r为随机数，且r∈[0,1]，μ为混沌参数，μ∈[0,2]，y_i,j表示第i种群的第j个个体。

再通过对立学习机制生成对立解：

x_i,j＝l_i,j+y_i,j×(u_i,j-l_i,j),x_i∈X,

式中，l_i,j和u_i,j分别为元素x_i∈X的下界和上界。

对立解生成后，比较原始个体和对立个体的适应度f(x')与f(x)，保留二者中适应度更大的一个解(适应度通过适应度函数计算得到，在本发明实施例中，适应度函数即上层优化单元中投资回收时间对应的目标函数和下层优化单元中最大期望年收益对应的目标函数)。从而通过本实施例的改进，使初始化的参数个体适应度更大，更接近于最优解，减少迭代次数，提高灰狼优化算法的收敛速度。

具体地，基于上述种群初始化环节的改进，在一实施例中，上述步骤S101，具体包括如下步骤：

步骤一：以混沌Tent映射机制初始化包含多个个体的初始容量配置参数。

步骤二：通过对立学习机制为初始容量配置参数的每个个体生成对立位置的个体；

步骤三：计算每个个体和其对立个体的适应度，并将每组个体中适应度较小的个体删除，将剩余个体作为容量配置参数。

具体地，步骤一至步骤三的原理解释可参考上述针对灰狼算法种群初始化环节改进的相关描述，在此不再赘述。

具体地，基于上述种群初始化环节的改进，在一实施例中，上述步骤S102，具体包括如下步骤：

步骤四：通过拉丁超立方抽样算法对风电和光伏的出力场景样本进行抽样，并通过同步回代法削减抽样结果，得到风电和光伏的典型出力场景。

步骤五：根据容量配置参数和典型出力场景，通过混沌Tent映射机制初始化包含多个个体的初始出力情况参数。

步骤六：通过对立学习机制为初始出力情况参数的每个个体生成对立位置的个体。

步骤七：计算每个个体和其对立个体的适应度，并将每组个体中适应度较小的个体删除，将剩余个体作为出力情况参数。

具体地，步骤五至步骤七的原理参考上述针对灰狼算法种群初始化环节改进的相关描述，在此不再赘述。需要注意的是，受到光照强度和风速的影响，光伏与风电出力具有随机性与不确定性等特点，从而本发明实施例在步骤四中采用场景分析法处理风、光的不确定性，具体通过拉丁超立方抽样算法对大量风电和光伏的出力场景样本抽样，生成场景，然后通过同步回代法削减场景，得到概率最大的若干典型出力场景，以及每个典型出力场景的概率。以降低光伏与风电出力不确定性的影响。其中，拉丁超立方场景生成和同步回代法场景削减为现有技术，在此不再赘述。

(2)针对个体位置更新环节的改进。

传统灰狼算法根据初始灰狼种群位置中适应度最大的α狼、β狼、γ狼对其他各个个体进行位置更新，从而对猎物(最优解)进行捕食(寻优)。

式中，C、A为系数矢量，灰狼会逐步减小与猎物间的距离，该距离由参数A、D决定，A逐步减小，D_α、D_β、D_γ表示当前待更新的个体分别与α狼、β狼、γ狼的距离，X₁、X₂、X₃是当前待更新个体分别向三头狼的移动趋势向量，T_max为算法的最大迭代次数，t为当前迭代次数。X_α(t)、X_β(t)、X_γ(t)分别为α狼、β狼、γ狼的位置，X(t)为待更新个体位置，X(t+1)是待更新个体更新后的位置。

本发明实施例运用差分进化方法，通过变异算子、交叉算子与选择算子提升种群多样性，改进上述位置更新环节。

变异算子表示如下

v_i(t)＝x_r1(t)+w×(x_r2(t)-x_r3(t))

式中，v_i(t)表示第i个变异解，x表示当前种群中的解，t表示当前迭代数，N为种群规模，下标r1、r2、r3表示3个[1，N]内随机选择的相互独立的整数，对应于3个不同的个体，w表示变异因子，用于控制两个个体之间的差分变化。

交叉算子表示如下：

个体变异后，利用交叉算子在目标矢量上可以进一步增加种群的多样性。差分进化在当前个体x_i(t)和变异个体v_i(t)中利用交叉算子生成子代个体z_i(t)，具体表示为

式中，rand表示[0,1]间的随机值，CR表示个体交叉概率。

选择算子表示如下：

利用贪婪策略将父代个体x_i(t)与其子代个体z_i(t)进行比较，实现新个体的选择，具体为

式中，f(z)为矢量z的适应度函数值，在本发明实施例中，即为年收益优化函数或投资回收时间函数。

另外，本发明实施例定义个体x_i的选择概率为其x_i的适应度与种群总体适应度间的比例，表示为

利用选择概率P决定灰狼个体是否依据差分进化策略进行位置更新。若P≥预设阈值，则利用传统灰狼算法对当前解x_i进行位置更新；若P<预设阈值，则利用差分进化法对当前解x_i进行位置更新。

最后，利用个体扰动增强灰狼算法的全局搜索能力，将扰动算子D_op定义为：

式中，Dis_i,j表示灰狼个体i和j之间的欧氏距离，j是个体i最近的邻居个体，

表示区间[a,b]间的均匀分布的随机量。根据扰动算子的定义可知，当两个灰狼个体相互较为接近时，D_op<1，这将导致灰狼向着初始点收敛。为了维持灰狼种群的多样性，从而将当前种群与扰动算子相乘。

本发明实施例通过上述对灰狼算法个体位置更新环节的改进，从而提高了种群多样性和算法的全局搜索能力，避免陷入局部最优，提高了传统灰狼算法的寻优能力与收敛速度。

基于上述针对个体位置更新环节的改进，本发明实施例的步骤S103，具体包括如下步骤：

步骤八：基于预设的阶梯碳价信息建立第一优化目标对应的年收益优化函数。

具体地，步骤八相当于创建适应度函数f。

步骤九：将出力情况参数输入年收益优化函数进行计算，输出出力情况参数中每个个体对应的期望年收益。

步骤十：计算每个个体的期望年收益占全部个体的总期望年收益的收益比例。

具体地，步骤九至步骤十相当于计算前述的选择概率P。

步骤十一：将每个个体对应的收益比例与预设收益比例阈值进行比对。

步骤十二：若当前个体的收益比例小于预设收益比例阈值，则基于差分进化算法对当前个体进行更新。

步骤十三：若当前个体的收益比例不小于预设收益比例阈值，则基于灰狼优化算法对当前个体进行更新。

具体地，步骤十一至步骤十三相当于根据选择概率P选择对应的个体更新方法，使用传统灰狼算法更新方法或差分进化算法更新方法。

步骤十四：基于更新后的个体之间的欧式距离计算各个个体的第一扰动算子，并将互相对应的第一扰动算子和个体相乘，得到优化后的新出力情况参数。

步骤十五：将新出力情况参数作为出力情况参数，返回将出力情况参数输入年收益优化函数进行计算的步骤，直至达到预设停止优化条件，并在停止优化时通过年收益优化函数输出新出力情况参数对应的最大期望年收益。

具体地，将扰动后的出力情况参数重新输入年收益优化函数进行迭代优化，直至达到预设停止优化条件，得到最佳出力情况参数，并对应输出最大期望年收益。步骤八至步骤十五的算法原理和有益效果参考上述灰狼算法个体位置更新环节改进的相关描述，在此不再赘述。

基于上述针对个体位置更新环节的改进，本发明实施例的步骤S104，具体包括如下步骤：

步骤十六：创建第二优化目标对应的投资回收时间函数。

步骤十七：将容量配置参数和最大期望年收益输入投资回收时间函数进行计算，输出容量配置参数中每个个体对应的投资回收时间。

步骤十八：计算每个个体的投资回收时间占全部个体的总投资回收时间的时间比例。

步骤十九：将各个个体对应的时间比例与预设时间比例阈值进行比对。

步骤二十：若当前个体的时间比例小于预设时间比例阈值，则基于差分进化算法对当前个体进行更新。

步骤二十一：若当前个体的时间比例不小于预设时间比例阈值，则基于灰狼优化算法对当前个体进行更新。

步骤二十二：基于更新后的个体之间的欧式距离计算各个个体的第二扰动算子，并将互相对应的第二扰动算子和个体相乘，得到优化后的新容量配置参数。

具体地，上述步骤十六至步骤二十二的处理过程是通过改进灰狼算法对容量配置参数进行个体更新的过程，原理解释和有益效果可参考上述灰狼算法个体位置更新环节改进的相关描述，并可参考步骤八至步骤十五的相关描述，在此不再赘述。

综上，如图3所示，将改进的灰狼算法应用于本发明实施例提供的容量配置方法，具体步骤如下：

1.利用混沌Tent对立机制初始化上层种群(容量配置参数)。

2.将上层种群传输至下层优化单元，利用混沌Tent对立机制初始化下层种群(出力情况参数)。

3.利用出力情况参数和阶梯碳价信息在下层计算期望年收益的适应度函数值。

4.将期望年收益最大作为优化目标,利用改进灰狼算法对出力情况参数调整，当下层迭代次数TI1达到TI_max(预设停止优化条件)时，输出最佳出力情况参数，并计算对应的最大期望年收益。

5.将最大期望年收益返回上层优化单元，结合容量配置参数计算投资回收时间。

6.若上层的迭代次数TI2没有达到TI_max(预设停止迭代条件)，将投资回收时间最大作为优化目标，利用改进的灰狼算法对容量配置参数进行优化调整，然后将优化后的容量配置参数再次传输给下层优化单元，继续进行下层优化。

7.若上层的迭代次数TI2达到了TI_max(预设停止迭代条件)，输出优化后的容量配置参数，对风电、光伏、混合储能的容量进行配置。

具体地，在一实施例中，为验证本发明实施例所提改进灰狼算法IGWO的优势，以奖惩系数取0.3，碳交易基价取200的阶梯碳价机制情景的系统容量配置为例，将改进灰狼算法IGWO与改进前传统灰狼算法GWO、粒子群算法PSO、改进粒子群算法IPSO、快速非支配排序混合遗传算法NSGA-II进行对比。算法参数设置为：初始种群规模50，最大迭代次数500次，每种算法各自独立运行10次取最优适应度函数、运行耗时这两个评价指标的平均值，各类算法对比所得结果如表1所示。

从算法改进来看，改进灰狼算法IGWO相较于GWO迭代次数更少，改进灰狼算法求解适应度函数值所花时间相较于GWO算法有所减少，且求解得出的结果更优。对比各算法仿真结果可知，改进灰狼算法在最优适应度函数、运行耗时均优于对比算法，可见，本发明实施例提出的改进灰狼算法寻优能力更强，收敛速度更快。

表1各类算法仿真结果对比

具体地，在一实施例中，将预设阶梯碳价碳价信息引入优化环节，本发明实施例在下层优化单元提出的年收益优化函数为：

式中，E[]表示数学期望，f_R(P_sell,t,P_G,t)为年收益函数，π_s为风电、光伏第s个出力场景的发生概率，M_s是出力场景个数，满足

P_sell,t为t时刻复合发电系统同电网交互的功率，T表示时间长度，P_G,t为t时刻火电出力，λ_sell,t为t时刻复合发电系统同电网售电电价，

为系统运行碳排放成本，C_G为火力发电成本，Δt表示时刻之间的间隔。其中，

式中，a,b,c为火电机组发电成本系数，Δt表示时刻之间的间隔，m_G为火力发电的碳排放系数，Q_g为火电机组碳排放总量，Q_GP为系统碳配额总量，

为预设的阶梯碳价信息。

年收益优化函数的约束条件包括：

1)系统功率平衡约束

式中，P_G,t、P_w,t、P_pv,t分别为t时刻火电、风电、光伏出力，P_sell,t为t时刻系统大电网交互的功率。

为t时刻电池储能充、放功率。

为t时刻抽水蓄能可逆式水泵水轮机抽水、发电出力。

2)系统与电网交互功率约束

P_tal,min≤P_sell,t≤P_tal,max

式中，P_tal,min、P_tal,max分别为系统与大电网交互功率上下限。

3)火电机组约束

P_G,min≤P_G,t≤P_G,max，|P_G,t-P_G,t-1|≤θP_G

式中，P_G,min、P_G,max为火电机组出力上下限，P_G为火电机组装机容量，θ为机组爬坡率。

4)抽水蓄能库容约束

V_u,min≤V_u,t≤V_u,max

V_d,min≤V_d,t≤V_d,max

式中，V_u,t、V_d,t为抽水蓄能上下水库t时刻的库容，V_u,min、V_u,max为上水库库容上下限，V_d,max、V_d,min为下水库库容上下限。

为t时刻抽水蓄能可逆式水泵水轮机抽水、发电出力，P_PHS,max为可逆式水泵水轮机出力上限，P_PHS*ε为可逆式水泵水轮机出力下限，与抽水蓄能装机容量有关。限制一天中抽水蓄能进水量与出水量相同，即每天抽水蓄能水库初始水量一致。u_p,t，u_g,t为0-1变量，表征可逆式水泵水轮机的运行工况，其值取1时，分别表示可逆式水泵水轮机抽水状态与发电状态，且u_p,tu_g,t＝0；η_PHS,p、η_PHS,g为可逆式水泵水轮机抽水、发电效率。

6)电池储能约束

S_BO2,min≤S_BO2,t≤S_BO2,max

式中，S_BO2,max、S_BO2,min为电池储能SOC上下限，P_BSS,min、S_BO2,max为电池储能充放电功率上下限，限制一天中电池储能充放电量相同，即每天电池储能内部初始电量一致。S_BO2,t为电池储能荷电状态，u_cha,t，u_dis,t为0-1变量，其值取1时，分别表示电池储能充、放电状态，且u_cha,tu_dis,t＝0。η_cha,B、η_dis,B为电池储能充、放电效率，

为t时刻电池储能充、放功率。

具体地，在一实施例中，本发明实施例在上层优化单元提出的投资回收时间函数为：

式中，F₁为系统的投资回收时间，E[f_R(P_sell,t,P_G,t)]为系统所能获得的年收益期望，其中f_R(P_sell,t,P_G,t)为年收益函数，P_sell,t为t时刻复合发电系统同电网交互的功率；P_G,t为t时刻火电出力；C_y为系统总投建成本，C_c为系统总运维成本；

其中

C_c＝e_GP_G+e_wP_w+e_pvP_pv+e_PHSP_PHS+e_BSSP_BSS

式中，k_w、k_pv、k_P、k_B分别为风电机组、光伏机组、可逆式水泵水轮机、电池储能系统的单位投建成本，P_w、P_pv、P_P、P_B分别为风电机组、光伏机组、可逆式水泵水轮机、电池储能系统的配置容量，T_r,w、T_r,pv、T_r,P、T_r,B为风电机组、光伏机组、可逆式水泵水轮机、电池储能系统的使用年限，r为贴现率，e_G、e_w、e_pv、e_PHS、e_BSS为火电、风电、光伏、抽水蓄能可逆式水泵水轮机以及电池储能的单位运维费用。

投资回收时间函数的约束条件包括：

1)可逆式水泵水轮机装机容量约束

P_P,min≤P_P≤P_P,max

式中，P_P,max、P_P,min分别为可逆式水泵水轮机装机容量上下限。

2)库容约束

V_U,min≤V_U≤V_U,max

V_Dmin≤V_D≤V_D,max

式中，V_U,max、V_U,min、V_D,max、V_Dmin分别为上下水库库容上下限。

3)电池储能容量约束

E_B,min≤E_BO2,max≤E_B,max

式中，E_B,max、E_B,min分别为电池储能装机容量上下限。

4)风电机组数量约束

NW_min≤NW≤NW_max

式中，NW_max、NW_min分别为风电机组台数上下限，NW表示风电机组装机数量。

5)光伏板数量约束

NP_min≤NP≤NP_max

式中，NP_max、NP_min分别为光伏板数量上下限，NP表示光伏板装机数量。

通过本发明实施例提供的投资回收时间函数、年收益优化函数以及两类函数的约束条件，充分考虑影响容量配置的相关因素，能够提高上层优化和下层优化的准确度，最终输出更加准确的容量配置参数。

通过上述步骤，本申请提供的技术方案，提出了一种考虑阶梯碳价机制的复合发电系统容量优化配置方法。包括一种包括上层和下层的双层优化模型，从而优化得到复合发电系统的容量参数。首先，在上层优化单元初始化复合发电系统的风电、光伏、混合储能的容量配置参数，然后先转到下层优化单元，基于容量配置参数初始化复合发电系统的出力情况参数，在下层优化单元中，以复合发电系统的年收益最大为第一优化目标，基于预设的阶梯碳价信息对出力情况参数进行优化调整，使优化后的出力情况参数对应计算得到最大期望年收益；然后转到上层优化单元，基于得到的最大期望年收益和初始化的容量配置参数计算复合发电系统的投资回收时间，在上层优化单元中，以投资回收时间最短为第二优化目标，对容量配置参数进行优化调整，得到新容量配置参数；之后继续转移到下层优化，基于新容量配置参数初始化复合发电系统的出力情况参数，并计算新的最大期望年收益；如此反复迭代，直至达到预设停止迭代条件，并利用停止迭代时得到的新容量配置参数对风电、光电和混合储能进行容量配置。从而实现了一种满足阶梯碳价机制且使复合电力系统回收投资最快的容量配置方案。通过合理地设置阶梯碳价机制奖惩系数、碳交易基价、碳价区间系数，合理引导系统进行碳减排。且采用改进的灰狼算法寻优能力更强、且可以有效提升模型求解速度。

如图4所示，本实施例还提供了一种复合发电系统的容量配置装置，该装置包括：

容量初始化模块101，用于初始化复合发电系统的风电、光伏、混合储能的容量配置参数，混合储能包括抽水蓄能和电池储能。详细内容参见上述方法实施例中步骤S101的相关描述，在此不再进行赘述。

出力情况初始化模块102，用于基于容量配置参数初始化复合发电系统的出力情况参数。详细内容参见上述方法实施例中步骤S102的相关描述，在此不再进行赘述。

年收益模块103，用于以复合发电系统的年收益最大为第一优化目标，基于预设的阶梯碳价信息对出力情况参数进行优化调整，并计算优化后的出力情况参数对应的最大期望年收益。详细内容参见上述方法实施例中步骤S103的相关描述，在此不再进行赘述。

容量参数调整模块104，用于基于最大期望年收益和容量配置参数计算复合发电系统的投资回收时间，并以投资回收时间最短为第二优化目标，对容量配置参数进行优化调整，得到新容量配置参数。详细内容参见上述方法实施例中步骤S104的相关描述，在此不再进行赘述。

迭代优化模块105，用于将新容量配置参数作为容量配置参数，返回基于容量配置参数初始化复合发电系统的出力情况参数的步骤进行迭代计算，直至达到预设停止迭代条件，并基于停止迭代时得到的新容量配置参数对风电、光电和混合储能进行容量配置。详细内容参见上述方法实施例中步骤S105的相关描述，在此不再进行赘述。

本发明实施例提供的复合发电系统的容量配置装置，用于执行上述实施例提供的复合发电系统的容量配置方法，其实现方式与原理相同，详细内容参见上述方法实施例的相关描述，不再赘述。

图5示出了本发明实施例的一种电子设备，该设备包括处理器901和存储器902，可以通过总线或者其他方式连接，图5中以通过总线连接为例。

处理器901可以为中央处理器(Central Processing Unit，CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如上述方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。

存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。

上述电子设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，实现的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种复合发电系统的容量配置方法，其特征在于，所述方法包括：

初始化复合发电系统的风电、光伏、混合储能的容量配置参数，所述混合储能包括抽水蓄能和电池储能；

基于所述容量配置参数初始化复合发电系统的出力情况参数；

以复合发电系统的年收益最大为第一优化目标，基于预设的阶梯碳价信息对所述出力情况参数进行优化调整，并计算优化后的出力情况参数对应的最大期望年收益；

基于所述最大期望年收益和所述容量配置参数计算复合发电系统的投资回收时间，并以所述投资回收时间最短为第二优化目标，对所述容量配置参数进行优化调整，得到新容量配置参数；

将所述新容量配置参数作为所述容量配置参数，返回所述基于所述容量配置参数初始化复合发电系统的出力情况参数的步骤进行迭代计算，直至达到预设停止迭代条件，并利用停止迭代时得到的新容量配置参数对风电、光电和混合储能进行容量配置。

2.根据权利要求1所述的方法，其特征在于，所述初始化复合发电系统的风电、光电、混合储能的容量配置参数，包括：

以混沌Tent映射机制初始化包含多个个体的初始容量配置参数；

通过对立学习机制为所述初始容量配置参数的每个个体生成对立位置的个体；

计算每个个体和其对立个体的适应度，并将每组个体中适应度较小的个体删除，将剩余个体作为所述容量配置参数。

3.根据权利要求1所述的方法，其特征在于，所述基于所述容量配置参数初始化复合发电系统的出力情况参数，包括：

通过拉丁超立方抽样算法对风电和光伏的出力场景样本进行抽样，并通过同步回代法削减抽样结果，得到风电和光伏的典型出力场景；

根据所述容量配置参数和所述典型出力场景，通过混沌Tent映射机制初始化包含多个个体的初始出力情况参数；

通过对立学习机制为所述初始出力情况参数的每个个体生成对立位置的个体；

计算每个个体和其对立个体的适应度，并将每组个体中适应度较小的个体删除，将剩余个体作为所述出力情况参数。

4.根据权利要求1所述的方法，其特征在于，所述以复合发电系统的年收益最大为第一优化目标，基于预设的阶梯碳价信息对所述出力情况参数进行优化调整，并计算优化后的出力情况参数对应的最大期望年收益，包括：

基于预设的阶梯碳价信息建立所述第一优化目标对应的年收益优化函数；

将所述出力情况参数输入所述年收益优化函数进行计算，输出出力情况参数中每个个体对应的期望年收益；

计算每个个体的期望年收益占全部个体的总期望年收益的收益比例；

将每个个体对应的收益比例与预设收益比例阈值进行比对；

若当前个体的收益比例小于所述预设收益比例阈值，则基于差分进化算法对当前个体进行更新；

若当前个体的收益比例不小于所述预设收益比例阈值，则基于灰狼优化算法对当前个体进行更新；

基于更新后的个体之间的欧式距离计算各个个体的第一扰动算子，并将互相对应的第一扰动算子和个体相乘，得到优化后的新出力情况参数；

将所述新出力情况参数作为所述出力情况参数，返回所述将所述出力情况参数输入所述年收益优化函数进行计算的步骤，直至达到预设停止优化条件，并在停止优化时通过所述年收益优化函数输出所述新出力情况参数对应的所述最大期望年收益。

5.根据权利要求4所述的方法，其特征在于，所述年收益优化函数为：

式中，E[]表示数学期望，f_R(P_sell,t,P_G,t)为年收益函数，π_s为风电、光伏第s个出力场景的发生概率，M_s是出力场景个数，满足

P_sell,t为t时刻复合发电系统同电网交互的功率，T表示时间长度，P_G,t为t时刻火电出力，λ_sell,t为t时刻复合发电系统同电网售电电价，

为系统运行碳排放成本，C_G为火力发电成本，Δt表示时刻之间的间隔，其中

式中，a,b,c为火电机组发电成本系数，Δt表示时刻之间的间隔，m_G为火力发电的碳排放系数，Q_g为火电机组碳排放总量，Q_GP为系统碳配额总量，

为所述预设的阶梯碳价信息。

6.根据权利要求1所述的方法，其特征在于，所述基于所述最大期望年收益和所述容量配置参数计算复合发电系统的投资回收时间，并以所述投资回收时间最短为第二优化目标，对所述容量配置参数进行优化调整，得到新容量配置参数，包括：

创建所述第二优化目标对应的投资回收时间函数；

将所述容量配置参数和所述最大期望年收益输入所述投资回收时间函数进行计算，输出容量配置参数中每个个体对应的投资回收时间；

计算每个个体的投资回收时间占全部个体的总投资回收时间的时间比例；

将各个个体对应的时间比例与预设时间比例阈值进行比对；

若当前个体的时间比例小于所述预设时间比例阈值，则基于差分进化算法对当前个体进行更新；

若当前个体的时间比例不小于所述预设时间比例阈值，则基于灰狼优化算法对当前个体进行更新；

基于更新后的个体之间的欧式距离计算各个个体的第二扰动算子，并将互相对应的第二扰动算子和个体相乘，得到优化后的新容量配置参数。

7.根据权利要求6所述的方法，其特征在于，所述投资回收时间函数为：

式中，F₁为复合发电系统的投资回收时间，E[f_R(P_sell,t,P_G,t)]为系统所能获得的年收益期望，其中f_R(P_sell,t,P_G,t)为年收益函数，P_sell,t为t时刻复合发电系统同电网交互的功率；P_G,t为t时刻火电出力；C_y为系统总投建成本，C_c为系统总运维成本；

其中

C_c＝e_GP_G+e_wP_w+e_pvP_pv+e_PHSP_PHS+e_BSSP_BSS

式中，k_w、k_pv、k_P、k_B分别为风电机组、光伏机组、可逆式水泵水轮机、电池储能系统的单位投建成本，P_w、P_pv、P_P、P_B分别为风电机组、光伏机组、可逆式水泵水轮机、电池储能系统的配置容量，T_r,w、T_r,pv、T_r,P、T_r,B为风电机组、光伏机组、可逆式水泵水轮机、电池储能系统的使用年限，r为贴现率，e_G、e_w、e_pv、e_PHS、e_BSS为火电、风电、光伏、抽水蓄能可逆式水泵水轮机以及电池储能的单位运维费用。

8.一种复合发电系统的容量配置装置，其特征在于，所述装置包括：

容量初始化模块，用于初始化复合发电系统的风电、光伏、混合储能的容量配置参数，所述混合储能包括抽水蓄能和电池储能；

出力情况初始化模块，用于基于所述容量配置参数初始化复合发电系统的出力情况参数；

年收益模块，用于以复合发电系统的年收益最大为第一优化目标，基于预设的阶梯碳价信息对所述出力情况参数进行优化调整，并计算优化后的出力情况参数对应的最大期望年收益；

容量参数调整模块，用于基于所述最大期望年收益和所述容量配置参数计算复合发电系统的投资回收时间，并以所述投资回收时间最短为第二优化目标，对所述容量配置参数进行优化调整，得到新容量配置参数；

迭代优化模块，用于将所述新容量配置参数作为所述容量配置参数，返回所述基于所述容量配置参数初始化复合发电系统的出力情况参数的步骤进行迭代计算，直至达到预设停止迭代条件，并基于停止迭代时得到的新容量配置参数对风电、光电和混合储能进行容量配置。

9.一种电子设备，其特征在于，包括：

存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求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有计算机指令，所述计算机指令用于使计算机执行如权利要求1-7任一项所述的方法。

Images