WO2022100091A1

WO2022100091A1 - 一种广义源储系统调度的集中控制方法

Info

Publication number: WO2022100091A1
Application number: PCT/CN2021/100825
Authority: WO
Inventors: 李娟�; 方绍凤; 胡剑宇; 王昱; 周野; 朱世平; 余虎; 唐宇; 冯剑; 刘利黎; 颜科科; 李静; 邓笑冬; 刘晔宁
Original assignee: 中国能源建设集团湖南省电力设计院有限公司
Priority date: 2020-11-10
Filing date: 2021-06-18
Publication date: 2022-05-19
Also published as: CN112104007A; CN112104007B

Abstract

本发明提供了一种广义源储系统调度的集中控制方法。所述广义源储系统调度的集中控制方法包括如下步骤：步骤S1、确定广义源储系统；步骤S2、根据传统供电系统的运行状况，确定传统供电机组的约束范围；步骤S3、根据储能系统的运行特性，建立可调度空间约束下广义源储系统最优数学模型；步骤S4、对最优数学模型进行求解，输出包括各机组出力曲线、运行总成本、储能运行情况和弃新能源的信息，并应用于广义源储系统中。本发明在新能源高渗透率电力系统优化调度中，达到减少火电装机，降低系统运行成本，减少弃水、弃新能源的目的。

Description

一种广义源储系统调度的集中控制方法

本申请要求于2020年11月10日提交中国专利局、申请号为202011243276.4、发明名称为“一种广义源储系统调度的集中控制方法”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

技术领域

本发明涉及新能源渗透率电力系统技术领域，特别涉及一种广义源储系统调度的集中控制方法。

背景技术

在新能源高渗透率系统中，由于传统电源的调节能力不足，电力系统运行中产生了较为严重的弃风弃光现象。负荷与新能源的随机波动性以及传统火电供电机组的调节能力的局限性，往往导致电力系统需要舍弃部分的新能源或者切除部分的可控负荷来实现电力系统的功率平衡，由此也使得新能源高渗透率电力系统的供电能力和可靠性有所下降。储能技术作为目前提高风电等新能源利用率的一种有效技术手段，成为现有研究的重点。

储能技术作为一种可以抑制新能源出力的波动性并且补偿其预测误差，而且使得大规模新能源能够接入电网的技术，它在电力系统中的应用越来越广泛。因此，本文提出广义储能系统，即利用一定规模、先进而经济的储能系统，制定灵活、互动性强的运行策略，将新能源分散的电能平移集中至高峰负荷时段，使其紧密跟踪电网负荷变动，从而达到减少火电装机，降低系统运行成本，减少弃水、弃新能源的目的。

储能在参与新能源高渗透率电力系统优化调度时，虽然可以很好的提升新能源的调度能力，但由于新能源出力预测误差较大，导致传统的电力系统求解模型以及优化调度策略已经远远不能满足现有的需要。目前，关于电力系统优化调度模型及其求解方法现在已有大量的成熟研究成果。但描述的几种方法都是针对传统的电力系统模型展开，而随着电力系统优化模型的复杂程度越来越大，如何针对现有传统供电系统优化模型进行改进成为亟需解决的问题。

技术问题

现有的新能源出力预测误差较大，导致传统的电力系统求解模型以及优化调度策略已经远远不能满足现有的需要。

技术解决方案

本发明提供了一种广义源储系统调度的集中控制方法，其目的是为了针对现有传统供电系统优化模型进行改进，应用电力系统求解模型以及优化调度策略，从而达到减少火电装机，降低系统运行成本，减少弃水、弃新能源的目的。

为了达到上述目的，本发明的实施例提供的一种广义源储系统调度的集中控制方法，包括如下步骤：

步骤S1、确定广义源储系统，包括传统供电机组、新能源供电机组、储能系统及输电网，所述传统供电机组、新能源供电机组及储能系统均与所述输电网连接；

步骤S2、根据传统供电系统的运行状况，提出了净负荷边际量标幺值指标，根据净负荷边际量的可调度范围，确定传统供电机组出力的约束范围；

步骤S3、根据储能系统的运行特性，建立可调度空间约束下广义源储系统最优数学模型；

步骤S4、对最优数学模型进行求解，输出包括各机组出力曲线、运行总成本、储能运行情况和弃新能源的信息，并应用于广义源储系统中。

优选地，所述传统供电机组包括传统火电供电机组，所述步骤S2具体包括：

步骤S21、根据调度周期内上一时段到本时段的净负荷增量，提出净负荷边际量标幺值：

式中，η表示电力系统的净负荷边际量标幺值，

分别表示电力系统在第t时段和第t-1时段的总负荷；

步骤S22、获得基于净负荷边际量标幺值的传统火电供电机组可调度范围约束：

当净负荷边际量标幺值η＞0时，传统火电供电机组的可调度范围：

当净负荷边际量标幺值η≤0时，传统火电供电机组的可调度范围：

式中，

为在t时段第i台传统火电供电机组发出的功率值；

分别为第i台传统火电供电机组的向上爬坡值和向下爬坡值；P _i ^min表示第i台传统火电供电机组最小出力，P _i ^max表示第i台传统火电供电机组最大出力。

优选地，所述传统供电机组包括传统火电供电机组，所述步骤S2中确定传统火电供电机组出力的约束范围具体为：

传统火电供电机组出力的可调度范围约束为固有的机组出力范围与考虑净负荷边际量标幺值确定出力范围的交集：

功率平衡约束:

传统火电供电机组运行约束:

P _Gimin≤P _Gi≤P _Gimax

风电机组运行约束:0≤P _Wj≤P _Wjmax

式中，

表示水电出力，

表示弃新能源功率，P _t ^L表示系统的总负荷；

表示电力系统的网络损耗；P _Gimin、P _Gimax分别表示各个传统火电供电机组的最大发出功率和最小发出功率；U _Ri、D _Ri分别表示各个传统火电供电机组的上爬坡速率和下爬坡速率；P _Wjmax表示风电机组的最大出力；N _h表示水电机组台数；P _t ⁿ表示新能源出力；P _Gi表示第i台火电机组总出力；P _i,t表示第i台传统火电供电机组在t时刻的出力；P _i,t-1表示第i台传统火电供电机组在t-1时刻的出力；ΔT表示单位时间间隔；β ₁表示正旋转备用率；β ₂表示负旋转备用率；P _L表示系统的最大负荷；N _c为传统火电供电机组总数；N _W表示风电机组台数；P _Wj表示风电机组出力；j表示第j台风电机组；α ₁和α ₂表示风电不确定性对火电机组产生的备用裕度，分别表示正、负旋转备用系数。

优选地，所述步骤S3中储能系统的运行特征具体为：

所述储能系统包括若干个储能设备，将储能系统引入发电侧，借助储能系统的控制器跟踪其蓄电池充放电行为，其中储能系统的充放电量在整个调度周期T内满足：

Q ^min≤Q _t≤Q ^max

式中，

表示储能的充电功率，

表示储能的放电功率，Q ₀为储能系统初始时刻蓄电量；Q _t为储能系统t时刻蓄电量；

和

分别为第i台储能设备第t时段的最大充电功率和最大放电功率，Q ^min和Q ^max分别为储能系统储能容量的上限和下限；N _s表示储能设备的台数，

表示储能的充电功率系数，

表示储能的放电功率系数；

当储能系统处于放电状态时，有

当储能系统处于充电状态时，有

优选地，所述传统供电机组包括传统火电供电机组及传统水电机组，所述新能源供电机组包括风电机组、光伏机组及其他新能源机组。

优选地，所述步骤S3可调度空间约束下广义源储系统的成本最优数学模型函数为：

式中，等号右边第一项为传统火电供电机组的运行成本，T为调度周期的时段总数，N _c为传统火电供电机组总数，

和

分别为第i台传统火电供电机组第t时段的燃料成本和启停成本，

为第i台传统火电供电机组第t时段的出力，u _i,t为第i台传统火电供电机组第t时段启停状态，若传统火电供电机组为开机状态u _i,t＝1，停机状态u _i,t＝0；

右边第二项为弃新能源惩罚成本，其中，k ⁿ为弃新能源惩罚系数，

为第t时段弃新能源功率，Δt为一个时段对应的小时数；

右边第三项为弃水惩罚成本，其中N _h为水电机组总数，k ^hy为弃水惩罚系数，

为第i台水电机组第t时段弃水流量；

右边第四项为储能系统运行成本，其中B _i,t为第i台储能设备第t时段的发电上网价格，

分别为第i台储能设备第t时段的放电和充电功率。

优选地，所述步骤S3中广义源储系统的最优数学模型具体为建立在约束条件下以系统运行成本最小为目标的最优数学模型，所述约束条件包括传统火电供电机组出力可调度范围约束、功率平衡约束、传统火电供电机组运行约束、风电机组运行约束中一种或多种约束条件。

优选地，所述步骤S4具体包括如下步骤：

步骤S41、根据负荷、传统供电、新能源预测结果，计算调度周期内的电力盈亏情况，确定储能充放电时间段；

步骤S42、根据负荷预测与上一时段机组出力信息以及储能充/放电情况，确定当前时段各机组的调度范围；

步骤S43、采用改进的粒子群优化算法进行当前时段求解，用于混合粒子群优化算法寻优目标函数如下：

式中，ξ为成本功率转换系数，用于平衡运行成本和功率平衡方程在目标函数中的作用；

步骤S44、判断各机组出力是否满足约束条件，若满足进入步骤S46，否则进入步骤S45；

步骤S45：对相关机组的调度空间进行调整，调整完毕后返回步骤S43；

步骤S46：判断调度空间内所有时段是否求解完毕，若求解完毕进入步骤S47，否则返回步骤S42；

步骤S47：输出各机组出力曲线、运行总成本、储能运行情况和弃新能源的信息，流程结束。

有益效果

与现有技术相比，本发明通过对传统优化调度模型的挖掘，提出了净负荷边际量指标，利用该指标和火电机组在上一时段的出力状态确定的可调度范围约束，可以有效减少搜索空间，提高求解效率。引入混合粒子群算法对模型进行求解，在确保求解精度的同时大大减少了计算量，且能有效跳出局部最优搜索到更优解。提出了含可调度空间约束的广义源储系统优化调度模型及其求解流程，能有效降低系统运行总成本，减少弃水、弃新能源。

附图说明

图1为本发明的一种广义源储系统调度的集中控制方法的广义源储系统的结构示意图；

图2为本发明的一种广义源储系统调度的集中控制方法的工作流程图；

图3为本发明的一种广义源储系统调度的集中控制方法的最优数学模型的流程图；

图4为在具体应用实例中采用的各功率曲线预测出力；

图5为在具体应用实例中各时段电力最小盈余及修正负荷；

图6为具体实施例中各时间段火电机组总出力预测曲线。

本发明的实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的问题，提供了一种广义源储系统调度的集中控制方法。本发明中，提出了一种广义储能系统概念：广义源储系统是一种时空分散、多种型式的储能加多种型式的新能源构筑的统一调度联动系统，通过利用一定规模、先进而经济的储能系统，制定灵活、互动性强的运行策略，将新能源分散的电能平移集中至高峰负荷时段，使其紧密跟踪电网负荷变动，从而达到减少火电装机，降低系统运行成本，减少弃水、弃新能源的目的。

为了有效地解决新能源高渗透率电力系统中由于传统电源的调节能力不足导致的弃风弃光或者切负荷现象，提出了一种将新能源分散的电能平移集中至高峰负荷时段，使其紧密跟踪电网负荷变动，从而达到利用新能源装机适当补充电力缺额需求目的广义源储系统。

首先基于传统火电最优调度方法，结合实际运行情况，提出净负荷增量指标，有效地缩减了机组出力变量的可行域范围；然后建立考虑可调度空间约束的广义源储系统优化调度模型，并运用标准粒子群与模拟退火算法相结合的混合粒子群算法进行求解，在确保求解精度的同时大大减少了计算量，且不易陷入局部最优。

如图1、图2及图3所示，包括如下步骤：

步骤S1、确定广义源储系统，包括传统供电机组、新能源供电机组、储能系统及输电网，所述传统供电机组、新能源供电机组及储能系统均与所述输电网连接，；

步骤S4、对最优数学模型进行求解，输出包括各机组出力曲线、运行总成本、储能运行情况和弃新能源的信息，并应用于广义源储系统中。如图4、图5及图6所示，图4为在具体应用实例中采用的各功率曲线预测出力，图5是在具体应用实例中各时段电力最小盈余及修正负荷，图6是具体实施例中各时间段火电机组总出力预测曲线。

所述步骤S2中，所述传统供电机组包括传统火电供电机组，所述步骤S2中确定传统火电供电机组出力的约束范围具体包括：

式中，η表示电力系统的净负荷边际量标幺值，

分别表示电力系统在第t时段和第t-1时段的总负荷；

式中，

为在t时段第i台传统火电供电机组发出的功率值；

其中，传统火电供电机组出力的可调度范围约束为固有的机组出力范围与考虑净负荷边际量标幺值确定出力范围的交集：

功率平衡约束:

传统火电供电机组运行约束:

P _Gimin≤P _Gi≤P _Gimax

风电机组运行约束:0≤P _Wj≤P _Wjmax

式中，

表示水电出力，ΔP _t ⁿ表示弃新能源功率，P _t ^L表示系统的总负荷；P _t ^loss表示电力系统的网络损耗；P _Gimin、P _Gimax分别表示各个传统火电供电机组的最大发出功率和最小发出功率；U _Ri、D _Ri分别表示各个传统火电供电机组的上爬坡速率和下爬坡速率；P _Wjmax表示风电机组的最大出力；N _h表示水电机组台数；P _t ⁿ表示新能源出力；P _Gi表示第i台火电机组总出力；P _i,t表示第i台传统火电供电机组在t时刻的出力；P _i,t-1表示第i台传统火电供电机组在t-1时刻的出力；ΔT表示单位时间间隔；β ₁表示正旋转备用率；β ₂表示负旋转备用率；P _L表示系统的最大负荷；N _c为传统火电供电机组总数；N _W表示风电机组台数；P _Wj表示风电机组出力；j表示第j台风电机组；α ₁和α ₂表示风电不确定性对火电机组产生的备用裕度，分别表示正、负旋转备用系数。

所述步骤S3中储能系统的运行特征具体为：

Q ^min≤Q _t≤Q ^max

式中，

表示储能的充电功率，

和

分别为第i台储能设备第t时段的最大充电功率和最大放电功率，一般不超过最大容量的20％；Q ^min和Q ^max分别为储能系统储能容量的上限和下限；N _s表示储能设备的台数，

表示储能的充电功率系数，

表示储能的放电功率系数；

当储能系统处于放电状态时，有

当储能系统处于充电状态时，有

所述传统供电机组包括传统火电供电机组及传统水电机组，所述新能源供电机组包括风电机组、光伏机组及其他新能源机组。

所述建立广义源储系统的数学模型具体表现为：广义源储系统是一种时空分散、多种型式的储能加多种型式的新能源构筑的统一调度联动系统，通过利用一定规模、先进而经济的储能系统，制定灵活、互动性强的运行策略，将新能源分散的电能平移集中至高峰负荷时段，使其紧密跟踪电网负荷变动，从而达到减少火电装机，降低系统运行成本，减少弃水、弃新能源的目的；

针对分散式控制下每个风电场的储能系统都要参与抑制风电波动误差所引起的对冲效应，提出以系统净负荷波动量不超过系统可调控范围的集中控制策略。

所述步骤S3可调度空间约束下广义源储系统的成本最优数学模型函数为：

和

右边第二项为弃新能源惩罚成本，其中，k ⁿ为弃新能源(风、光等新能源)惩罚系数，

为第t时段弃新能源功率，Δt为一个时段对应的小时数；

为第i台水电机组第t时段弃水流量；

分别为第i台储能设备第t时段的放电和充电功率。

所述步骤S3中广义源储系统的最优数学模型具体为建立在约束条件下以系统运行成本最小为目标的最优数学模型，所述约束条件包括传统火电供电机组出力可调度范围约束、功率平衡约束、传统火电供电机组运行约束、风电机组运行约束中一种或多种约束条件。

所述步骤S4具体包括如下步骤：

步骤S41、根据负荷、水电、新能源预测结果，计算调度周期内的电力盈亏情况，确定储能充放电时间段；

根据预测结果，可得调度周期内最大负荷为

最大负荷时刻对应的水电预测出力为

新能源预测出力为

则调度周期内所需的火电最小开机容量为

式中，α为备用系数；一个调度周期内若不考虑启停调峰，则认为开机容量不变。

若火电最大调峰能力为50％额定容量，则可得调度周期内各时段电力最小盈余

为:

若

小于0，则取0，反之则说明该时段火电调峰能力不足需要弃水或新能源，即该时段需要通过储能充电来减少弃水或新能源。显然，储能放电时段为调度周期内最大负荷时段。

进一步根据储能充/放电情况修正负荷，若储能处于充电状态，则修正负荷为：

若储能处于放电状态，则修正负荷为：

则可预测各时间段火电机组的总出力为：

其中，

为水电机组第t时段的总出力；

表示储能设备的充电总功率；P _t ^sd表示储能设备的放电总功率；

式中，ξ为成本功率转换系数，用于平衡运行成本和功率平衡方程在目标函数中的作用；关于粒子群优化算法具体请参阅现有文件：《[1]尹新,周野,何怡刚.基于混合算法优化神经网络的混沌时间序列预测[J].湖南大学学报(自然科学版),2010,37(006):41-45》。

步骤S44、判断个机组出力是否满足约束条件，若满足进入步骤S46，否则进入步骤S45；

步骤S45：对相关机组的调度空间进行调整，一般将原调度空间扩大1.2倍即可满足要求，调整完毕后返回步骤S43；

选取某新能源、储能设备省级电网为研究对象，其中传统火电机装机总容量为17845MW，水电装机容量为15880MW，新能源总装机500MW，储能配置额定容量为100MW/300MkWh。设置机组的最大、最小出力分别为50％PG、110％PG，机组爬坡率设置为30％额定功率/h，机组旋转备用量为总装机容量的10％，同时忽略启动和关停机组的时间。传统火电运行参数见表1。

表1传统火电供电机组的参数

(1)模型与算法的对比

基于不考虑储能时的各时段火电机组总出力预测曲线，结合净负荷边际量标幺值，从而得到各台机组的可调度范围约束。进一步分别通过采用标准粒子群算法与混合粒子群算法进行求解。以上算法中初始种群规模数取40，初始温度取150℃，退火机制取0.25，衰减因子取0.75。其计算结果如下表2所示。

表2对比改进模型优化结果

由表2可知，考虑净负荷边际量的可调度范围约束的含分散式储能的电力系统优化模型的求解与传统的电力系统优化模型的求解相比，其迭代和求解次数明显降低。这主要是因为通过考虑净负荷边际量的可调度范围约束，缩小了粒子变量的可调度执行域和范围，从而大大提高了求解速度。混合粒子群算法与标准粒子算法相比，迭代次数有所提高，但能有效跳出局部最优搜索到更优解。

若配置储能，可有效减少弃水、弃风，计算结果如表3所示。

表3配置储能对比结果

由上述仿真结果可知，配置储能后可减少2台300MW火电开机，火电机组日发电总成本降低了1735吨标准煤，平均煤也有所降低，且避免了弃水，减少弃风1.7×106kWh，大大降低了系统运行的总成本。

采用本发明所提供的一种广义源储系统调度的集中控制方法，其技术优点体现如下：

通过对传统优化调度模型的挖掘，提出了净负荷边际量指标，利用该指标和火电机组在上一时段的出力状态确定的可调度范围约束，可以有效减少搜索空间，提高求解效率。引入混合粒子群算法对模型进行求解，在确保求解精度的同时大大减少了计算量，且能有效跳出局部最优搜索到更优解。提出了含可调度空间约束的广义源储系统优化调度模型及其求解流程，能有效降低系统运行总成本，减少弃水、弃新能源。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims

一种广义源储系统调度的集中控制方法，其特征在于，包括如下步骤：

步骤S1、确定广义源储系统，包括传统供电机组、新能源供电机组、储能系统及输电网，所述传统供电机组、新能源供电机组及储能系统均与所述输电网连接；

步骤S2、根据传统供电系统的运行状况，提出了净负荷边际量标幺值指标，根据净负荷边际量的可调度范围，确定传统供电机组出力的约束范围；

步骤S3、根据储能系统的运行特性，建立可调度空间约束下广义源储系统最优数学模型；

步骤S4、对最优数学模型进行求解，输出包括各机组出力曲线、运行总成本、储能运行情况和弃新能源的信息，并应用于广义源储系统中。
根据权利要求1所述的一种广义源储系统调度的集中控制方法，其特征在于，所述传统供电机组包括传统火电供电机组，所述步骤S2具体包括：

步骤S21、根据调度周期内上一时段到本时段的净负荷增量，提出净负荷边际量标幺值：
式中，η表示电力系统的净负荷边际量标幺值，P _t ^L、
分别表示电力系统在第t时段和第t-1时段的总负荷；

步骤S22、获得基于净负荷边际量标幺值的传统火电供电机组可调度范围约束：

当净负荷边际量标幺值η＞0时，传统火电供电机组的可调度范围：

当净负荷边际量标幺值η≤0时，传统火电供电机组的可调度范围：

式中，
为在t时段第i台传统火电供电机组发出的功率值；ΔP _i ⁺、ΔP _i ^-分别为第i台传统火电供电机组的向上爬坡值和向下爬坡值；P _i ^min表示第i台传统火电供电机组最小出力，P _i ^max表示第i台传统火电供电机组最大出力。
根据权利要求1所述的一种广义源储系统调度的集中控制方法，其特征在于，所述传统供电机组包括传统火电供电机组，所述步骤S2中确定传统火电供电机组出力的约束范围具体为：

传统火电供电机组出力的可调度范围约束为固有的机组出力范围与考虑净负荷边际量标幺值确定出力范围的交集：

功率平衡约束:

传统火电供电机组运行约束:

P _Gimin≤P _Gi≤P _Gimax

风电机组运行约束:0≤P _Wj≤P _Wjmax

式中，
表示水电出力，ΔP _t ⁿ表示弃新能源功率，P _t ^L表示系统的总负荷；P _t ^loss表示电力系统的网络损耗；P _Gimin、P _Gimax分别表示各个传统火电供电机组的最大发出功率和最小发出功率；U _Ri、D _Ri分别表示各个传统火电供电机组的上爬坡速率和下爬坡速率；P _Wjmax表示风电机组的最大出力；N _h表示水电机组台数；P _t ⁿ表示新能源出力；P _Gi表示第i台火电机组总出力；P _i,t表示第i台传统火电供电机组在t时刻的出力；P _i,t-1表示第i台传统火电供电机组在t-1时刻的出力；ΔT表示单位时间间隔；β ₁表示正旋转备用率；β ₂表示负旋转备用率；P _L表示系统的最大负荷；N _c为传统火电供电机组总数；N _W表示风电机组台数；P _Wj表示风电机组出力；j表示第j台风电机组；α ₁和α ₂表示风电不确定性对火电机组产生的备用裕度，分别表示正、负旋转备用系数。
根据权利要求1所述的一种广义源储系统调度的集中控制方法，其特征在于，所述步骤S3中储能系统的运行特征具体为：

所述储能系统包括若干个储能设备，将储能系统引入发电侧，借助储能系统的控制器跟踪其蓄电池充放电行为，其中储能系统的充放电量在整个调度周期T内满足：

Q ^min≤Q _t≤Q ^max

式中，
表示储能的充电功率，
表示储能的放电功率，Q ₀为储能系统初始时刻蓄电量；Q _t为储能系统t时刻蓄电量；
和
分别为第i台储能设备第t时段的最大充电功率和最大放电功率，Q ^min和Q ^max分别为储能系统储能容量的上限和下限；N _s表示储能设备的台数，
表示储能的充电功率系数，
表示储能的放电功率系数；

当储能系统处于放电状态时，有

当储能系统处于充电状态时，有
根据权利要求1所述的一种广义源储系统调度的集中控制方法，其特征在于，所述传统供电机组包括传统火电供电机组及传统水电机组，所述新能源供电机组包括风电机组、光伏机组及其他新能源机组。
根据权利要求4所述的一种广义源储系统调度的集中控制方法，其特征在于，所述步骤S3可调度空间约束下广义源储系统的成本最优数学模型函数为：

式中，等号右边第一项为传统火电供电机组的运行成本，T为调度周期的时段总数，N _c为传统火电供电机组总数，
和
分别为第i台传统火电供电机组第t时段的燃料成本和启停成本，
为第i台传统火电供电机组第t时段的出力，u _i,t为第i台传统火电供电机组第t时段启停状态，若传统火电供电机组为开机状态u _i,t＝1，停机状态u _i,t＝0；

右边第二项为弃新能源惩罚成本，其中，k ⁿ为弃新能源惩罚系数，ΔP _t ⁿ为第t时段弃新能源功率，Δt为一个时段对应的小时数；

右边第三项为弃水惩罚成本，其中N _h为水电机组总数，k ^hy为弃水惩罚系数，
为第i台水电机组第t时段弃水流量；

右边第四项为储能系统运行成本，其中B _i,t为第i台储能设备第t时段的发电上网价格，
分别为第i台储能设备第t时段的放电和充电功率。
根据权利要求4所述的一种广义源储系统调度的集中控制方法，其特征在于，所述步骤S3中广义源储系统的最优数学模型具体为建立在约束条件下以系统运行成本最小为目标的最优数学模型，所述约束条件包括传统火电供电机组出力可调度范围约束、功率平衡约束、传统火电供电机组运行约束、风电机组运行约束中一种或多种约束条件。
根据权利要求1所述的一种广义源储系统调度的集中控制方法，其特征在于，所述步骤S4具体包括如下步骤：

步骤S41、根据负荷、传统供电、新能源预测结果，计算调度周期内的电力盈亏情况，确定储能充放电时间段；

步骤S42、根据负荷预测与上一时段机组出力信息以及储能充/放电情况，确定当前时段各机组的调度范围；

步骤S43、采用改进的粒子群优化算法进行当前时段求解，用于混合粒子群优化算法寻优目标函数如下：

式中，ξ为成本功率转换系数，用于平衡运行成本和功率平衡方程在目标函数中的作用；

步骤S44、判断各机组出力是否满足约束条件，若满足进入步骤S46，否则进入步骤S45；

步骤S45：对相关机组的调度空间进行调整，调整完毕后返回步骤S43；

步骤S46：判断调度空间内所有时段是否求解完毕，若求解完毕进入步骤S47，否则返回步骤S42；

步骤S47：输出各机组出力曲线、运行总成本、储能运行情况和弃新能源的信息，流程结束。