CN110061496A - 源网荷多目标规划模型的可信度优化方法 - Google Patents

Abstract

本发明公开了一种源网荷多目标规划模型的可信度优化方法，其包括以下步骤：步骤1，提出安全因子，确定***结构，建立多目标规划模型；步骤2，对不确定性进行处理；步骤3，对模型求解，得到帕累托最优解集；步骤4，确定帕累托前沿每组解中各目标函数对应的满意度；步骤5，确定各目标函数对应的满意度解集的离散程度；步骤6，确定所得解集的可信程度、各目标函数的权重系数；步骤7，得到每组解基于权重的平均相对满意度，取最大值对应的解为最佳解。本发明综合考虑机组和线路的安全裕度，以全面提高***安全性，并且所提最佳解选取方法可得到可信度更高的结果，适用于多目标规划模型，实际仿真表明所提方法的有效性和合理性。

Description

源网荷多目标规划模型的可信度优化方法

技术领域

本发明涉及电力***规划技术领域，具体涉及一种源网荷多目标规划模型的可信度优化方法。

背景技术

近年来，随着能源的日益减少和节能减排观念的深入，以风电、光伏为代表的可再生能源机组得到广泛应用。需求响应机制可以联系电源侧和负荷侧，提高机组在并网时的灵活性，直接影响了负荷需求在配电网中的应用以及未来发展。因此，在电力***规划中，考虑需求响应具有很重要的现实意义。

随着电网结构日趋复杂，负荷需求不断增加，危及电网安全的事故不断发生，因此，在电网规划中，我们应当对安全问题给予足够的重视。电网线路是整个电力***中联系用户和发输电***的重要关键纽带，也是保证可靠供电的重要一环，还是直接面向用户的最后一个环节，其安全性是电力***规划中的重要基础，此外，机组的安全问题也备受关注。

目前，多目标的规划问题中，一般选择从所得帕累托解集中选出一个折衷解作为规划结果，但如何从中选择最佳解，以及该解是否可信，是一个值得研究的问题。

发明内容

本发明目的在于提供一种提高***整体安全性的规划模型，以及在多目标模型中，更具可信性的最佳解选取方法。在解决可再生能源机组接入电网所造成的高度不确定性问题以及***中机组和电网线路的安全问题时，通过提出基于权重的最佳解选择方法，得到多目标规划模型中，可信度较高的规划结果。而且，通过引入需求响应技术，增强电源侧与负荷侧的联系，提高电网灵活性和***协调性。

为实现上述目的，采用了以下技术方案：本发明公开一种源网荷多目标规划模型的可信度优化方法，所述方法的步骤如下：

步骤1，提出安全因子，确定电力***的结构，建立考虑经济性、安全性和协调性的源网荷多目标规划模型，确定目标函数和约束条件；

步骤2，结合可信性理论和模糊机会约束规划，对所述源网荷多目标规划模型中的不确定性因素进行处理；

步骤3，采用多目标细菌群体趋药性算法对所述源网荷多目标规划模型进行求解，得到帕累托最优(Pareto Optimality)解集；

步骤4，根据模糊隶属度函数，确定帕累托最优解集的前沿中每组解中各个目标函数对应的满意度；以最小值为最优解的目标函数用模糊隶属度函数表示为：

式中，为第j组解中，第i个目标函数对应的满意度；f_i ^j为第j组解中，第i个目标函数的函数值；f_i ^max和f_i ^min分别为第i个目标函数的最大值和最小值；

步骤5，通过平均相对偏差，得到所述各个目标函数对应的满意度解集的离散程度；

步骤6，根据所述满意度解集的离散程度确定所得解集的可信程度，从而确定所述各个目标函数的权重系数；以及

步骤7，得到每组解基于权重的平均相对满意度，所述帕累托最优解集中第j组解的平均相对满意度为：

式中，h_j为第j组解的平均相对满意度；w_i为第i个目标函数所占权重，N_obj为目标函数个数；得到N_x个最优解的平均相对满意度，并且所述平均相对满意度越大，满意度越高。

进一步的，所述步骤5–步骤6具体还包括以下步骤：

1)第i个目标函数的满意度解集的平均值：

式中，h_i,av为第i个目标函数的满意度解集的平均值；N_x为帕累托解集的个数；

2)第i个目标函数的满意度解集的平均相对偏差S_re,i，即第i个目标函数的满意度的离散程度，表示为：

式中，为第i个目标函数的满意度解集中的最大值；为第i个目标函数的满意度解集中的的最小值，S_ae,i为第i个目标函数的满意度解集的平均绝对偏差，其表达式为：

3)第i个目标函数的初始权重w_i为：

调整权重系数，将权重大的分配给偏差值小的，权重小的分配给偏差值大的，从而确定各目标函数的权重。

进一步的，所述步骤1中安全因子表示为机组和线路安全裕度变异系数的加权平均，具体表示为：

其中，电网线路u的安全裕度为：

式中，F_sm，u为线路u的安全裕度；l_r,u为线路u的剩余输电容量；l_pm,u为线路u的极限容量；

所述线路安全裕度指标包括：线路安全裕度平均值、线路安全裕度平均相对偏差和线路安全裕度平均相对变异系数，具体表示为：

1)线路安全裕度平均值F_av：表示每回电网线路安全裕度的平均值，具体表达式为：

式中，N_xl为电网线路总数；

2)线路安全裕度平均相对偏差S_re,F：是对线路安全裕度的离散程度的度量，具体表达式为：

式中，为各电网线路安全裕度最大值；为各电网线路安全裕度最小值，S_ae,F为安全裕度平均绝对偏差，其表达式为：

3)线路安全裕度平均相对变异系数σ_F：为安全裕度平均相对偏差和安全裕度平均值之比，以表征安全裕度的平均相对偏差与平均值的相对数值关系，具体表达式为：

其中，第i台机组的安全裕度表示为：

式中，S_i为第i台机组的实际最大出力，MW；S_iN为第i台机组的额定容量，MW；

所述机组安全裕度指标包括：所有机组安全裕度的平均值、所有机组安全裕度的平均相对偏差和机组安全裕度平均相对变异系数，具体表示为：

1)所有机组安全裕度的平均值μ_av，即：

2)所有机组安全裕度的平均相对偏差S_re,μ，代表机组安全裕度的离散程度，表示为：

式中，μ_max为电网中机组安全裕度的最大值；μ_min为电网中机组安全裕度的最小值，S_ae,μ为所有机组安全裕度的平均绝对偏差，其表达式为：

3)机组安全裕度平均相对变异系数σ_μ，利用平均相对偏差与平均值的比值定义，具体表达式为：

将机组与电网线路的均衡性通过加权综合考虑，度量***的整体安全性，并将其定义为安全因子，***安全因子σ表示为：

σ＝λσ_μ+(1-λ)σ_F

式中，λ为权重因子。

进一步的，所述步骤1中电力***结构包括：电源侧、负荷侧和电网侧，所述电源侧包括燃煤机组、燃气机组、风力发电和光伏发电；所述负荷侧利用需求响应技术，实施可中断负荷项目；所述电网侧将所述电源侧和所述负荷侧连接起来。

进一步的，所述步骤1中多目标规划模型的安全性目标函数，以所述安全因子最小为目标，表示为：

f₁＝minσ。

进一步的，所述步骤1中多目标规划模型的经济性目标函数，以综合成本最小为目标，包括：机组投资成本、电网投资成本、机组运行维护成本、线路阻塞补偿成本、碳排放成本和需求侧管理成本，具体表示为：

f₂＝min(T₁+T₂+T₃+T₄+T₅+T₆)；

式中，T₁为机组投资成本；T₂为电网投资成本；T₃为机组运行维护成本；T₄为线路阻塞补偿成本；T₅为碳排放成本；T₆为需求侧管理成本；

1)机组投资成本表示为：

式中，T₁是新建机组投资成本，元；x_i为第i台候选机组建设状态变量，x_i＝0时不投建，x_i＝1时为投建；C_i为第i台候选机组单位投资成本，元/个；r为贴现率；Y_i为第i台候选机组使用年限；

2)电网投资成本表示为：

式中，T₂是电网投资成本，元；L为候选线路条数；y_j为第j条候选线路的建设状态变量，y_j＝0不投建，y_j＝1时为投建；D_j为候选线路的单位成本，元/条；Y_j为第j条候选线路使用年限；

3)机组运行维护成本表示为：

式中，T₃为***机组运行维护成本；G_i为单位发电量运行维护成本，元/MWh；H_i为第i台机组的发电量，MWh；

4)线路阻塞补偿成本，为***所有支路的阻塞补偿成本之和，表示为：

式中，T₄为线路阻塞补偿成本；Ω_ab为节点***支路集合；cc_ab为ab支路的阻塞补偿成本，表示为：

cc_ab＝β_ab|P_{lmp_a}-P_{lmp_b}|×P_ab；

式中，P_{lmp_a}为a节点的影子价格；P_{lmp_b}为b节点的影子价格；P_ab为a-b支路功率；β_ab取值为线路a-b是否发生阻塞的状态变量，当β_ab＝1时，表示线路a-b发生了输电阻塞，当β_ab＝0时，线路a-b为未发生阻塞；

5)碳排放成本表示为：

式中，T₅为碳排放成本，元；E_i为第i台机组的碳排放强度，t/MWh；为碳排放价格，元/t；

6)需求侧管理成本表示为：

式中，T₆为需求侧管理成本；N_KZD为参与可中断负荷用户数量；z_k为可中断负荷用户的状态变量，z_k＝0表示不中断用户k的负荷，z_k＝1表示中断用户k的负荷；O_k为第k个可中断用户中断单位容量补偿成本，元/MWh；P_KZD,k为第k个可中断用户的履约负荷中断量，MW；t_k为第k个可中断用户一年中履约的中断时间。

进一步的，所述步骤1中所述多目标规划模型的协调性目标函数，以源网协同因子最小为目标，表示为：

f₃＝minZ；

式中，Z为源网协同因子；

所述源网协同因子包括机组出力均衡度和拓扑结构均衡度两部分；

其中，第i台机组运行率表示为：

式中，S_i为第i台机组的实际最大出力，MW；S_iN为第i台机组的额定容量，MW；

用平均相对偏差与平均值的比值来定义电网中各机组运行率的均匀程度，即机组均衡度，表示为：

a.所有机组运行率的平均值η_av，即：

b.所有机组运行率的平均相对偏差S_re,η，代表机组运行率的离散程度，表示为：

式中，η_max为电网中机组运行率的最大值；η_min为电网中机组运行率的最小值，S_ae,η为所有机组运行率的平均绝对偏差，其表达式为：

c.确定机组出力均衡度，利用平均相对偏差与平均值的比值来表示，表示为：

式中，J为电网中机组均衡度；

其中，第i台机组与电网的联络度d_i，即：

式中，δ_m为最大联络维数，即机组所在节点的最大回路数；δ_i为机组所在节点i的实际回路数；

用平均相对偏差与平均值的比值来表示***中机组与电网在拓扑结构上的拓扑结构均衡度，表示为：

a.所有机组与电网的联络度的平均值d_av，即：

b.所有机组与电网的联络度的平均相对偏差S_re,d，代表机组与电网结构上的联络度的离散程度，即：

式中，d_max为电网中机组联络度的最大值；d_min为电网中机组联络度的最小值，S_ae,d为所有机组联络度的平均绝对偏差，其表达式为：

c.拓扑结构均衡度，可用平均相对偏差与平均值的比值定义，即平均相对变异系数，表示两者之间的相对数值关系，体现全网机组与电网的联络均衡情况，表示为：

式中，K为机组与电网的拓扑结构均衡度；

机组出力均衡度表示电网中所机组运行出力的均衡情况，拓扑结构均衡度表示机组与电网的结构联络程度的均衡情况，将出力与结构两方面的参数进行加权平均，可度量全***中机组与电网的整体协调性，将其定义为源网协同因子，表示为：

Z＝λJ+(1-λ)K

式中，λ为权重因子；J为机组出力均衡度；K为源网拓扑结构均衡度。

进一步的，所述步骤1中所述多目标规划模型的约束条件为：

1)电力约束：表示***在规划目标年内所有机组总容量不小于目标年实际最大负荷与中断功率之差，表示为：

式中，P_i为第i台机组的出力，MW；P_f为目标年实际最大负荷，MW；

2)电量约束：表示***在规划目标年内所有机组的总发电量不小于目标年预测电量与年中断电量之差，表示为：

式中，H_f为目标年实际最大用电量；

3)新建机组投资成本约束：表示在整个规划期内要求新建机组总投资成本不超过其上限，表示为：

式中，J_gmax为机组投资上限；

4)电网规划投资成本约束：表示在整个规划期内要求新建输电线路总投资成本不超过其上限，表示为：

式中，K_max为线路投资上限；

5)单条新建线路最大回路约束：表示单条新建线路的回路数在此范围内，表示为：

0≤γ_j≤l_max；

式中，γ_j为第j条新建线路回路数；l_max为单条新建线路最大回路建设数；

6)机组出力上限约束：表示机组在运行过程中，要求不得长时间超过额定功率运行，否则将对其产生影响，因此规定每台机组的实际出力不大于其装机容量，表示为：

P_gi≤P_i；

式中，P_gi为第i台机组的实际出力；

7)节点功率平衡约束：表示节点注入功率和负荷需求的功率等于支路上的消耗功率，表示为：

式中，P_gn和P_dn分别为第n个节点的注入功率和负荷需求；U_m为节点m的电压；U_n为节点n的电压；G_mn为节点m和节点n之间线路的电导，S；B_mn为节点m和节点n之间线路的电纳，S；cosθ_mn、sinθ_mn为节点m和节点n之间线路电压和电流相位差的余弦、正弦值；H为节点总数；h为与m节点相连的节点总数；

8)线路潮流上限约束：表示两节点之间输电线路上的传输功率不大于该条输电线路的最大允许传输功率，表示为：

U_mU_n(G_mn cosθ_mn+B_mn sinθ_mn)≤P_mnmax；

式中，P_mnmax为节点m和节点n间线路功率传输上限；

9)可中断负荷约束表示为：

可中断时间约束表示为：

0≤t_k≤t_k,max；

式中，为第k个可中断用户中断量上限值；t_k,max为第k个可中断用户一天中中断时间上限值。

进一步的，所述步骤2中多目标规划模型的不确定性处理包括：不确定变量包括风电场的出力、光伏电站出力以及规划年最大负荷预测值，所述不确定变量的可信性分布函数表示为：

式中，P_c1-P_c4为梯形模糊数；P_ci＝x_iP_c,av，i＝1,2,3,4；x_i为比例系数，比例系数由机组出力的历史数据确定；

梯形模糊参数可由四元组表示为：

当x_i为ω_i时，表示风电场隶属度参数的比例系数；当x_i为时，表示光伏电站隶属度参数的比例系数；当x_i为ζ_i时，表示负荷隶属度参数的比例系数；当c为“w”时，为风电场的梯形模糊参数，其中P_w,av为预测的风电场平均输出功率；当c为“p”时，为光伏电站的梯形模糊参数，其中P_p,av为预测的光伏电站平均输出功率；当c为“f”时，为用户侧负荷的梯形模糊参数，其中P_f,av为预测的负荷平均输出功率；具体表示为：

对电力约束条件可采用可信性机会测度表达，可信性机会约束可表示为：

式中，C_r为可信性测度；α为置信度水平；Ω_s为除去风电和光伏以外的候选机组集合；x_s为第s个候选常规机组建设状态变量，x_s＝0时不投建，x_s＝1时投建；P_s为除风电、光伏以外的候选机组的出力，MW；Ω_w为风电场候选机组集合；P_w为风电场的出力，MW；τ为模糊变量；Ω_p为光伏电站候选机组集合；P_p为光伏电站的出力，MW；χ为模糊变量；

当置信水平时，上式经过清晰等价处理，转化为：

。

进一步的，所述步骤3的具体步骤为：

步骤32、设定算例基本数据；

步骤32、细菌群体初始化，设定细菌初始位置和速度，确定精度数据；

步骤33、离散化过程，确定位置1及适应值；

步骤34、寻优过程，确定位置2及适应值；

步骤35、比较位置1和位置2，细菌移向较优的位置；

步骤36、判断是否达到精度要求或移动步数，若是，则输出全体最优值作为帕累托最优解集，否则，定向变异，更新数据，直到获得最优解集。

本发明的有益效果：

本发明提出基于权重的最佳解选取方法，有利于在多目标规划模型中将不同单位的目标函数通过满意度联系起来，选择可信度更高的解；综合考虑机组的安全裕度和电网线路的安全裕度，有利于提高***整体的安全性；在电力***规划中，引入需求响应技术，可以联系电源侧和负荷侧，有利于提高机组在并网时的灵活性和***协调性；利用可信性理论和模糊机会约束规划方法结合，对电源侧的风电、光伏机组的出力不确定性以及荷侧负荷预测值的不确定性进行处理，降低规划模型的不确定性。

附图说明

图1为本发明源网荷多目标规划模型的可信度优化方法的步骤流程图；

图2为基于多目标细菌群体趋药性算法的模型求解流程图；以及

图3为IEEE30节点***结构图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和实施例对本发明作进一步详细的描述，需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。

如图1和图2所示，本发明公开的源网荷多目标规划模型的可信度优化方法，其包括以下步骤：

步骤1，提出安全因子，确定电力***的结构，建立考虑经济性、安全性和协调性的源网荷多目标规划模型，确定目标函数和约束条件；

步骤2，结合可信性理论和模糊机会约束规划，对所述源网荷多目标规划模型中的不确定性因素进行处理；

步骤3，采用多目标细菌群体趋药性算法对所述源网荷多目标规划模型进行求解，得到帕累托最优(Pareto Optimality)解集；

步骤4，根据模糊隶属度函数，确定帕累托最优解集的前沿中每组解中各个目标函数对应的满意度；以最小值为最优解的目标函数用模糊隶属度函数表示为：

式中，为第j组解中，第i个目标函数对应的满意度；f_i ^j为第j组解中，第i个目标函数的函数值；f_i ^max和f_i ^min分别为第i个目标函数的最大值和最小值；

步骤5，通过平均相对偏差，得到所述各个目标函数对应的满意度解集的离散程度；

步骤6，根据所述满意度解集的离散程度确定所得解集的可信程度，从而确定所述各个目标函数的权重系数；以及

步骤7，得到每组解基于权重的平均相对满意度，所述帕累托最优解集中第j组解的平均相对满意度为：

式中，h_j为第j组解的平均相对满意度；w_i为第i个目标函数所占权重，N_obj为目标函数个数；得到N_x个最优解的平均相对满意度，并且所述平均相对满意度越大，满意度越高。

进一步的，所述步骤5–步骤6具体还包括以下步骤：

1)第i个目标函数的满意度解集的平均值：

式中，h_i,av为第i个目标函数的满意度解集的平均值；N_x为帕累托解集的个数；

2)第i个目标函数的满意度解集的平均相对偏差S_re,i，即第i个目标函数的满意度的离散程度，表示为：

式中，为第i个目标函数的满意度解集中的最大值；为第i个目标函数的满意度解集中的的最小值，S_ae,i为第i个目标函数的满意度解集的平均绝对偏差，其表达式为：

3)第i个目标函数的初始权重w_i为：

调整权重系数，将权重大的分配给偏差值小的，权重小的分配给偏差值大的，从而确定各目标函数的权重。

进一步的，步骤1中安全因子表示为机组和线路安全裕度变异系数的加权平均，具体过程如下：

其中，电网线路u的安全裕度为：

式中，F_sm,u为线路u的安全裕度；l_r,u为线路u的剩余输电容量；l_pm,u为线路u的极限容量；

基于上述，本文提出三个线路安全裕度指标：

1)线路安全裕度平均值F_av：表示每回电网线路安全裕度的平均值，可表示全网安全性的平均水平，F_av越大，表示全网安全裕度越大，电网安全的平均水平越高；反之，全网安全水平越低，具体表达式为：

式中，N_xl为电网线路总数；

2)线路安全裕度平均相对偏差S_re,F：平均相对偏差是对线路安全裕度的离散程度的度量，S_re,F越小，表示各条线路安全裕度越均衡，离散程度越小，电网安全性越高；反之，电网安全性越低，具体表达式为：

式中，为各电网线路安全裕度最大值；为各电网线路安全裕度最小值，S_ae,F为安全裕度平均绝对偏差，其表达式为：

3)线路安全裕度平均相对变异系数σ_F：为安全裕度平均相对偏差和安全裕度平均值之比，以表征安全裕度的平均相对偏差与平均值的相对数值关系，考虑到各安全裕度的平均相对偏差越小、平均值越大，全网安全性越高，因此，σ_F越小，***安全性越好，具体表达式为：

其中，第i个机组的安全裕度可表示为：

式中，S_i为第i个机组的实际最大出力，MW；S_iN为第i个机组的额定容量，MW；

基于上述，本文提出三个机组安全裕度指标：

1)所有机组安全裕度的平均值，即：

2)所有机组安全裕度的平均相对偏差S_re,μ，代表机组安全裕度的离散程度，可表示为：

式中，μ_max为电网中机组安全裕度的最大值；μ_min为电网中机组安全裕度的最小值，S_ae,μ为所有机组安全裕度的平均绝对偏差，其表达式为：

3)机组安全裕度平均相对变异系数σ_μ，可用平均相对偏差与平均值的比值定义，以表征机组安全裕度的平均相对偏差与平均值的相对数值关系，考虑到各机组安全裕度的平均相对偏差越小、平均值越大，全网机组安全性越高，因此，σ_μ越小，***安全性越好，具体表达式为：

机组安全裕度变异系数表示电网中所有机组安全裕度的均衡性，线路安全裕度变异系数表示***中所有线路的安全裕度的均衡性，将机组与电网线路的均衡性通过加权综合考虑，可度量***的整体安全性，本文将其定义为安全因子，***安全因子可表示为：

σ＝λσ_μ+(1-λ)σ_F

式中，λ为权重因子；

负荷密度是表征负荷分布密集程度的量化参数，它是每平方公里的平均用电功率数值，以MW/km²计量，本文根据该地区的负荷密度确定机组安全裕度变异系数与线路安全裕度变异系数之间的权重，负荷密度较大时，取λ＝0.8；负荷密度较小且较为分散时，可适当增加拓扑结构均衡度的影响，取λ＝0.6或者更小。

进一步的，步骤1中电力***结构包括电源侧、负荷侧和电网侧，电源侧包括燃煤机组、燃气机组、风力发电、光伏发电；负荷侧利用需求响应技术实施可中断负荷项目；电网侧将电源侧、负荷侧连接起来。

进一步的，步骤1中多目标规划模型的安全性目标函数为：

以安全因子最小为目标，可表示为：f₁＝minσ。

进一步的，步骤1中多目标规划模型经济性目标函数为：

以综合成本最小为目标，可表示为：f₂＝min(T₁+T₂+T₃+T₄+T₅+T₆)；

式中，T₁为机组投资成本；T₂为电网投资成本；T₃为机组运行维护成本；T₄为线路阻塞补偿成本；T₅为碳排放成本；T₆为需求侧管理成本；

1)机组投资成本：

式中，N为候选机组个数；M为已有机组个数；T₁是新建机组投资成本，元；x_i为第i个候选机组建设状态变量，x_i＝0时不投建，x_i＝1时为投建；C_i为第i个候选机组单位投资成本，元/个；r为贴现率；Y_i为第i个候选机组使用年限；

2)电网投资成本：

式中，L为候选线路条数；y_j为第j条候选线路的建设状态变量，y_j＝0不投建，y_j＝1时为投建；D_j为候选线路的单位成本，元/条；Y_j为第j条候选线路使用年限；

3)机组运行维护成本：

式中，T₃为***机组运行维护成本；G_i为单位发电量运行维护成本，元/MWh；H_i为第i个机组的发电量，MWh；

4)线路阻塞补偿成本：

表示为***所有支路的阻塞补偿成本之和，式中，Ω_ab为节点***支路集合；cc_ab为ab支路的阻塞补偿成本，可表示为：cc_ab＝β_ab|P_{lmp_a}-P_{lmp_b}|×P_ab；

式中，P_{lmp_a}为a节点的影子价格；P_lmp-b为b节点的影子价格；P_ab为a-b支路功率；β_ab取值为线路a-b是否发生阻塞的状态变量，当β_ab＝1时，表示线路a-b发生了输电阻塞，当β_ab＝0时，线路a-b为未发生阻塞；

5)碳排放成本：

式中，T₅为碳排放成本，元；E_i为第i台机组的碳排放强度，t/MWh；为碳排放价格，元/t；

6)需求侧管理成本：

本申请着重研究用户可参与的激励型需求响应，即可中断负荷，需求侧管理成本T₆，即中断用户用电的补偿成本，式中，N_KZD为参与可中断负荷用户数量；z_k为可中断负荷用户的状态变量，z_k＝0表示不中断用户k的负荷，z_k＝1表示中断用户k的负荷；O_k为第k个可中断用户中断单位容量补偿成本，元/MWh；P_KZD,k为第k个可中断用户的履约负荷中断量，MW；t_k为第k个可中断用户一年中履约的中断时间。

进一步的，步骤1中多目标规划模型协调性目标函数为：

以源网协同因子最小为目标，可表示为：f₃＝minZ；

式中，Z为源网协同因子；

基于对协调性的考虑，源网协同因子包括机组出力均衡度和拓扑结构均衡度两部分；

其中，第i个机组运行率可表示为：

式中，S_i为第i个机组的实际最大出力，MW；S_iN为第i个机组的额定容量，MW；

用平均相对偏差与平均值的比值来定义电网中各机组运行率的均匀程度，也即机组均衡度，可表示为：

a.所有机组运行率的平均值，即：

b.所有机组运行率的平均相对偏差S_re,η，代表机组运行率的离散程度，可表示为：

式中，η_max为电网中机组运行率的最大值；η_min为电网中机组运行率的最小值，S_ae,η为所有机组运行率的平均绝对偏差，其表达式为：

c.机组出力均衡度，可用平均相对偏差与平均值的比值定义，即平均相对变异系数，表示两者之间的相对数值关系，体现全网机组出力的均衡情况，可表示为：

式中，J为电网中机组均衡度；

其中，第i台机组与电网的联络度：

式中，δ_m为最大联络维数，即机组所在节点的最大回路数；δ_i为机组所在节点i的实际回路数；

用平均相对偏差与平均值的比值来定义***中机组与电网在拓扑结构上的联络均匀程度，也即拓扑结构均衡度，可表示为：

a.所有机组与电网的联络度的平均值，即：

b.所有机组与电网的联络度的平均相对偏差S_re,d，代表机组与电网结构上的联络度的离散程度，即：

式中，d_max为电网中机组联络度的最大值；d_min为电网中机组联络度的最小值，S_ae,d为所有机组联络度的平均绝对偏差，其表达式为：

c.拓扑结构均衡度，可用平均相对偏差与平均值的比值定义，即平均相对变异系数，表示两者之间的相对数值关系，体现全网机组与电网的联络均衡情况，可表示为：

式中，K为机组与电网的拓扑结构均衡度；

机组出力均衡度表示电网中所有机组运行出力的均衡情况，拓扑结构均衡度表示机组与电网的结构联络程度的均衡情况，将出力与结构两方面的参数进行加权平均，可度量全***中机组与电网的整体协调性，将其定义为源网协同因子，***源网协同因子可表示为：

Z＝λJ+(1-λ)K

式中，λ为权重因子；J为机组出力均衡度；K为源网拓扑结构均衡度。

进一步的，步骤1中约束条件为：

1)电力约束：

表示***在规划目标年内所有机组总容量不小于目标年实际最大负荷与中断功率之差，式中，P_i为第i台机组的出力，MW；P_f为目标年实际最大负荷，MW；

2)电量约束：

表示***在规划目标年内所有机组的总发电量不小于目标年预测电量与年中断电量之差，式中，H_f为目标年实际最大用电量；

3)新建机组投资成本约束：

表示在整个规划期内要求新建机组总投资成本不超过其上限，式中，J_gmax为机组投资上限；

4)电网规划投资成本约束：

表示在整个规划期内要求新建输电线路总投资成本不超过其上限，式中，K_max为线路投资上限；

5)单条新建线路最大回路约束：0≤γ_j≤l_max；

表示单条新建线路的回路数在此范围内，式中，γ_j为第j条新建线路回路数；l_max为单条新建线路最大回路建设数；

6)机组出力上限约束：P_gi≤P_i；

表示机组在运行过程中，要求不得长时间超过额定功率运行，否则将对其产生影响，因此规定每台机组的实际出力不大于其装机容量，式中，P_gi为第i台机组的实际出力；

7)节点功率平衡约束：

表示节点注入功率和负荷需求的功率等于支路上的消耗功率，式中，P_gn和P_dn分别为第n个节点的注入功率和负荷需求；U_m为节点m的电压；U_n为节点n的电压；G_mn为节点m和节点n之间线路的电导，S；B_mn为节点m和节点n之间线路的电纳，S；cosθ_mn、sinθ_mn为节点m和节点n之间线路电压和电流相位差的余弦、正弦值；H为节点总数；h为与m节点相连的节点总数；

8)线路潮流上限约束：U_mU_n(G_mn cosθ_mn+B_mn sinθ_mn)≤P_mnmax；

表示两节点之间输电线路上的传输功率不大于该条输电线路的最大允许传输功率，式中，P_mnmax为节点m和节点n间线路功率传输上限；

9)可中断负荷约束：

可中断时间约束：0≤t_k≤t_k,max；

式中，为第k个可中断用户中断量上限值；t_k,max为第k个可中断用户一天中中断时间上限值。

进一步的，步骤2中不确定性处理过程为：

针对不确定变量，也即模糊变量，为风电场的出力、光伏电站出力以及规划年最大负荷预测值，模糊变量的可信性分布函数为：

式中，P_c1-P_c4为梯形模糊数；P_ci＝x_iP_c,av，i＝1,2,3,4；x_i为比例系数，比例系数一般可由机组出力的历史数据确定；

梯形模糊参数可由四元组表示：

当x_i为ω_i时，表示风电场隶属度参数的比例系数；当x_i为时，表示光伏电站隶属度参数的比例系数；当x_i为ζ_i时，表示负荷隶属度参数的比例系数；当c为“w”时，为风电场的梯形模糊参数，其中P_w,av为预测的风电场平均输出功率；当c为“p”时，为光伏电站的梯形模糊参数，其中P_p,av为预测的光伏电站平均输出功率；当c为“f”时，为用户侧负荷的梯形模糊参数，其中P_f,av为预测的负荷平均输出功率；

对电力约束条件可采用可信性机会测度表达，可信性机会约束可表示为：

式中，C_r为可信性测度；α为置信度水平；Ω_s为除去风电和光伏以外的候选机组集合；x_s为第s个候选常规机组建设状态变量，x_s＝0时不投建，x_s＝1时投建；P_s为除风电、光伏以外的候选机组的出力，MW；Ω_w为风电场候选机组集合；P_w为风电场的出力，MW；τ为模糊变量；Ω_p为光伏电站候选机组集合；P_p为光伏电站的出力，MW；χ为模糊变量；

根据清晰等价转化思想，当置信水平时，上式经过清晰等价处理，转化为：

进一步的，步骤3的具体过程为：

1)设定算例基本数据；

以IEEE30节点***为算例，用MATLAB7.10进行仿真分析。IEEE30节点***图如图3所示，图中***节点1、2、3……30和***燃煤机组G₁-G₆按照预设的方案进行设计和布局。选择***节点1为平衡节点，规定原有***仅存在火力发电机组，基本参数见表1。规定待建线路为27条，根据实际情况，规定单条待建线路最大建设回路为4回。本文设定规划期限为5年，贴现率为0.05，设定规划年负荷值较原始数据增长2％，并设定***在规划年用电量为3800GWh。待建机组基本数据见表2，梯形模糊参量见表3，可中断用户数据见表4。模型中，碳排放价格取52元/t，新建机组投资总成本最大为10亿元；新建线路投资总额上限为20万元，置信水平取0.8。

表1原有机组参数

表2待建机组参数

表3梯形模糊参量

表4可中断负荷参数

2)细菌群体初始化，设定细菌初始位置和速度，确定精度数据；

3)离散化过程，确定位置1及适应值；

4)寻优过程，确定位置2及适应值；

5)比较位置1和位置2，细菌移向较优的位置；

6)判断是否达到精度要求或移动步数，若是，则输出全体最优值作为帕累托最优解集，否则，定向变异，更新数据，继续寻优。

进一步的，步骤4至步骤7的具体过程为：

在信息论中，熵值反映了信息的无序化程度，也即离散程度，熵值越小，熵权越大，表明相应的评价指标的信息量越有效，该评价指标越重要，反之亦然；利用熵权法的思想，即当一组数据离散程度越小，则说明该组数据信息可信度越高，该组数据越重要，则赋予权值越高；本文通过平均相对偏差来反映离散程度，偏差越大，离散程度越大，可信度越小，则权值应越小；因此，为了均衡解的范围，需要将所得权值大的给偏差小的，权值小的给偏差大的来进行加权；根据此方法得到的最佳解更为可信；

通过步骤3得出模型的帕累托最优解集，本文利用模糊隶属度函数表示该解集中各个目标函数对应的满意度，从而选出一个最佳解；以最小值为最优解的目标函数用模糊隶属度函数可表示为：

式中，为第j组解中，第i个目标函数对应的满意度；f_i ^j为第j组解中，第i个目标函数的函数值；f_i ^max和f_i ^min分别为第i个目标函数的最大值和最小值；

帕累托最优解集中第j组解的平均相对满意度为：

式中，h_j为第j组解的平均相对满意度；w_i为第i个目标函数所占权重，N_obj为目标函数个数；

1)第i个目标函数的满意度解集的平均值，即：

式中，h_i,av为第i个目标函数的满意度解集的平均值；N_x为帕累托解集的个数；

2)第i个目标函数的满意度解集的平均相对偏差S_re,i，即第i个目标函数的满意度的离散程度，可表示为：

式中，为第i个目标函数的满意度解集中的最大值；为第i个目标函数的满意度解集中的的最小值，S_ae,i为第i个目标函数的满意度解集的平均绝对偏差，其表达式为：

3)第i个目标函数的初始权重为：

最后，将权重大的分配给偏差值小的，权重小的分配给偏差值大的来进行加权，得到N_x个最优解的平均相对满意度，其值越大，满意度越高。

应用所提出分配权重的最佳解的选取方法，从帕累托解集中选取可信度较高的方案，最佳解仿真结果见表5，规划期内各项成本见表6，各目标函数值见表7。

表5仿真结果

表6规划期内各项成本

表7目标函数值

通过仿真结果可知，总成本为17.4982亿元，安全因子和源网协同因子分别为0.1461和0.4826，新建线路数量为17，可中断用户年中断电量为521.2086MWh。

当采用普通的折衷解选择最后结果时，其规划结果见表8，规划期内各项成本见表9，各目标函数值见表10。

表8仿真结果

表9规划期内各项成本

表10目标函数值

通过仿真结果可知，总成本为18.0085亿元，比最佳解方案多0.5103亿元，安全因子和源网协同因子分别为0.4432和0.4846，也都比最佳解方案数值大，新建线路数量为20，比最佳解方案多建3条，可中断用户年中断电量为892.3608MWh，比最佳解方案多371.1522MWh，阻塞成本也增大了145.9974元。

由上述结果对比可知本文所提基于权重的最佳解方案比普通折衷解方案所选取的最终结果更优更可信，所需成本更少，阻塞程度更轻，且安全因子数值更小，***安全性更高，可见该模型不仅得到了可信度较高的最佳解，且很好的提高了***整体的安全性。

以上所述的仿真分析仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明的保护范围内。

Claims (10)

1.一种源网荷多目标规划模型的可信度优化方法，其特征在于，所述方法包括如下步骤：

步骤1，提出安全因子，确定电力***的结构，建立考虑经济性、安全性和协调性的源网荷多目标规划模型，确定目标函数和约束条件；

步骤2，结合可信性理论和模糊机会约束规划，对所述源网荷多目标规划模型中的不确定性因素进行处理；

步骤3，采用多目标细菌群体趋药性算法对所述源网荷多目标规划模型进行求解，得到帕累托最优解集；

步骤4，根据模糊隶属度函数，确定帕累托最优解集的前沿中每组解中各个目标函数对应的满意度；以最小值为最优解的目标函数用模糊隶属度函数表示为：

式中，为第j组解中，第i个目标函数对应的满意度；f_i ^j为第j组解中，第i个目标函数的函数值；f_i ^max和f_i ^min分别为第i个目标函数的最大值和最小值；

步骤5，通过平均相对偏差，得到所述各个目标函数对应的满意度解集的离散程度；

步骤6，根据所述满意度解集的离散程度确定所得解集的可信程度，从而确定所述各个目标函数的权重系数；以及

步骤7，得到每组解基于权重的平均相对满意度，所述帕累托最优解集中第j组解的平均相对满意度为：

式中，h_j为第j组解的平均相对满意度；w_i为第i个目标函数所占权重，N_obj为目标函数个数；得到N_x个最优解的平均相对满意度，并且所述平均相对满意度越大，满意度越高。

2.根据权利要求1所述的源网荷多目标规划模型的可信度优化方法，其特征在于：

所述步骤5–步骤6具体还包括以下步骤：

1)第i个目标函数的满意度解集的平均值：

式中，h_i,av为第i个目标函数的满意度解集的平均值；N_x为帕累托解集的个数；

2)第i个目标函数的满意度解集的平均相对偏差S_re,i，即第i个目标函数的满意度的离散程度，表示为：

式中，为第i个目标函数的满意度解集中的最大值；为第i个目标函数的满意度解集中的的最小值，S_ae,i为第i个目标函数的满意度解集的平均绝对偏差，其表达式为：

3)第i个目标函数的初始权重w_i为：

调整权重系数，将权重大的分配给偏差值小的，权重小的分配给偏差值大的，从而确定各目标函数的权重。

3.根据权利要求1或者2所述的源网荷多目标规划模型的可信度优化方法，其特征在于：所述步骤1中安全因子表示为机组和线路安全裕度变异系数的加权平均，具体表示为：

其中，电网线路u的安全裕度为：

式中，F_sm，u为线路u的安全裕度；l_r,u为线路u的剩余输电容量；l_pm,u为线路u的极限容

量；

所述线路安全裕度指标包括：线路安全裕度平均值、线路安全裕度平均相对偏差和线路安全裕度平均相对变异系数，具体表示为：

1)线路安全裕度平均值F_av：表示每回电网线路安全裕度的平均值，具体表达式为：

式中，N_xl为电网线路总数；

2)线路安全裕度平均相对偏差S_re,F：是对线路安全裕度的离散程度的度量，具体表达式为：

式中，为各电网线路安全裕度最大值；为各电网线路安全裕度最小值，S_ae,F为安全裕度平均绝对偏差，其表达式为：

3)线路安全裕度平均相对变异系数σ_F：为安全裕度平均相对偏差和安全裕度平均值之比，以表征安全裕度的平均相对偏差与平均值的相对数值关系，具体表达式为：

其中，第i台机组的安全裕度表示为：

式中，S_i为第i台机组的实际最大出力，MW；S_iN为第i台机组的额定容量，MW；

所述机组安全裕度指标包括：所有机组安全裕度的平均值、所有机组安全裕度的平均相对偏差和机组安全裕度平均相对变异系数，具体表示为：

1)所有机组安全裕度的平均值μ_av，即：

2)所有机组安全裕度的平均相对偏差S_re,μ，代表机组安全裕度的离散程度，表示为：

式中，μ_max为电网中机组安全裕度的最大值；μ_min为电网中机组安全裕度的最小值，S_ae,μ为所有机组安全裕度的平均绝对偏差，其表达式为：

3)机组安全裕度平均相对变异系数σ_μ，利用平均相对偏差与平均值的比值表示，具体表达式为：

将机组与电网线路的均衡性通过加权综合考虑，度量***的整体安全性，并将其定义为安全因子，***安全因子σ表示为：

σ＝λσ_μ+(1-λ)σ_F

式中，λ为权重因子。

4.根据权利要求1或者2所述的源网荷多目标规划模型的可信度优化方法，其特征在于，所述步骤1中电力***结构包括：电源侧、负荷侧和电网侧，所述电源侧包括燃煤机组、燃气机组、风力发电和光伏发电；所述负荷侧利用需求响应技术，实施可中断负荷项目；所述电网侧将所述电源侧和所述负荷侧连接起来。

5.根据权利要求3所述的源网荷多目标规划模型的可信度优化方法，其特征在于，所述步骤1中多目标规划模型的安全性目标函数，以所述安全因子最小为目标，表示为：

f₁＝minσ。

6.根据权利要求1或者2所述的源网荷多目标规划模型的可信度优化方法，其特征在于，所述步骤1中多目标规划模型的经济性目标函数，以综合成本最小为目标，包括：机组投资成本、电网投资成本、机组运行维护成本、线路阻塞补偿成本、碳排放成本和需求侧管理成本，具体表示为：

f₂＝min(T₁+T₂+T₃+T₄+T₅+T₆)；

式中，T₁为机组投资成本；T₂为电网投资成本；T₃为机组运行维护成本；T₄为线路阻塞补偿成本；T₅为碳排放成本；T₆为需求侧管理成本；

1)机组投资成本表示为：

式中，T₁是新建机组投资成本，元；x_i为第i台候选机组建设状态变量，x_i＝0时不投建，x_i＝1时为投建；C_i为第i台候选机组单位投资成本，元/个；r为贴现率；Y_i为第i台候选机组使用年限；

2)电网投资成本表示为：

式中，T₂是电网投资成本，元；L为候选线路条数；y_j为第j条候选线路的建设状态变量，y_j＝0不投建，y_j＝1时为投建；D_j为候选线路的单位成本，元/条；Y_j为第j条候选线路使用年限；

3)机组运行维护成本表示为：

式中，T₃为***机组运行维护成本；G_i为单位发电量运行维护成本，元/MWh；H_i为第i台机组的发电量，MWh；

4)线路阻塞补偿成本，为***所有支路的阻塞补偿成本之和，表示为：

式中，T₄为线路阻塞补偿成本；Ω_ab为节点***支路集合；cc_ab为ab支路的阻塞补偿成本，表示为：

cc_ab＝β_ab|P_lmp-a-P_lmp-b|×P_ab；

式中，P_lmp-a为a节点的影子价格；P_lmp-b为b节点的影子价格；P_ab为a-b支路功率；β_ab取值为线路a-b是否发生阻塞的状态变量，当β_ab＝1时，表示线路a-b发生了输电阻塞，当β_ab＝0时，线路a-b为未发生阻塞；

5)碳排放成本表示为：

式中，T₅为碳排放成本，元；E_i为第i台机组的碳排放强度，t/MWh；为碳排放价格，元/t；

6)需求侧管理成本表示为：

式中，T₆为需求侧管理成本；N_KZD为参与可中断负荷用户数量；z_k为可中断负荷用户的状态变量，z_k＝0表示不中断用户k的负荷，z_k＝1表示中断用户k的负荷；O_k为第k个可中断用户中断单位容量补偿成本，元/MWh；P_KZD,k为第k个可中断用户的履约负荷中断量，MW；t_k为第k个可中断用户一年中履约的中断时间。

7.根据权利要求1或者2所述的源网荷多目标规划模型的可信度优化方法，其特征在于，所述步骤1中所述多目标规划模型的协调性目标函数，以源网协同因子最小为目标，表示为：

f₃＝min Z；

式中，Z为源网协同因子；

所述源网协同因子包括机组出力均衡度和拓扑结构均衡度两部分；

其中，第i台机组运行率表示为：

式中，S_i为第i台机组的实际最大出力，MW；S_iN为第i台机组的额定容量，MW；

用平均相对偏差与平均值的比值来定义电网中各机组运行率的均匀程度，即机组均衡度，表示为：

a.所有机组运行率的平均值η_av，即：

b.所有机组运行率的平均相对偏差S_re,η，代表机组运行率的离散程度，表示为：

式中，η_max为电网中机组运行率的最大值；η_min为电网中机组运行率的最小值，S_ae,η为所有机组运行率的平均绝对偏差，其表达式为：

c.确定机组出力均衡度，利用平均相对偏差与平均值的比值来表示，表示为：

式中，J为电网中机组均衡度；

其中，第i台机组与电网的联络度d_i，即：

式中，δ_m为最大联络维数，即机组所在节点的最大回路数；δ_i为机组所在节点i的实际回路数；

用平均相对偏差与平均值的比值来表示***中机组与电网在拓扑结构上的拓扑结构均衡度，表示为：

a.所有机组与电网的联络度的平均值d_av，即：

b.所有机组与电网的联络度的平均相对偏差S_re,d，代表机组与电网结构上的联络度的离散程度，即：

式中，d_max为电网中机组联络度的最大值；d_min为电网中机组联络度的最小值，S_ae,d为所有机组联络度的平均绝对偏差，其表达式为：

c.拓扑结构均衡度，可用平均相对偏差与平均值的比值定义，即平均相对变异系数，表示两者之间的相对数值关系，体现全网机组与电网的联络均衡情况，表示为：

式中，K为机组与电网的拓扑结构均衡度；

机组出力均衡度表示电网中所有机组运行出力的均衡情况，拓扑结构均衡度表示机组与电网的结构联络程度的均衡情况，将出力与结构两方面的参数进行加权平均，度量出***中机组与电网的整体协调性，将其定义为源网协同因子，表示为：

Z＝λJ+(1-λ)K

式中，λ为权重因子；J为机组出力均衡度；K为源网拓扑结构均衡度。

8.根据权利要求1或者2所述的源网荷多目标规划模型的可信度优化方法，其特征在于，所述步骤1中所述多目标规划模型的约束条件为：

1)电力约束：表示***在规划目标年内所有机组总容量不小于目标年实际最大负荷与中断功率之差，表示为：

式中，P_i为第i台机组的出力，MW；P_f为目标年实际最大负荷，MW；

2)电量约束：表示***在规划目标年内所有机组的总发电量不小于目标年预测电量与年中断电量之差，表示为：

式中，H_f为目标年实际最大用电量；

3)新建机组投资成本约束：表示在整个规划期内要求新建机组总投资成本不超过其上限，表示为：

式中，J_gmax为机组投资上限；

4)电网规划投资成本约束：表示在整个规划期内要求新建输电线路总投资成本不超过其上限，表示为：

式中，K_max为线路投资上限；

5)单条新建线路最大回路约束：表示单条新建线路的回路数在此范围内，表示为：

0≤γ_j≤l_max；

式中，γ_j为第j条新建线路回路数；l_max为单条新建线路最大回路建设数；

6)机组出力上限约束：表示机组在运行过程中，要求不得长时间超过额定功率运行，否则将对其产生影响，因此规定每台机组的实际出力不大于其装机容量，表示为：

P_gi≤P_i；

式中，P_gi为第i台机组的实际出力；

7)节点功率平衡约束：表示节点注入功率和负荷需求的功率等于支路上的消耗功率，表示为：

式中，P_gn和P_dn分别为第n个节点的注入功率和负荷需求；U_m为节点m的电压；U_n为节点n的电压；G_mn为节点m和节点n之间线路的电导，S；B_mn为节点m和节点n之间线路的电纳，S；cosθ_mn、sinθ_mn为节点m和节点n之间线路电压和电流相位差的余弦、正弦值；H为节点总数；h为与m节点相连的节点总数；

8)线路潮流上限约束：表示两节点之间输电线路上的传输功率不大于该条输电线路的最大允许传输功率，表示为：

U_mU_n(G_mncosθ_mn+B_mnsinθ_mn)≤P_mnmax；

式中，P_mnmax为节点m和节点n间线路功率传输上限；

9)可中断负荷约束表示为：

可中断时间约束表示为：

0≤t_k≤t_k,max；

式中，为第k个可中断用户中断量上限值；t_k,max为第k个可中断用户一天中中断时间上限值。

9.根据权利要求1所述的源网荷多目标规划模型的可信度优化方法，其特征在于，所述步骤2中多目标规划模型的不确定性处理包括：不确定变量包括风电场的出力、光伏电站出力以及规划年最大负荷预测值，所述不确定变量的可信性分布函数表示为：

式中，P_c1-P_c4为梯形模糊数；P_ci＝x_iP_c,av，i＝1,2,3,4；x_i为比例系数，比例系数由机组出力的历史数据确定；

梯形模糊参数可由四元组表示为：

当x_i为ω_i时，表示风电场隶属度参数的比例系数；当x_i为时，表示光伏电站隶属度参数的比例系数；当x_i为ζ_i时，表示负荷隶属度参数的比例系数；当c为“w”时，为风电场的梯形模糊参数，其中P_w,av为预测的风电场平均输出功率；当c为“p”时，为光伏电站的梯形模糊参数，其中P_p,av为预测的光伏电站平均输出功率；当c为“f”时，为用户侧负荷的梯形模糊参数，其中P_f,av为预测的负荷平均输出功率；具体表示为：

对电力约束条件可采用可信性机会测度表达，可信性机会约束可表示为：

式中，C_r为可信性测度；α为置信度水平；Ω_s为除去风电和光伏以外的候选机组集合；x_s为第s个候选常规机组建设状态变量，x_s＝0时不投建，x_s＝1时投建；P_s为除风电、光伏以外的候选机组的出力，MW；Ω_w为风电场候选机组集合；P_w为风电场的出力，MW；τ为模糊变量；Ω_p为光伏电站候选机组集合；P_p为光伏电站的出力，MW；χ为模糊变量；

当置信水平时，上式经过清晰等价处理，转化为：

10.根据权利要求1或者2所述的源网荷多目标规划模型的可信度优化方法，其特征在于，所述步骤3的具体步骤为：

步骤31、设定算例基本数据；

步骤32、细菌群体初始化，设定细菌初始位置和速度，确定精度数据；

步骤33、离散化过程，确定位置1及适应值；

步骤34、寻优过程，确定位置2及适应值；

步骤35、比较位置1和位置2，细菌移向较优的位置；

步骤36、判断是否达到精度要求或移动步数，若是，则输出全体最优值作为帕累托最优解集，否则，定向变异，更新数据，直到获得最优解集。