CN113991640A - 基于火电的多能互补能源基地能源配置规划方法 - Google Patents

Abstract

本发明涉及一种基于火电的多能互补能源基地能源配置规划方法，包括：构建基于日出力情景的风电出力模型；构建基于日出力情景的光伏出力模型；构建火电机组出力模型；构建原有火电线路的历史负荷模型；搭建基于时序生产模拟法的消纳模型；根据基于时序生产模拟法的消纳模型，得到多能互补能源基地电源组合方案。本发明从发电企业角度出发，充分利用自身已拥有的火电输出线路优势，结合自身的火电灵活调峰的基础，形成了主动有前瞻性的能源发展结构规划。

Description

基于火电的多能互补能源基地能源配置规划方法

技术领域

本发明涉及电力技术领域，尤其涉及一种基于火电的多能互补能源基地能源配置规划方法。

背景技术

增加以新能源为主体的非化石能源开发消纳，是提升非化石能源占比的决定性力量。通过优先利用清洁能源资源、充分发挥水电和煤电调节性能、适度配置储能设施、调动需求侧灵活响应积极性，有利于发挥新能源资源富集地区优势，实现清洁电力大规模消纳，优化能源结构，破解资源环境约束，促进能源领域与生态环境协调可持续发展，推进生态文明建设。中国富煤贫油少气的能源格局，围绕已有火电机组配备新能源(光伏，风电)，储能，借用原有输电线路进行送出，形成多能互补的能源基地，是未来火电的发展方向。

通过“风光水火储一体化”实现多种能源互补、储存、转换，可以减少因风光资源间歇性和不稳定性带来的问题，获得较稳定的多种能源综合出力曲线，提高电力***的稳定性和可靠性。通过新能源就地开发消纳，能尽量少的占用甚至不占用电网的灵活性调节资源，减少弃风弃光现象，极大程度上减少对电网的依赖。同时也能显著降低了储能装置的配备容量，使***成本趋于合理。

目前多数研究都是从电网的角度考虑多能互补能源基地的能源结构配比，对于发电企业来说，缺少自身的前期预判性以及主动性，处于较为被动的地位。

对于以火电机组形成的多能互补能源基地来说，从火力发电企业角度来说，以原有火电机组作为调节电源，在缺少精准的电力***的用电负荷模型的情况下，如何精确的计算出新能源的最大最优配比是当前火电企业存在的一个问题。

发明内容

本发明的目的是提供一种基于火电的多能互补能源基地能源配置规划方法，从发电企业角度出发，充分利用自身已拥有的火电输出线路优势，结合自身的火电灵活调峰的基础，形成主动有前瞻性的能源发展结构规划。

本发明提供了一种基于火电的多能互补能源基地能源配置规划方法，包括如下步骤：

步骤1，构建基于日出力情景的风电出力模型，包括：

步骤1.1，建立电力平衡场景和调峰平衡场景；

所述电力平衡场景建立步骤如下：

6)对各季节风力日发电曲线按晚高峰时段最小出力P_EPmin排序以晚高峰时段最小出力P_EPmin作为电力平衡场景主要特征指标，将各季节风力日发电曲线按P_EPmin从小到大排序，构成次序统计量；

7)给定P_EPmin的置信水平α，确定风力日发电曲线集合P_WΩ1给定P_EPmin的置信水平α，筛选出风力日发电曲线P_W(d)，其晚高峰时段最小出力为P_EPmin(d)，使以超过α的概率确信该季节风力日发电曲线晚高峰时段最小出力不小于P_EPmin(d)，记满足条件的风力日发电曲线集合为P_WΩ1：

记P_WΩ1中日电量保证率最大的发电曲线为P_μ1；

3)在P_WΩ1中，选取日电量保证率较高或日平均出力较小的风力日发电曲线作为电力平衡场景，其中，

方式一：按日电量保证率选取：

以给定的日电量保证率β，在集合P_WΩ1中筛选出风力日发电曲线P_W(d)，使P_W(d)的日电量保证率λ_E(d)不低于β，记满足条件的风力日发电曲线集合为P'_WΩ1：

记P'_WΩ1中晚高峰时段最小出力P_EPmin最小发电曲线为P_ν1；

方式二：按日平均出力选取：

给定日平均出力的置信水平β，在集合P_WΩ1中筛选出风力日发电曲线P_W(d)，以超过β的概率确信该季节风力日发电曲线的平均出力不低P_Dave，记满足条件的风力日发电曲线集合为P'_WΩ1：

记P'_WΩ1中日平均出力P_Dave最大的发电曲线为P_ν1；

4)选定各季节风电出力电力平衡场景P_W1

若按3)中方式一确定P'_WΩ1，在满足P_EPmin的置信水平α及电量保证率β要求上，选取P_EPmin最小的发电曲线为电力平衡场景，以反映风电对***电力平衡最极端的影响；在不能满足电量保证率β要求时，则取电量保证率最大的发电曲线为电力平衡场景；

若按3)中方式二确定P'_WΩ1，在满足P_EPmin的置信水平α及P_Dave置信水平β要求上，选取最接近日平均出力置信水平β的发电曲线为边界电力平衡场景；在不能满足置信水平β要求时，则取日平均出力最小的发电曲线为电力平衡场景；

6)确定电力平衡场景的确切概率：

式中，N_r为该季度出力曲线的总数；

所述调峰平衡场景建立步骤如下：

1)对各季节风力日发电曲线按ΔP_PDmax排序

以日最大调峰需求ΔP_PDmax作为调峰平衡场景的主要特征指标，将各季节风力日发电曲线按ΔP_PDmax从大到小排序，构成次序统计量；

2)给定ΔP_PDmax的置信水平γ，确定风力日发电曲线集合P_WΩ2

给定ΔP_PDmax的置信水平γ，筛选出风力日发电曲线P_W(d)，日最大调峰需求为ΔP_PDmax(d)，使以超过的概率确信该季节ΔP_PDmax不大于ΔP_PDmax(d)，记满足条件的风力日发电曲线集合为P_WΩ2：

记集合中日最小调峰需求ΔP_PDmin最大的发电曲线为P_μ2；

8)在P_WΩ2中，以ΔP_PDmin≥0为约束，确定风力日发电曲线集合P'_WΩ2，以ΔP_PDmin≥0为约束条件从P_WΩ2筛选出风力日发电曲线P_W(d)，记满足条件的风力日发电曲线集合为P'_WΩ2，用公式表述如下：

P'_wΩ2＝{P_w(d)|ΔP_PDmin(d)≥0,P_w(d)∈P_wΩ2}

记P'_WΩ2中日最大调峰需求ΔP_PDmax最大的发电曲线为P_ν2；

9)选定各季节风电出力调峰平衡场景P_W2

若P_'WΩ2不为空集，即存在满足ΔP_PDmax置信水平γ和ΔP_PDmin≥0约束的风力日发电曲线，则在其中选取ΔP_PDmax最大的发电曲线为调峰平衡场景，以反映风电对***调峰平衡最极端的影响；若P'_WΩ2为空集，即P_WΩ2中所有风力日发电曲线均不能满足ΔP_PDmin≥0约束，则取ΔP_PDmin最大的风力日发电曲线为调峰平衡场景，最大限度的接近反调峰；

10)确定调峰平衡场景的确切概率；

式中，N_r为该季度出力曲线的总数；

步骤1.2，建立风电日出力聚类场景，包括：

(1)基于加权欧式距离的K-means聚类方法，对大量风电出力场景的有效聚类和筛选，具体步骤如下：

2)从N条风电出力曲线P_m(m＝1,2,3,…,N)中选取k条作为初始聚类中心M_i(i＝1,2,3,…,k)；

2)根据实际应用的需求，确定负荷早高峰时段、晚高峰时段、低谷时段和腰荷时段的风电出力在聚类过程中所占的权重系数ω_t(t＝1,2,3,…,S)；

3)依次计算每条风电出力曲线P_m与各个聚类中心M_i的距离l_mi，将风电出力曲线分配到距离聚类中心最近的类别中；

式中，P_mt和M_it分别是风电出力曲线P_m和聚类中心M_it时刻的出力值；

4)计算每个类别中新的聚类中心并重新聚类，以此循环迭代计算，直至聚类的准则函数不在发生变化为止，准则函数如下：

其中

式中，e_mi为状态变量；R_i为第i个风电出力场景中所有风电出力曲线的集合；

记第i类风电出力场景的确切概率为p_i，

(2)确定各类场景的典型风力日发电曲线，具体步骤如下：

2)计算风力日发电曲线d和类中其它发电曲线q关于ΔP_PDmax、ΔP_PDmin的平均加权欧拉距离S_i(d)；

式中，k_α为指标ΔP_PDmax的权重；

2)取S_i(d)最小的发电曲线为场景类R_i的典型风力日发电曲线，记为P_Ri；

3)修正场景类R_i典型风力日发电曲线P_Ri的发电量；

修正过程如下：

①计算场景类R_i风力总发电量E_Ri

式中，P_W(dt)表示场景类R_i中风力日发电曲线d第t小时的出力；

②计算场景类R_i典型风力日发电曲线P_Ri的期望发电量

式中，P_Ri(t)表示P_Ri在t时刻的出力；

③计算场景类R_i典型风力日发电曲线P_Ri的修正电量δE

④计算场景类R_i典型风力日发电曲线P_Ri各小时的出力修正值δP

⑤得到场景类R_i修正后的典型风力日发电曲线P_Ri ^△

式中，表示第t小时的出力值；修正后，若某时刻风电出力溢出场景类风电出力范围，将该时刻溢出电量再平摊到其它时刻；

步骤2，构建基于日出力情景的光伏出力模型，包括：

步骤2.1，在需要评估含光伏发电的***电力平衡时，直接以聚类场景中出力最小的光伏场景代替电力平衡场景；取各季节日最大出力P_Dmax最大的光伏日发电曲线作为光伏发电的调峰平衡场景；光伏调峰平衡场景的确切概率计算公式与风电相同；

步骤2.2，采用基于Kantorovich Distance距离的forward场景削减方法，根据光伏历史出力数据，将各季节光伏日发电曲线聚类成几个典型场景；通过反复迭代，从原始场景集合Ω中选出与其他场景KD距离最小的场景，将其置入场景集合Ω'中，两个场景集Ω，Ω'的KD距离定义如下：

式中，s和s'分别为场景集Ω和Ω'中的场景；p_s和p_s'分别为场景s和s'在Ω和Ω'中的概率；c(s,s')为一个非负、连续、对称的距离函数；μ(s,s')为场景s和s'的概率乘积；

基于KD距离的forward场景削减步骤如下：

(1)确定需要削减的场景：剔除满足以下条件的场景ω_s'

式中，c(ω_s',ω_m)为两光伏日出力曲线之间的距离；

(4)改变场景的总数：N＝N-1；并筛选出与被削减场景ω_s'距离最近的场景ω_s，即

(5)改变与被剔除场景ω_s'距离最近的场景ω_s的概率，以保证剩余的所有场景的概率和为1；

P_s＝P_s+P_s’

(4)循环迭代计算，直到剩余的场景数量满足设定的目标场景数量N_s的要求为止；各代表场景ω_s的概率即为p_s；

步骤3，构建火电机组出力模型，包括：

构建凝汽式火电机组出力模型；

构建背压式火电机组出力模型；

构建抽汽式火电机组出力模型；

步骤4，构建原有火电线路的历史负荷模型，包括：

确定基准日负荷曲线：

按每月一条典型工作日和休息日曲线，并单独考虑典型节假日，各月代表日的选取排除不正常因素的影响；或对历史上各年该月的典型曲线作综合分析比较，确定该月的代表曲线；各典型日数据采取如下分析方法：

令T＝24，表示时段数，设待分析日的负荷数据为l_i(i＝1、2、...、T)，当天最大负荷为l₀，以l₀对l_i进行标幺化，得到当日负荷曲线d_i(i＝1、2、...、T)、则成立如下关系式：

l₀＝max l_i 1≦i≦T

d_i＝l_i/l₀

步骤5，搭建基于时序生产模拟法的消纳模型，包括：

步骤5.1确定目标函数

优化周期内目标函数为：

式中：T表示时间的总长度；t为仿真时间步长；P_w(t)为风光火多能源基地在时段t的风电出力，P_pv(t)为风光火多能源基地在时段t的太阳能发电出力；

步骤5.2，确定约束条件

(1)区域负荷平衡约束

P_j(t)×S_j(t)+P_W(t)+P_PV(t)＝P_I(t)

式中：P_j(t)×S_j(t)为常规机组的功率之和；

(2)机组出力约束

0≤ΔP_j(t)≤[P_j,max(t)-P_j,min(t)]×S_j(t)

P_j(t)＝P_j,min(t)×S_j(t)+ΔP_j(t)

式中，P_j(t)为常规机组优化功率大小；

(3)机组优化功率爬坡率约束

P_j(t+1)-P_j(t)≤ΔP_j,up(n)

P_j(t)-P_j(t+1)≤ΔP_j,down(n)

式中，ΔP_j,up，ΔP_j,down分别为第j台机组的上爬坡率和下爬坡率；

(4)供热机组供热期出力约束

背压式热电联产火电机组的发电出力与热出力呈线性关系：

P_BYJ(t)＝C_j,b×Q_j(t)

抽汽式热电联产火电机组线性约束公式如下式所示：

Q_j(t)×C_j,b≤P_CQJ,max-Q_j(t)×C_j,v

(5)新能源出力约束

0≦P_w(t)≦P^* _w(t)

0≦P_pv(t,≦P^* _pv(t)

式中：P^* _w(t)指时刻t时装机容量一定时的风电时间序列出力，P^* _pv(t)指时刻t时装机容量一定时的光伏时间序列出力；

(6)弃新能源比例约束

允许在负荷低谷时段有一定比例的弃新能源，以换取更大的新能源消纳量；

步骤5.3，模型求解方法

新能源生产模拟模型简写如下：

Minf(x)

s.t g_i(x)≧0(i＝1,2....m)g_i(x)≧0(i＝1,2....n)

Hj(x)＝0(j＝1,2....n)

其中：x为待优化的变量集合，f(x)为优化目标函数，g_i(x)≧0为不等式约束集合，h_j(x)＝0为等式约束集合；

步骤6，根据基于时序生产模拟法的消纳模型，得到多能互补能源基地电源组合方案。

借由上述方案，通过基于火电的多能互补能源基地能源配置规划方法，以原有火电输出线路的历史出力构建多能互补能源基地的负荷模型，以新能源历史出力数据历史出力时序记录为基础，建立新能源日出力场景及其概率分布。为综合反应新能源全时空的出力特性及其对***的电力平衡、电量平衡、调峰平衡影响，将新能源日出力场景分为关键场景和聚类场景，结合时序生产模拟方法形成高精度的新能源消纳分析模型。本发明从发电企业角度出发，充分利用自身已拥有的火电输出线路优势，结合自身的火电灵活调峰的基础，形成了主动有前瞻性的能源发展结构规划。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1是本发明基于火电的多能互补能源基地能源配置规划方法示意图；

图2是本发明基于日出力情景构建风电出力模型的流程图；

图3是凝汽式机组的电和热出力关系曲线；

图4是背压式机组和抽汽式机组的电与热出力关系曲线；(a)为背压机组，(b)为抽气式机组。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本实施例提供了一种基于火电的多能互补能源基地能源配置规划方法，包括：

步骤1：构建基于日出力情景的风电出力模型

将风电出力关键场景分为电力平衡场景和调峰平衡场景。电力平衡场景是指对***电力平衡运行模拟结果影响较为显著的风电出力场景，体现风电场的容量价值；调峰平衡场景是指对***调峰平衡运行模拟结果影响较为显著的风电出力场景，影响***的调峰电源需求、电源结构。在新能源日出力曲线中扣除关键场景后，采用一定的聚类方法，形成新能源出力聚类场景，其主要影响***电量平衡和新能源的利用率。考虑到风光日出力特性的差异，聚类场景采用不同的方法分别聚类。

风电场历史出力数据中隐含着内在的统计规律性，同时风电场所在地区风速所具备的时序性和自相关性等特征信息及风速变化信息(长期变动趋势、季节性变动规律、周期变动规律等)较为完整地保留在历史出力数据中。但是由于风电出力历史数据量十分庞大，不可能把每一天的出力数据纳入运行模拟***进行计算，这时可以通过聚类的方式减少场景数量，用少量具有代表性的场景达到数倍甚至数十倍场景的效果，以提升计算效率。为充分考虑风电不确定性、波动性、地域性、反向调峰性、季节性差异等特点，总体流程图如下图2所示：

步骤1.1风电日出力关键情景

首先建立了两个风电出力关键场景，即电力平衡场景和调峰平衡场景，这两个场景将作为关键场景纳入***运行模拟，电力平衡场景显著***的电力平衡结果和***规划总体方案，调峰平衡场景显著影响***的调峰需求。

(1)电力平衡场景

电力平衡场景是指对***电力平衡运行模拟结果影响较为显著的风力日出力场景。不同的电力平衡场景对应不同的风电场容量可信度(即风电场有效容量)，所体现的风电场容量价值亦不同。由于风电出力的不确定性，风电所提供的容量具有不确定性，不能提供与其装机容量相匹配的容量，因此在规划层面上，应考虑风电场有效容量较低的情况，结合历史出力数据合理选取各季节风电出力电力平衡场景，主要步骤如下：

11)对各季节风力日发电曲线按晚高峰时段最小出力P_EPmin排序以晚高峰时段最小出力P_EPmin作为电力平衡场景主要特征指标，将各季节风力日发电曲线按P_EPmin从小到大排序，构成次序统计量。

12)给定P_EPmin的置信水平α，确定风力日发电曲线集合P_WΩ1给定P_EPmin的置信水平α，筛选出风力日发电曲线P_W(d)(其晚高峰时段最小出力为P_EPmin(d))，使以超过α的概率确信该季节风力日发电曲线晚高峰时段最小出力不小于P_EPmin(d)，记满足条件的风力日发电曲线集合为P_WΩ1：

记P_WΩ1中日电量保证率最大的发电曲线为P_μ1。

3)在P_WΩ1中，按一定原则确定风力日发电曲线集合P'_WΩ1考虑到电源规划的不同要求，在P_WΩ1的基础上，可以选取日电量保证率较高或日平均出力较小的风力日发电曲线作为电力平衡场景。其中

方式一：按日电量保证率选取。以给定的日电量保证率β，在集合P_WΩ1中筛选出风力日发电曲线P_W(d)，使P_W(d)的日电量保证率λ_E(d)不低于β，记满足条件的风力日发电曲线集合为P'_WΩ1：

记P'_WΩ1中晚高峰时段最小出力P_EPmin最小发电曲线为P_ν1。

方式二：按日平均出力选取。给定日平均出力的置信水平β，在集合P_WΩ1中筛选出风力日发电曲线P_W(d)，以超过β的概率确信该季节风力日发电曲线的平均出力不低P_Dave，记满足条件的风力日发电曲线集合为P'_WΩ1：

记P'_WΩ1中日平均出力P_Dave最大的发电曲线为P_ν1。

4)选定各季节风电出力电力平衡场景P_W1

该公式的意义为：若按3)中方式一确定P'_WΩ1，在满足P_EPmin的置信水平α及电量保证率β要求上，选取P_EPmin最小的发电曲线为电力平衡场景，此场景能反映风电对***电力平衡最极端的影响；在不能满足电量保证率β要求时，则取电量保证率最大的发电曲线为电力平衡场景若按3)中方式二确定P'_WΩ1，在满足P_EPmin的置信水平α及P_Dave置信水平β要求上，选取最接近日平均出力置信水平β的发电曲线为边界电力平衡场景；在不能满足置信水平β要求时，则取日平均出力最小的发电曲线为电力平衡场景。

7)确定电力平衡场景的确切概率。

式中，N_r为该季度出力曲线的总数。

(2)调峰平衡场景

调峰平衡场景是指对***调峰平衡运行模拟结果影响较为显著的风力日出力场景。不同的调峰平衡场景对应不同的风电调峰容量，影响***的调峰电源需求、电源结构。由于风电出力往往具有反调峰特性，因此在规划层面上应考虑风电场反调峰的情况，结合历史出力数据合理筛选调峰平衡场景。具体步骤如下：

1)对各季节风力日发电曲线按ΔP_PDmax排序

以日最大调峰需求ΔP_PDmax作为调峰平衡场景的主要特征指标，将各季节风力日发电曲线按ΔP_PDmax从大到小排序，构成次序统计量。

2)给定ΔP_PDmax的置信水平γ，确定风力日发电曲线集合P_WΩ2

给定ΔP_PDmax的置信水平γ，筛选出风力日发电曲线P_W(d)(日最大调峰需求为ΔP_PDmax(d))，使以超过的概率确信该季节ΔP_PDmax不大于ΔP_PDmax(d)，记满足条件的风力日发电曲线集合为P_WΩ2：

记集合中日最小调峰需求ΔP_PDmin最大的发电曲线为P_μ2；

13)在P_WΩ2中，以ΔP_PDmin≥0为约束，确定风力日发电曲线集合P'_WΩ2为充分保证调峰平衡场景的反调峰特性，以ΔP_PDmin≥0为约束条件从P_WΩ2筛选出风力日发电曲线P_W(d)，记满足条件的风力日发电曲线集合为P'_WΩ2，用公式表述如下：

P'_wΩ2＝{P_w(d)|ΔP_PDmin(d)≥0,P_w(d)∈P_wΩ2}

记P'_WΩ2中日最大调峰需求ΔP_PDmax最大的发电曲线为P_ν2；

14)选定各季节风电出力调峰平衡场景P_W2

该公式的意义为：若P_'WΩ2不为空集，即存在满足ΔP_PDmax置信水平γ和ΔP_PDmin≥0约束的风力日发电曲线，则在其中选取ΔP_PDmax最大的发电曲线为调峰平衡场景，此场景能反映风电对***调峰平衡最极端的影响；若P'_WΩ2为空集，即P_WΩ2中所有风力日发电曲线均不能满足ΔP_PDmin≥0约束，则取ΔP_PDmin最大的风力日发电曲线为调峰平衡场景，最大限度的接近反调峰。

15)确定调峰平衡场景的确切概率。

式中，N_r为该季度出力曲线的总数。

步骤1.2风电日出力聚类场景

对风电日出力场景进行聚类可以减少原始场景数量，以较小的工作量和较高的精度表征风电出力的全时空特性。本专利以负荷早高峰、晚高峰、低谷、腰荷时段的风电出力特征为基础，对扣除关键场景后的风电日出力曲线进行聚类，生成风电出力聚类场景及其概率分布。

(1)基于加权欧式距离的K-means聚类方法

K-means聚类算法是先随机选取k个对象作为初始聚类中心，然后计算每个对象与各个初始聚类中心的距离，把每个对象分配给距离它最近的聚类中心，聚类中心以及分配给它们的对象就代表一个类别。当所有对象的分配完成后，每个类别的聚类中心将会依据类别中现有的对象重新选取，如此循环迭代计算直到满足某个终止条件为止。终止条件可以是聚类中心不再发生变化或者每一类别中的误差平方和最小等。

然而，传统的K-means聚类算法不考虑对象中每个变量在聚类过程中体现的作用不同，而是统一看待，用这样的方法表示两个对象的相似度在实际应用中可能具有一定的局限性。对象间的距离表示的是对象的相近程度，而相似度不仅依赖于对象间的相近程度，还依赖于对象内在的性质，即对象中每个变量的重要性是不同的。

对于风电出力序列而言，在晚高峰时段***的负荷需求达到顶峰，其出力大小主要影响***的电源容量需求和开停机计划的制定；早高峰时段的负荷水平较晚高峰时段偏低，在满足电力平衡的条件下，风电出力则进一步影响***的可靠性指标；在负荷低谷时段，风电出力主要影响电力***的调峰需求和新能源的消纳水平。

因此，为了充分考虑风电出力在日内的不同时段对电力***调度和电力***运行模拟所造成的不同影响，本报告提出了一种基于加权欧式距离的K-means聚类算法。根据实际应用中的需求，对不同时段的风电出力赋予不同的权重，从而实现对大量风电出力场景的有效聚类和筛选。其具体步骤如下：

3)从N条风电出力曲线P_m(m＝1,2,3,…,N)中选取k条作为初始聚类中心M_i(i＝1,2,3,…,k)；

2)根据实际应用的需求，确定负荷早高峰时段、晚高峰时段、低谷时段和腰荷时段的风电出力在聚类过程中所占的权重系数ω_t(t＝1,2,3,…,S)；

3)依次计算每条风电出力曲线P_m与各个聚类中心M_i的距离l_mi，将风电出力曲线分配到距离聚类中心最近的类别中；

式中，P_mt和M_it分别是风电出力曲线P_m和聚类中心M_it时刻的出力值。

4)计算每个类别中新的聚类中心并重新聚类，以此循环迭代计算，直至聚类的准则函数不在发生变化为止。准则函数如下：

其中

式中，e_mi为状态变量；R_i为第i个风电出力场景中所有风电出力曲线的集合。

记第i类风电出力场景的确切概率为p_i，

(2)确定各类场景的典型风力日发电曲线

首先，风电的反调峰特性会使风电并网以后电网调峰压力进一步加剧，给电网调度运行带来巨大的困难，因而各类场景的典型风电日出力曲线应能够很好的反映各类场景中原出力曲线的调峰效益。

其次，为保证各类场景典型风电出力曲线在***电量平衡分析中的准确性，其必须能够正确反映原发电曲线的电量特性，即与原发电曲线的期望发电量保持一致。

基于此，按以下步骤确定各类场景的典型风电出力曲线：

3)计算风力日发电曲线d和类中其它发电曲线q关于ΔP_PDmax、ΔP_PDmin的平均加权欧拉距离S_i(d)。

式中，k_α为指标ΔP_PDmax的权重。

2)取S_i(d)最小的发电曲线为场景类R_i的典型风力日发电曲线，记为P_Ri。

3)修正场景类R_i典型风力日发电曲线P_Ri的发电量。

在保证修正后的发电曲线各时刻出力值不溢出场景类风电出力范围的情况下，把需修正的电量平摊到全天，即将整个曲线纵向平移，尽量不改变典型风力日发电曲线的调峰需求。修正过程如下：

①计算场景类R_i风力总发电量E_Ri

式中，P_W(dt)表示场景类R_i中风力日发电曲线d第t小时的出力。

②计算场景类R_i典型风力日发电曲线P_Ri的期望发电量

式中，P_Ri(t)表示P_Ri在t时刻的出力。

③计算场景类R_i典型风力日发电曲线P_Ri的修正电量δE

④计算场景类R_i典型风力日发电曲线P_Ri各小时的出力修正值δP

⑤得到场景类R_i修正后的典型风力日发电曲线P_Ri ^△

式中，表示第t小时的出力值。修正后，若某时刻风电出力溢出场景类风电出力范围，将该时刻溢出电量再平摊到其它时刻。

上述基于风电日出力场景及其概率分布的出力模型，综合考虑了各季节典型日负荷特性、风力日发电的时间相关性、我国的电源结构及发电调度特点，既能反映风力发电对***电力平衡、调峰平衡的影响，又考虑了风电出力在不同负荷时段对***电量平衡的影响，能反映风电出力的全时空特征。

步骤2：构建基于日出力情景的光伏出力模型

光伏发电最高峰时段和负荷最高峰时段相关性不明显，仅通过影响限能电站的容量利用率，间接影响***电力平衡，故光伏出力关键场景只考虑调峰平衡场景，电力平衡场景可直接以聚类场景中出力最小的光伏场景代替。

步骤2.1光伏日出力关键场景

(1)电力平衡场景

光伏发电最高峰时段和负荷最高峰时段相关性不明显，不直接影响***装机水平，仅通过影响限能电站的容量利用率，间接影响***电力平衡。故不单独选取光伏出力电力平衡场景，在需要评估含光伏发电的***电力平衡时，可直接以聚类场景中出力最小的光伏场景代替。

(2)调峰平衡场景

光伏发电负荷低谷时段出力为0，光伏发电高峰时段比较固定，且一般与负荷最高峰时段不一致，因此，光伏最大出力日的出力水平将显著影响***的调峰平衡和光伏电站的弃光水平，故可取各季节日最大出力P_Dmax最大的光伏日发电曲线作为光伏发电的调峰平衡场景。光伏调峰平衡场景的确切概率计算公式与风电相同。

步骤2.2光伏日出力聚类场景

相对风电来说，光伏发电在一天内的随机性较弱，昼夜特性明显，在同一负荷时段的出力水平一般不会出现剧烈变化，故确定光伏出力聚类场景时，不用考虑光伏出力在各负荷时段的出力特征。基于此，在扣除光伏出力关键场景之后，采用基于KantorovichDistance(KD)距离的forward场景削减技术，根据光伏历史出力数据，将各季节光伏日发电曲线聚类成几个典型场景。基KD距离的forward场景削减技术是一个优化的过程，通过反复迭代，从原始场景集合Ω中选出与其他场景KD距离最小的场景，将其置入场景集合Ω'中。两个场景集Ω，Ω'的KD距离定义如下

式中，s和s'分别为场景集Ω和Ω'中的场景；p_s和p_s'分别为场景s和s'在Ω和Ω'中的概率；c(s,s')为一个非负、连续、对称的距离函数；μ(s,s')为场景s和s'的概率乘积。

基于KD距离的forward场景削减步骤如下：

(1)确定需要削减的场景：剔除满足以下条件的场景ω_s'

式中，c(ω_s',ω_m)为两光伏日出力曲线之间的距离；

(6)改变场景的总数：N＝N-1；并筛选出与被削减场景ω_s'距离最近的场景ω_s，即

(7)改变与被剔除场景ω_s'距离最近的场景ω_s的概率，以保证剩余的所有场景的概率和为1；

P_s＝P_s+P_s’

(4)循环迭代计算，直到剩余的场景数量满足设定的目标场景数量N_s的要求为止；各代表场景ω_s的概率即为p_s。

步骤3：构建火电机组出力模型

火力发电厂是电力***有功电源的一个重要组成部分。火电机组的调峰特性，对于接纳新能源至关重要，因此在进行生产模拟时，重点考虑了不同类型火电机组的出力特性，特别是供热机组在供热期可调出力的变化。

火力发电机组分为专供发电的凝汽式汽轮机组及兼供热的背压式和抽汽式汽轮机组。凝汽式汽轮机组不供应热负荷，其出力在最小技术出力和额定出力之间调整；兼供热的汽轮机组首先保障供热，为提高燃料利用率还须从锅炉向汽轮机输送一定数量的蒸汽，即必须发出与供热量相应的一定数量的有功功率。

(1)凝汽式火电机组

凝汽式火电机组不供热，因此其出力与供热没有关系，可表示为图3所示的曲线关系。凝汽式火电机组效率和燃料消耗的关系为：若机组的效率为f，则1GJ的煤就产生出fGJ的电(3600000J相当于1kWh的电量)。

(2)背压式火电机组

背压式火电机组是供热机组的一种，其工作特性如下式和图4(a)所示。式中C_b值为机组的电力出力和热出力的比值。

Pi,t＝Hi,t×Cb

(3)抽汽式火电机组

抽汽式火电机组是另一种工作特性如下式和图4(b)所示。其中当热出力固定时，机组电力出力可以在一定的范围内，由C_b值和C_v值确定。

步骤4：构建原有火电线路的历史负荷模型

日负荷曲线是在时序负荷曲线下进行电力***生产模拟的基础，***内各机组带负荷位置、***调峰容量是否足够以及互联***错峰效益的大小等，都取决于日负荷曲线的形状。因此主要进行日负荷分布曲线分析与建模。

(1)基准日负荷曲线的确定。按每月一条典型工作日和休息日曲线加以研究，并可以单独考虑元旦、春节、五一、十一等典型节假日。各月代表日的选取应排除拉闸限电、事故等不正常因素的影响，尽量接近实际情况。也可以对历史上各年该月的典型曲线作综合分析比较，例如进行加权综合(近期的曲线应占较大的权重)，确定该月的代表曲线。各典型日数据采取如下分析方法：

令T＝24(表示时段数)，设待分析日的负荷数据为l_i(i＝1、2、...、T)，当天最大负荷为l₀，以l₀对l_i进行标幺化，得到当日负荷曲线d_i(i＝1、2、...、T)、则成立如下关系式：

l₀＝max l_i 1≦i≦T

d_i＝l_i/l₀

步骤5：搭建基于时序生产模拟法的消纳模型

基于时序的生产模拟是指在给定的负荷条件下，模拟各发电机组的运行状况，并计算发电***生产费用的一种时序仿真方法。将***负荷、发电机组出力看作随时间变化的时间序列。***负荷与机组出力之间的平衡关系看作产品与需求间的供需平衡关系，在这种约束下优化目标函数，得到最优指标。时序生产模拟对发电***的运行和决策都起着重要作用，其中短时间尺度的生产模拟一般为几个到几十个小时不等，可以优化***运行方式，提高新能源消纳能力，消纳更多的新能源电量，为调度部门提供合理的发电计划。

步骤5.1确定目标函数

建立的新能源接纳能力计算模型必须要充分考虑实际电力***的各类常规机组包括火电、水电机组的运行及出力特性，包括机组的启停机特性、机组的爬坡特性，最小出力特性等，进一步的还需要考虑某些特殊类型机组，例如热电联产机组的热电耦合特性。因此，新能源接纳能力数学优化分析模型根据联络线交换计划、检修计划、新能源功率预测曲线、***负荷预测曲线、母线负荷预测曲线、网络拓扑、机组发电能力和电厂运行约束等信息，综合考虑***平衡约束、电网安全约束、备用约束、电量约束和机组运行约束，采用考虑安全约束的优化评估算法，获得新能源接纳能力的评估结果。

新能源时序生产模拟模型优化目标为优化周期内新能源消纳最大，因此优周期内目标函数为：

式中：T表示时间的总长度；t为仿真时间步长；P_w(t)为风光火多能源基地在时段t的风电出力，P_pv(t)为风光火多能源基地在时段t的太阳能发电出力。

步骤5.2约束条件

(1)区域负荷平衡约束

P_j(t)×S_j(t)+P_W(t)+P_PV(t)＝P_I(t)

式中：P_j(t)×S_j(t)为常规机组的功率之和；

(2)机组出力约束

0≤ΔP_j(t)≤[P_j,max(t)-P_j,min(t)]×S_j(t)

P_j(t)＝P_j,min(t)×S_j(t)+ΔP_j(t)

式中，P_j(t)为常规机组优化功率大小。

(3)机组优化功率爬坡率约束

P_j(t+1)-P_j(t)≤ΔP_j,up(n)

P_j(t)-P_j(t+1)≤ΔP_j,down(n)

式中，ΔP_j,up，ΔP_j,down分别为第j台机组的上爬坡率和下爬坡率。

(4)供热机组供热期出力约束

根据对供热机组的定义以及我国热电联产发展的实际状况，分别对背压式热电联产火电机组和抽汽式热电联产火电机组进行数学建模。背压式热电联产火电机组的发电出力与热出力呈线性关系：

P_BYJ(t)＝C_j,b×Q_j(t)

抽汽式热电联产火电机组的工况曲线则更为复杂，其线性约束公式如下式所示：

Q_j(t)×C_j,b≤P_CQJ,max-Q_j(t)×C_j,v

(5)新能源出力约束

0≦P_w(t)≦P^* _w(t)

0≦P_pv(t,≦P^* _pv(t)

式中：P^* _w(t)指时刻t时装机容量一定时的风电时间序列出力，P^* _pv(t)指时刻t时装机容量一定时的光伏时间序列出力。

(6)弃新能源比例约束

若以完全消纳新能源出力为目标，这样就忽视了在非负荷低谷时刻新能源的可消纳空间，该方法计算得出的新能源消纳量较低。如果允许在负荷低谷时段有一定比例的弃新能源，以换取更大的新能源消纳量，这样就充分利用了除去低负荷时段以外大部分时段的调峰裕度，以此计算得出的新能源消纳量大大提高。

步骤5.3模型求解方法

新能源生产模拟模型在数学上可归结为求解混合整数线性规划问题，其数学模型简写如下：

Minf(x)

s.t g_i(x)≧0(i＝1,2....m)g_i(x)≧0(i＝1,2....n)

Hj(x)＝0(j＝1,2....n)

其中：x为待优化的变量集合，f(x)为优化目标函数，g_i(x)≧0为不等式约束集合，h_j(x)＝0为等式约束集合。

混合整数规划是一类求优化问题的解中的全部或一部分变量为整数的数学规划问题。为满足变量为整数的要求，初看起来似乎只要把已得的非整数解舍入化整就可以了，实际上化整后的数不见得是可行解和最优解，所以应该有特殊的方法来求解整数规划问题。

求解混合整数规划的核心算法是分枝定界法，其基本思想是对有约束条件的最优化问题的所有可行解(数目有限)空间进行搜索。对设有最大化的混合整数规划问题A，将整数变量松弛为连续变量得到相应的规划问题B，从解问题B开始，若其最优解不符合A的整数条件，那么B的最优目标函数必定是A的最优目标函数的上界，而A的任意整数可行解的目标函数值为下界，根据问题的B的优化结果以整数为界划分变量取值范围，得到B的分支问题B1、B2，求解B1、B2，根据结果继续划定分支，依次迭代，直至分支问题中产生符合A约束条件的解，即为最优解。分支定界法就是将B的可行域分成子区域，不断分支、剪支和定界，在找到更好的可行整数解后，更新下界，逐步增大下界和减小上界，最终求得问题A的最优解。

对于机组出力优化这样的非线性混合整数规划问题，在合理应用分枝定界法对原混合整数规划问题进行拆分的同时还要应用内点法或外点法进行非线性优化计算。为了保证求解的速度和结果的全局最优性，优化计算代码需要科学合理的编写，有机的将各种算法结合在一起。

常见整数规划模型包括背包问集合覆盖、打包和划分问题(Set Covering，Packing and Partitioning)、L个约束中至少K个满足、取L个值的函数(Functions with LPossible Values)、固定费用问题(The Fixed-Charge Problem)、If-Then约束条件(If–Then Constraints)和分段线性函数(Piecewise Linear Functions As MIP)。主要介绍If-Then约束条件。

在许多应用中：如果满足约束条件f(x₁,x₂,L,x_n)>0，那么也必须满足约束条件g(x₁,x₂,L,x_n)≧0。为了确保这一点，可引入0-变量y，当f(x₁,x₂,L,x_n)>0时，有y＝0，然后要求当y＝0时有g(x₁,x₂,L,x_n)≧0。从而该要求可表示为：

其中，M是一个足够大的常数，它应保证满足问题中其它约束条件的所有(x₁,x₂,L,x_n)都满足f(x₁,x₂,L,x_n)≦M和-g(x₁,x₂,L,xn)≧M。可以看到，如果f>0，那么必有y＝0.于是由约束条件可知-g≦0或g≧0，这就是要求的结果。

本发明从发电企业角度出发，充分利用自身已拥有的火电输出线路优势，结合自身的火电灵活调峰的基础，形成主动有前瞻性的能源发展结构规划。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (1)

1.一种基于火电的多能互补能源基地能源配置规划方法，其特征在于，包括如下步骤：

步骤1，构建基于日出力情景的风电出力模型，包括：

步骤1.1，建立电力平衡场景和调峰平衡场景；

所述电力平衡场景建立步骤如下：

1)对各季节风力日发电曲线按晚高峰时段最小出力P_EPmin排序以晚高峰时段最小出力P_EPmin作为电力平衡场景主要特征指标，将各季节风力日发电曲线按P_EPmin从小到大排序，构成次序统计量；

2)给定P_EPmin的置信水平α，确定风力日发电曲线集合P_WΩ1给定P_EPmin的置信水平α，筛选出风力日发电曲线P_W(d)，其晚高峰时段最小出力为P_EPmin(d)，使以超过α的概率确信该季节风力日发电曲线晚高峰时段最小出力不小于P_EPmin(d)，记满足条件的风力日发电曲线集合为P_WΩ1：

记P_WΩ1中日电量保证率最大的发电曲线为P_μ1；

3)在P_WΩ1中，选取日电量保证率较高或日平均出力较小的风力日发电曲线作为电力平衡场景，其中，

方式一：按日电量保证率选取：

以给定的日电量保证率β，在集合P_WΩ1中筛选出风力日发电曲线P_W(d)，使P_W(d)的日电量保证率λ_E(d)不低于β，记满足条件的风力日发电曲线集合为P'_WΩ1：

记P'_WΩ1中晚高峰时段最小出力P_EPmin最小发电曲线为P_ν1；

方式二：按日平均出力选取：

给定日平均出力的置信水平β，在集合P_WΩ1中筛选出风力日发电曲线P_W(d)，以超过β的概率确信该季节风力日发电曲线的平均出力不低P_Dave，记满足条件的风力日发电曲线集合为P'_WΩ1：

记P'_WΩ1中日平均出力P_Dave最大的发电曲线为P_ν1；

4)选定各季节风电出力电力平衡场景P_W1

若按3)中方式一确定P'_WΩ1，在满足P_EPmin的置信水平α及电量保证率β要求上，选取P_EPmin最小的发电曲线为电力平衡场景，以反映风电对***电力平衡最极端的影响；在不能满足电量保证率β要求时，则取电量保证率最大的发电曲线为电力平衡场景；

若按3)中方式二确定P'_WΩ1，在满足P_EPmin的置信水平α及P_Dave置信水平β要求上，选取最接近日平均出力置信水平β的发电曲线为边界电力平衡场景；在不能满足置信水平β要求时，则取日平均出力最小的发电曲线为电力平衡场景；

5)确定电力平衡场景的确切概率：

式中，N_r为该季度出力曲线的总数；

所述调峰平衡场景建立步骤如下：

1)对各季节风力日发电曲线按ΔP_PDmax排序

以日最大调峰需求ΔP_PDmax作为调峰平衡场景的主要特征指标，将各季节风力日发电曲线按ΔP_PDmax从大到小排序，构成次序统计量；

2)给定ΔP_PDmax的置信水平γ，确定风力日发电曲线集合P_WΩ2

给定ΔP_PDmax的置信水平γ，筛选出风力日发电曲线P_W(d)，日最大调峰需求为ΔP_PDmax(d)，使以超过的概率确信该季节ΔP_PDmax不大于ΔP_PDmax(d)，记满足条件的风力日发电曲线集合为P_WΩ2：

记集合中日最小调峰需求ΔP_PDmin最大的发电曲线为P_μ2；

3)在P_WΩ2中，以ΔP_PDmin≥0为约束，确定风力日发电曲线集合P'_WΩ2，以ΔP_PDmin≥0为约束条件从P_WΩ2筛选出风力日发电曲线P_W(d)，记满足条件的风力日发电曲线集合为P'_WΩ2，用公式表述如下：

P'_wΩ2＝{P_w(d)|ΔP_PDmin(d)≥0,P_w(d)∈P_wΩ2}

记P'_WΩ2中日最大调峰需求ΔP_PDmax最大的发电曲线为P_ν2；

4)选定各季节风电出力调峰平衡场景P_W2

若P_'WΩ2不为空集，即存在满足ΔP_PDmax置信水平γ和ΔP_PDmin≥0约束的风力日发电曲线，则在其中选取ΔP_PDmax最大的发电曲线为调峰平衡场景，以反映风电对***调峰平衡最极端的影响；若P'_WΩ2为空集，即P_WΩ2中所有风力日发电曲线均不能满足ΔP_PDmin≥0约束，则取ΔP_PDmin最大的风力日发电曲线为调峰平衡场景，最大限度的接近反调峰；

5)确定调峰平衡场景的确切概率；

式中，N_r为该季度出力曲线的总数；

步骤1.2，建立风电日出力聚类场景，包括：

(1)基于加权欧式距离的K-means聚类方法，对大量风电出力场景的有效聚类和筛选，具体步骤如下：

1)从N条风电出力曲线P_m(m＝1,2,3,…,N)中选取k条作为初始聚类中心M_i(i＝1,2,3,…,k)；

2)根据实际应用的需求，确定负荷早高峰时段、晚高峰时段、低谷时段和腰荷时段的风电出力在聚类过程中所占的权重系数ω_t(t＝1,2,3,…,S)；

3)依次计算每条风电出力曲线P_m与各个聚类中心M_i的距离l_mi，将风电出力曲线分配到距离聚类中心最近的类别中；

式中，P_mt和M_it分别是风电出力曲线P_m和聚类中心M_it时刻的出力值；

4)计算每个类别中新的聚类中心并重新聚类，以此循环迭代计算，直至聚类的准则函数不在发生变化为止，准则函数如下：

其中

式中，e_mi为状态变量；R_i为第i个风电出力场景中所有风电出力曲线的集合；

记第i类风电出力场景的确切概率为p_i，

(2)确定各类场景的典型风力日发电曲线，具体步骤如下：

1)计算风力日发电曲线d和类中其它发电曲线q关于ΔP_PDmax、ΔP_PDmin的平均加权欧拉距离S_i(d)；

式中，k_α为指标ΔP_PDmax的权重；

2)取S_i(d)最小的发电曲线为场景类R_i的典型风力日发电曲线，记为P_Ri；

3)修正场景类R_i典型风力日发电曲线P_Ri的发电量；

修正过程如下：

①计算场景类R_i风力总发电量E_Ri

式中，P_W(dt)表示场景类R_i中风力日发电曲线d第t小时的出力；

②计算场景类R_i典型风力日发电曲线P_Ri的期望发电量

式中，P_Ri(t)表示P_Ri在t时刻的出力；

③计算场景类R_i典型风力日发电曲线P_Ri的修正电量δE

④计算场景类R_i典型风力日发电曲线P_Ri各小时的出力修正值δP

⑤得到场景类R_i修正后的典型风力日发电曲线P_Ri ^△

式中，表示第t小时的出力值；修正后，若某时刻风电出力溢出场景类风电出力范围，将该时刻溢出电量再平摊到其它时刻；

步骤2，构建基于日出力情景的光伏出力模型，包括：

步骤2.1，在需要评估含光伏发电的***电力平衡时，直接以聚类场景中出力最小的光伏场景代替电力平衡场景；取各季节日最大出力P_Dmax最大的光伏日发电曲线作为光伏发电的调峰平衡场景；光伏调峰平衡场景的确切概率计算公式与风电相同；

步骤2.2，采用基于Kantorovich Distance距离的forward场景削减方法，根据光伏历史出力数据，将各季节光伏日发电曲线聚类成几个典型场景；通过反复迭代，从原始场景集合Ω中选出与其他场景KD距离最小的场景，将其置入场景集合Ω'中，两个场景集Ω，Ω'的KD距离定义如下：

式中，s和s'分别为场景集Ω和Ω'中的场景；p_s和p_s'分别为场景s和s'在Ω和Ω'中的概率；c(s,s')为一个非负、连续、对称的距离函数；μ(s,s')为场景s和s'的概率乘积；

基于KD距离的forward场景削减步骤如下：

(1)确定需要削减的场景：剔除满足以下条件的场景ω_s'

式中，c(ω_s',ω_m)为两光伏日出力曲线之间的距离；

(2)改变场景的总数：N＝N-1；并筛选出与被削减场景ω_s'距离最近的场景ω_s，即

(3)改变与被剔除场景ω_s'距离最近的场景ω_s的概率，以保证剩余的所有场景的概率和为1；

P_s＝P_s+P_s’

(4)循环迭代计算，直到剩余的场景数量满足设定的目标场景数量N_s的要求为止；各代表场景ω_s的概率即为p_s；

步骤3，构建火电机组出力模型，包括：

构建凝汽式火电机组出力模型；

构建背压式火电机组出力模型；

构建抽汽式火电机组出力模型；

步骤4，构建原有火电线路的历史负荷模型，包括：

确定基准日负荷曲线：

按每月一条典型工作日和休息日曲线，并单独考虑典型节假日，各月代表日的选取排除不正常因素的影响；或对历史上各年该月的典型曲线作综合分析比较，确定该月的代表曲线；各典型日数据采取如下分析方法：

令T＝24，表示时段数，设待分析日的负荷数据为l_i(i＝1、2、...、T)，当天最大负荷为l₀，以l₀对l_i进行标幺化，得到当日负荷曲线d_i(i＝1、2、...、T)、则成立如下关系式：

l₀＝max l_i 1≦i≦T

d_i＝l_i/l₀

步骤5，搭建基于时序生产模拟法的消纳模型，包括：

步骤5.1确定目标函数

优化周期内目标函数为：

式中：T表示时间的总长度；t为仿真时间步长；P_w(t)为风光火多能源基地在时段t的风电出力，P_pv(t)为风光火多能源基地在时段t的太阳能发电出力；

步骤5.2，确定约束条件

(1)区域负荷平衡约束

P_j(t)×S_j(t)+P_W(t)+P_PV(t)＝P_I(t)

式中：P_j(t)×S_j(t)为常规机组的功率之和；

(2)机组出力约束

0≤ΔP_j(t)≤[P_j,max(t)-P_j,min(t)]×S_j(t)

P_j(t)＝P_j,min(t)×S_j(t)+ΔP_j(t)

式中，P_j(t)为常规机组优化功率大小；

(3)机组优化功率爬坡率约束

P_j(t+1)-P_j(t)≤ΔP_j,up(n)

P_j(t)-P_j(t+1)≤ΔP_j,down(n)

式中，ΔP_j,up，ΔP_j,down分别为第j台机组的上爬坡率和下爬坡率；

(4)供热机组供热期出力约束

背压式热电联产火电机组的发电出力与热出力呈线性关系：

P_BYJ(t)＝C_j,b×Q_j(t)

抽汽式热电联产火电机组线性约束公式如下式所示：

Q_j(t)×C_j,b≤P_CQJ,max-Q_j(t)×C_j,v

(5)新能源出力约束

0≦P_w(t)≦P^* _w(t)

0≦P_pv(t,≦P^* _pv(t)

式中：P^* _w(t)指时刻t时装机容量一定时的风电时间序列出力，P^* _pv(t)指时刻t时装机容量一定时的光伏时间序列出力；

(6)弃新能源比例约束

允许在负荷低谷时段有一定比例的弃新能源，以换取更大的新能源消纳量；

步骤5.3，模型求解方法

新能源生产模拟模型简写如下：

Minf(x)

s.t g_i(x)≧0(i＝1,2....m)g_i(x)≧0(i＝1,2....n)

Hj(x)＝0(j＝1,2....n)

其中：x为待优化的变量集合，f(x)为优化目标函数，g_i(x)≧0为不等式约束集合，h_j(x)＝0为等式约束集合；

步骤6，根据基于时序生产模拟法的消纳模型，得到多能互补能源基地电源组合方案。

Images