在线滚动优化调度模型的制作方法

本发明属于电力调度技术领域，具体涉及一种在线滚动优化调度模型。

背景技术：

电力系统经济调度指的是在满足网络安全、发电负荷平衡条件下，以最经济的运行成本实现机组间发电负荷的合理分配，且保证对用户可靠供电的一种调度方法。按优化时段的不同，电力系统优化调度问题可以分为两个方面：静态优化调度和动态优化调度。

静态优化调度指的是：对电力系统单个运行时间断面的经济负荷优化分配问题。静态优化调度在算法上主要分为两类：以等耗量微增率为基础的经典经济调度及以最优潮流为基础的安全经济调度。

由于电力系统是一个持续运行中的动态系统，当系统中出现较大的负荷需求变动时，受发电机调整能力的限制，各个静态调度结果间的可渡越能力无法保证。因此，需要研究经济调度结果的连续可行性问题，即动态经济调度问题。

现有的动态调度方案为：通过日前计划系统得到日前计划信息，包括：明日负荷预测信息和明日机组计划出力预测；然后，以日前计划信息为基准，对当前机组实际出力进行调整。

然而，上述调度方法具有以下不足：对于制定的日前计划，随着时间的推移，发电需求预测特别是风电出力预测的不确定因素的影响将有所增加，发电需求和风电出力预测的准确度也会逐渐降低。从而影响到机组的计划出力的合理性和实用性。

技术实现要素：

针对现有技术存在的缺陷，本发明提供一种在线滚动优化调度模型，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种在线滚动优化调度模型，包括优化目标函数和优化约束条件；

优化目标函数为：

其中：i,j分别为常规机组和风电机组的编号，取值范围为i∈[1,N],j∈[1,M]；其中，N为常规机组总数量；M为风电机组总数量；t为时段编号，取值范围为t∈[t₀+1,T]；t₀为优化起始时段；T为优化时段长度；p_it,分别为滚动计划中第i台常规机组和第j台风电机组在第t时段的计划出力值，为第t₀时段预测第j台风电机组在第t时段的预测最大功率值；a_i,b_i,c_i为第i台常规机组发电费用的二次项、一次项和常数项系数，而λ_j为风电机组弃风成本因子；当λ_j与b_i同一量级且取值为正时，可实现最小弃风；

优化约束条件包括：

(1)机组出力上下界约束条件：

其中，pa_it,pi_it分别为第i台常规机组在第t时段出力的上界和下界；当某台机组在某一时刻停机时，该机组该时刻的最大出力和最小出力都设为零值；

(2)机组爬坡率约束

p_i,t-1-Δpd_it≤p_it≤p_i,t-1+Δpu_it (3)

其中：Δpd_it,Δpu_it为第i台常规机组从第t-1时段到第t时段允许的降出力最大值和升出力最大值；p_i,t-1为滚动计划中第i台常规机组在第t-1时段的计划出力值；风电机组没有爬坡率约束的限制；

(3)断面潮流安全约束

其中的l,L分别表示断面编号和总断面数；g_li,分别为第i台常规机组和第j台风电机组对第l断面的灵敏度因子，可以通过直流潮流对应的导纳矩阵获得；TL_lt,为断面潮流的最小值和最大值；

(4)负荷平衡约束

其中，D_t为总计划出力值；

在线滚动优化调度模型以常规机组的计划出力值p_it和风电机组的计划出力值为变量，公式(1)为优化目标函数，而公式(2)、(3)、(4)、(5)为优化约束。

优选的，还包括：

对所述优化目标函数进行求解，实时得到常规机组的计划出力值p_it和风电机组的计划出力值然后，采用常规机组的计划出力值p_it和风电机组的计划出力值滚动地修正各个机组的在剩余时段的日前出力计划，使得机组的总出力与实际发电需求逐级接近。

本发明提供的在线滚动优化调度模型具有以下优点：

根据风电滚动预测结果，实时对一天每个时段之后的未来4个小时的发电需求进行滚动修正，从而滚动地修正各个机组的在剩余时段的出力计划，使得机组的总出力与实际发电需求逐级接近，降低日前计划的不确定性，保证各个机组的出力计划更加合理，也更加有意义。

附图说明

图1为本发明提供的在线滚动优化调度模型的结构示意图；

图2为本发明提供的拉格朗日对偶问题的求解框架示意图；

图3为本发明提供的二阶段示意图；

图4为本发明提供的f_i^T-1(p)分量曲线图；

图5为本发明提供的f_i^T(p)分量曲线图；

图6为机组出力最优策略示意图；

图7为本发明提供的针对特性各异电源的多目标协调优化调度模型的第1种结构示意图；

图8为本发明提供的针对特性各异电源的多目标协调优化调度模型的第2种结构示意图；

图9为本发明提供的针对特性各异电源的多目标协调优化调度模型的第3种结构示意图；

图10为本发明提供的一种具体的实际负荷和计划负荷曲线比对图；

图11给出了已定义的各预测概念按预测周期排列的示意图；

图12为ACE划分示意图。

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

由于风电预测误差随预测时间增大的原因，考虑风电的滚动计划不宜采用太长的时间窗口，考虑到风电场的滚动风电预测结果会每隔15分钟给出未来4个小时的预测值，因此，如果能够根据风电滚动预测结果实时对一天每个时段之后的未来4个小时的发电需求进行滚动修正，从而滚动地修正各个机组的在剩余时段的出力计划，使得机组的总出力与实际发电需求逐级接近，这样便可以降低日前计划的不确定性，保证各个机组的出力计划更加合理，也更加有意义。所以，可以认为滚动计划就是对日前计划不断修正，不断刷新的过程。

在滚动计划的制定时，不仅需要考虑节能减排的经济效益，还得保证各机组在剩余时段出力的可行性，包括满足机组爬坡率约束，满足发电-负荷功率平衡约束，网络安全约束等。

本发明提供一种在线滚动优化调度模型，包括优化目标函数和优化约束条件；

在线滚动计划的数学模型的时间跨度为[t₀+1,T]，目标是未来一段时间的系统总成本最低，具体可以

其中：i,j分别为常规机组和风电机组的编号，取值范围为i∈[1,N],j∈[1,M]；其中，N为常规机组总数量；M为风电机组总数量；t为时段编号，取值范围为t∈[t₀+1,T]；t₀为优化起始时段；T为优化时段长度；p_it,分别为滚动计划中第i台常规机组和第j台风电机组在第t时段的计划出力值，为第t₀时段预测第j 台风电机组在第t时段的预测最大功率值；a_i,b_i,c_i为第i台常规机组发电费用的二次项、一次项和常数项系数，而λ_j为风电机组弃风成本因子；当λ_j与b_i同一量级且取值为正时，可实现最小弃风；

优化约束条件包括：

(1)机组出力上下界约束条件：

其中，pa_it,pi_it分别为第i台常规机组在第t时段出力的上界和下界；当某台机组在某一时刻停机时，该机组该时刻的最大出力和最小出力都设为零值；

(2)机组爬坡率约束

p_i,t-1-Δpd_it≤p_it≤p_i,t-1+Δpu_it (3)

其中：Δpd_it,Δpu_it为第i台常规机组从第t-1时段到第t时段允许的降出力最大值和升出力最大值；p_i,t-1为滚动计划中第i台常规机组在第t-1时段的计划出力值；风电机组没有爬坡率约束的限制；

(3)断面潮流安全约束

其中的l,L分别表示断面编号和总断面数；g_li,分别为第i台常规机组和第j台风电机组对第l断面的灵敏度因子，可以通过直流潮流对应的导纳矩阵获得；TL_lt,为断面潮流的最小值和最大值；

(4)负荷平衡约束

其中，D_t为总计划出力值；

由于公式(2)和公式(3)对应的约束只包含单台机组的信息，将此约束定义为机组非耦合约束；而公式(4)、公式(5)约束包含多台机组的信息，故将其定义为机组耦合约束。

在线滚动优化调度模型以常规机组的计划出力值p_it和风电机组的计划出力值为变量，公式(1)为优化目标函数，而公式(2)、(3)、(4)、(5)为优化约束。

滚动修正调度是一种在线应用，其算法应当具备很高的计算效率和较强的鲁棒性。本发明中，采用拉格朗日对偶法求解。当然，实际应用中，可灵活采用各类方法，对上述优化目标函数进行求解，本发明对此并不限制。

在线滚动优化调度模型为凸规划优化问题，因此可以将其转换为对应的对偶优化问题进行求解。为了保证对偶问题满足分解协调的计算条件，将机组非耦合参数都作为有关变量p_it的集约束，而对机组的耦合约束通过引入拉格朗日乘子的方法松弛到目标函数中。

max:θ(w,v),其中w≥0

对偶问题的具体的数学模型如式(7)所示。其中inf{}为函数的下确界；D为包含了如式(2)和式(3)所示的所有机组非耦合约束的约束集；w,v分别为不等式约束和等式约束对应的拉格朗日乘子向量，包括w_lt和v_e,v_t。

式(7)的θ(w,v)可以整理为：

其中C为常数项，不影响优化解的求取；当第i台机组属于第e个机组群，则v_e′＝v_e/4，不然v_e′＝0。为了实现数学模型中风电部分与常规机组结构的一致性，引入并令

在满足约束条件的前提下，只要求解得到(8)的最大值，也就得到原问题的最优解。

若定义

可以发现式(8)恰好可以分解为N+M个并列的子问题：每个子问题都只包含单台机组的变量和机组非耦合约束；因此inf{f(p)+f^w(p)+C|p∈D}的求解可以拆分为N+M个并列子问题的求解。

本发明将通过迭代的方法求解式(7)的对偶优化问题，其中每一次迭代都需要求解一次主问题和子问题。主问题的目标函数为求解θ(w,v)的最大值，变量为拉格朗日乘子w,v，而p为该次迭代子问题计算得到机组出力值；子问题的数学模型为求解f(p)和f^w(p)的最小值，变量为机组出力值p,而w,v为上次迭代主问题得到的乘子值。当主问题中的w,v的修正方向向量模值小于某一阈值ε时，拉格朗日对偶问题收敛，获得最优解；同时根据对偶原理，主问题采用的机组出力值p也同时为原问题的最优解。

整个拉格朗日对偶问题的求解框架如图2所示。

式(7)给出主问题的求解模型，变量为w,v。第k次迭代时，w,v的取值分别为w^(k),v^(k)。在子问题已经获得优化解p_it^(k),的前提下，主问题需要确定变量(w,v)在(w^(k),v^(k))处的修正方向和修正步长λ^(k)。

(1)修正方向的确定

根据负梯度方向为优化问题的最速下降方向的原理，在求解最大值的式(7)中，修正方向取为以(w^(k),v^(k))为变量的梯度方向，具体取值为：

当修正方向向量的模值小于某一阈值(无特殊说明，本文的阈值都设为ε＝0.1)，则可以断定对偶问题已经迭代收敛，原问题也获得最优解。

(2)修正步长的确定

修正步长λ^j应随着迭代次数j的增大而逐渐变小，因此本发明将修正步长简单表示为：

其中A,B为步长修正参数，本发明算例中设定A＝1,B＝4。

当乘子w,v的修正方向和修正步长确定之后，对乘子进行修正，修正公式为：

修正后得到的乘子(w^(k+1),v^(k+1))代入式(7)，进行第k+1次子问题的求解。

式(7)的最小值为子问题的求解目标，变量为p。在求解第k次迭代子问题的优化值p_it^(k),时，w,v固定为第k-1次迭代时主问题修正后的乘子值，如式(12)所示；特别的，当k＝1时，将w,v分别取值为w¹＝0,v¹＝0。

在式(7)中，不妨令

式(7)等效为

这时求解inf{f(p)+f^w(p)+C|p∈D}就等价于求解所有f_i(p)和的最小值。而每个f_i(p)或只包含第i台常规机组或者第j台风电机组在时段[t₀+1,T]的出力信息以及该机组的出力上下界约束和机组爬坡率约束(其中风电不考虑爬坡率问题)。因此(7)的求解转换为N个f_i(p)最小值和M个最小值的求解问题。由于风电的与f_i(p)数学形式一致，后续以常规机组对应的f_i(p)为例描述子问题的求解原理与过程。由于风电机组不受机组爬坡率约束的限制，可以将风电机组从第t-1时段到第t时段允许的降出力最大值和升出力最大值设为某一大值即可；风电机组数学模型中的二次项系数取为零值，为了算法的统一性，可以令

考虑到子问题中f_i(p)具有多时段特性，本发明节采用逆向推进的动态规划方法求解单机优化问题，具体分为两个步骤：

(1)机组出力的各阶段最优决策

令第T时段为第1阶段，第T-1时段为第2阶段，并依次类推，第t₀+1时段则为第T-t₀阶段；决策则是机组在每个阶段允许的出力值；而机组出力的第T-t+1(其中t₀+1≤t≤T)阶段的最优决策是指若该机组在第t时段出力值为p_it,o时能保证f_i(p)的后部子过程(从第t时段到第T时段)对应的函数值取得最优。

根据多个凸函数相加得到的函数仍为凸函数的原理，可以证明各阶段的最优决策的存在性；具体原理如下：

假设t₀+1＝T，这时滚动计划中只含有1个阶段，式(13)简化为二次凸函数的形式令

式(16)为二次函数对称轴处的取值，又考虑到机组出力上下界的约束，则第1阶段的最优决策为

p_iT,o＝min(max(pi_iT′,p_iTs),pa_iT′) (17)

其中pi_iT′＝pi_iT,pa_iT′＝pa_iT。

当滚动计划中含2个阶段时，有t₀+1＝T-1；第1阶段的最优决策p_iT,o根据(17)获取。第2阶段中，决策区间为[pi_i,T-1′，pa_i,T-1′]，其中

图3为二阶段示意图，其中两条竖线的顶端和底端分别表示机组该时段的出力上界和出力下界。[A₁,A₂]为机组第1阶段的决策区间；[B₁,B₆]为机组第2阶段的出力上下界，但是受到机组爬坡率的影响，该阶段的决策区间为[B₂,B₅]，即机组在第2阶段的出力是不允许落在[B₁,B₂]或[B₅,B₆]之内的；而p_iT,o为第1阶段的最优决策。

若

则此时有f_i(p)＝f_i^T-1(p)+f_i^T(p)。

将机组第2阶段的决策p_i,T-1简记为p，当p在[B₂,B₃]时，则机组第1阶段的出力p_i,T为p+Δpu_i,T时，可保证f_i(p)取值最小；当p在[B₃,B₄]时，p_i,T应为p_iT,o；当p在[B₄,B₅]时，p_i,T应为p-Δpd_i,T。这时，f_i(p)可以表达为：

分析式(20)和参考图3可以发现，f_i(p)的f_i^T-1(p)分量为二次凸函数，而f_i^T(p)分量则将原凸函数曲线在最优点p_iT,o处劈成2部分，左右部分都各往左和往右移动Δpu_i,T和Δpd_i,T的距离，且在[p_iT,o-Δpu_i,T,p_iT,o+Δpd_i,T]的范围内取值相等，且为最优值；因此f_i^T(p)分量仍然为凸函数。根据凸函数叠加仍为凸函数的性质，式(20)的f_i(p)是凸函数；再通过分段二次函数对称轴和分段区间的比较(具体比较过程参考后续内容)，可以得到第2阶段在[B₂，B₅]内的最优决策p_i,T-1,o。参考图4，为f_i^T-1(p)分量曲线图；参考图5，为f_i^T(p)分量曲线图；

由以上的原理可知，拓展到多阶段的优化问题仍是一个凸函数，各阶段的最优决策是确实存在的。

下面详细描述获得第2阶段最优策略p_i,T-1,o的过程：

根据第一阶段的根据第一阶段的pi_iT′,pa_iT′,p_iT,o这3个功率值的信息(特殊情况下，当pa_iT′＝p_iT,o或pi_iT′＝p_iT,o时，可能退化为2个功率值)，可将[pi_i,T-1′,pa_i,T-1′]最多分解为3个区间，分别为[pi_i,T-1′,p_iT,o-Δpu_i,T]，[p_iT,o-Δpu_i,T,p_iT,o+Δpd_i,T]，[p_iT,o+Δpd_i,T,pma_i,T-1′]；每个区间都可用二次函数表示，二次项系数和一次项的系数分别为(a_iT′+a_i,T-1′,b_iT′+b_i,T-1′+2a_iT′Δpu_i,T)，(a_i,T-1′,b_i,T-1′)和(a_iT′+a_i,T-1′,b_iT′+b_i,T-1′-2a_iT′Δpd_i,T)。

二次项系数和一次项系数的求解方法为：将式(20)展开，有：

整理得：

若某个区间的二次项和一次项系数算得的对称轴恰好在该区间内，则对称轴的取值即为第2阶段的最优决策p_i,T-1,o的取值；若最左侧区间(功率取值最小的区间)的对称轴比最小功率值pi_i,T-1′还小，则p_i,T-1,o＝pi_i,T-1′；若最右侧区间(功率取值最大的区间)的对称轴比最大功率值pa_i,T-1′还大，则p_i,T-1,o＝pa_i,T-1′；若相邻两个区间中左侧区间的对称轴比该区间的最大功率值要大，而右侧区间的对称轴比该区间的最小功率值要小，则第2阶段的最优决策p_i,T-1,o即为这相邻两区间左侧区间的最大功率值(也等于右侧区间的最小功率值)。

进一步拓展，在已知第T-t+1阶段(对应第t时段)的pi_i,t′,pa_i,t′,p_i,t,o以及该阶段决策区间[pi_i,t′,pa_i,t′]的所有分区和分区的二次项、一次项系数的基础上，计算第T-t+2阶段(第t-1时段)的最优决策p_i,t-1,o。先计算第T-t+2阶段的决策区间为[pi_i,t-1′,pa_i,t-1′]：

再计算第T-t+2阶段决策区间的所有分区。

当T-t+1阶段分区满足则为T-t+2阶段的分区；

当T-t+1阶段分区满足则[p_i,t-Δpu_it,p_i,t,o-Δpu_it]，[p_i,t,o-Δpu_it,p_i,t,o+Δpd_it]，都为T-t+2阶段的分区；

当T-t+1阶段分区满足p_i,t≥p_i,t,o，则为T-t+2阶段的分区；

先根据第2阶段提到的二次项和一次项系数的修正方法，得到各个分区的二次项、一次项系数；最终根据各分区的二次函数对称轴和分区最大功率和最小功率的关系(参考第2阶段的比较方法)可以得到第T-t+2阶段的最优决策p_i,t-1,o。

采用上文所述的逆推法原理，可以依次得到共T-t₀个阶段的最优决策。

(2)机组出力的最优策略

当获得机组出力各阶段的最优决策后，再根据机组在第t₀时刻的实际出力，在满足机组爬坡率的条件下，可以很方便的获得机组出力的最优策略，也即保证子问题获得最优解时机组各时段的出力值。

制定机组出力的最优策略的原则就是从机组预设出力出发，在满足机组爬坡率的条件下，保证该机组下一个时段出力值与该时段对应的阶段最优决策的出力值差值的绝对值越小越好。

具体实现方法可以参考图6详细说明，图6为机组出力最优策略示意图。竖直线段表示机组各个时段的决策区间，示例中包含3个阶段，且各阶段的最优决策已经获得，并依次为p_T,o,p_T-1,o,当机组在第t₀时刻(初始时刻)的初始出力分别为A,B,C,D时，机组出力的最优策略分别如L₁,L₂,L₃,L₄所示。

综上所述，首先通过逆向推算获取机组各阶段的最优决策，再顺向获取机组的最优策略。便可获得子问题的最优解。

将原问题转化为拉格朗日对偶问题，再分为主问题与子优化问题的相互迭代。而子优化问题是整个优化问题的核心。采用了上面提到针对子优化问题的凸函数特性的动态优化方法，子问题的计算复杂度为O(n3)。这样为高效解决滚动计划的修正问题提供了基础。

全局优化算法统一地考虑了未来一段时间内各机组的出力计划以及相关的各种约束，因此不存在负荷剧烈变化而产生的机组出力不可渡越的情况；因此，该算法在保证滚动计划满足网络安全和爬坡率等约束的前提下，能够高效地动态修正未来关心时段的各机组出力计划。

此外，本发明提供的在线滚动优化调度模型，应用于针对特性各异电源的多目标协调优化调度模型中，下面介绍针对特性各异电源的多目标协调优化调度模型：

本发明提供的优化调度系统的关键技术

(1)多时间尺度协调的优化调度控制模式

到目前为止，国内的调度方式主要采用日前优化调度计划+AGC控制的两个时间尺度的调度方式，时间尺度跨度大、调度模式较粗放，无法适应大规模风电接入后的电网调度。

根据机组响应能力，结合调度生产现状，在时间维度上将有功调度策略分解为日级、1小时级、15分钟级、秒级。根据负荷波动的特点和机组的控制特性，可以把控制分解为四个阶段：日前计划与滚动计划滚动调度、实时调度计划和AGC控制。如图2所示，为系统整体控制模式图，其特点包括：

1)计划有充足的时间进行动态优化计算，这个时间级的控制以安全为约束，以经济为目标，可以称为最优控制。

2)滚动计划以短期预测为基础，1小时为启动周期的滚动调度充分利用最新的信息，对日前计划进行修正，逐步降低不确定性。

3)实时调度计划在实施时，要面对运行点接近安全域边沿、机组未有效跟踪计划、AGC机组容量不足等不确定因素。选取系统中性能良好、执行计划良好的机组作为缓冲机组，通过超短期预测以15分钟为周期调整出力，用于消除这些不确定因素。缓冲机组以安全为第一目标，经济为第二目标，一方面吸收最优控制过程中的功率不平衡量、改善运行安全性，保证最优控制环节正常运行；另一方面为秒级AGC机组预留调节空间，保证AGC环节的正常运行。

4)AGC控制，AGC控制对当时发生的情况即时处理，包括校正控制和安全校正控制(阻塞管理)。其中，校正控制是调度秒级AGC机组，使频率和联络线功率满足CPS考核指标；安全校正控制即时处理线路断面潮流越限。AGC控制的目标是快速消除安全隐患，保证系统频率质量。

这种调度模式本质上是在日前发电计划和AGC发电控制之间增加滚动计划调度、实时调度计划阶段，在该阶段中建立智能化决策和自适应协调控制的技术支持环节，以替代传统的人工调整模式，减轻值班调度员的劳动强度、最大程度消纳风电并实现高品质的电力供应。

这种控制模式下将所有机组分为四类：日前计划机组、滚动调度机组、协调机组(实时调度机组)及人工固定机组。日前计划机组严格按照日前计划执行，滚动调度机组按照滚动修正后的计划执行，协调机组负责规律性的幅值较大的负荷功率变化的平衡，控制周期为15min。这样，通过调整协调机组的出力，使AGC机组保留有较大的调整裕度，提高了系统运行的安全性和经济性；同时通过对实时控制机组的调整，最大程度的消纳了风电，提高了风电利用率。

(1)扩展短期负荷预测

滚动调度环节需要监视当日发电计划的执行情况，在原计划与实际负荷发生严重偏离的情况下，及时完成该日剩余时段负荷的重新预测和发电计划调整。参见图10，为一种具体的实际负荷和计划负荷曲线比对图。图4中的实线为某电网当1月11日上午10:00时观测到的系统实际负荷运行曲线图。图中短划线表示的计划负荷是前日上午11:00预测出来的。如图所示，受气候等负荷敏感因素影响，该日负荷从9:00起实际负荷运行曲线开始偏离其计划曲线，而且其偏离有变大趋势。此时，若不对该日负荷计划进行修正，将可能造成很大的负荷预测误差。利用最新获得的信息，对该日后半日负荷进行重新的预测，调整后半日的计划曲线，则可以最大可能的挽回计划与实际的偏差，减少负荷预测误差。

为了满足上述的应用需求，提出扩展短期负荷预测概念：利用当前可以获得的最新信息(包括负荷信息、气象信息、电价等)，预测当日当前时刻以后未知1小时～多小时的负荷。

从预测周期上看，扩展短期负荷预测界于超短期、短期负荷预测之间。图11给出了已定义的各预测概念按预测周期排列的示意图。

扩展短期负荷预测与短期负荷预测的主要应用都是制定日负荷计划，前者是对后者在预测周期上的扩展，表1对照了这两者间的主要差异(以每日采样96点为例)。

表1

扩展短期负荷预测不但用到了历史信息，还用到了当日最新的负荷、气象、故障、计划信息等，因此可以提高预测精度。总之，扩展短期负荷预测的目标是已知当日部分负荷数据的情况下，对当日其余负荷数据进行合理、有效的预测。通过跟踪和检测负荷相关因素的变化可以预知负荷变化情况。在预知实际负荷曲线将严重偏离原计划曲线情况下，可以提前启动扩展短期负荷预测，提高负荷预测的准确度，也是实现发电滚动调度的重要环节。

(2)超短期负荷预测

超短期负荷预报(从几分钟到一小时)是实时有功调度的前提，保证其精度是实现实时调度的关键。超短期负荷预报的特点是预报周期短，关键技术是精度。在预报方法中要求能够尽可能的应用数据的统计信息。它与短期乃至中长期的负荷预报相比，有如下的特点：

1)预报周期短，故要求在线运行，且对计算时间有较高的要求；

2)在“超短期”的概念内，天气变化，节假日，双休日的影响均不太明显；

3)负荷曲线不如短期平稳，高次谐波分量相对较多，且幅值大

本发明采用基于负荷曲线区段形态相似性的超短期负荷预测方法。根据历史负荷出力数据，自动匹配相似时段来预测。不同于传统的根据负荷曲线的值相似选取相似日的方法，而根据负荷曲线的形态相似性来动态选取相似日，能够较好地改善超短期负荷预测的精度特别是拐点处的预测精度。

(3)滚动调度技术

日前计划中，随着时间的推移，发电需求预测特别是风电出力预测的不确定因素的影响将有所增加，发电需求和风电出力预测的准确度也会逐渐降低，从而影响到机组的计划出力的合理性和实用性。由于风功率预测误差随预测时间增大的原因，考虑风电的滚动调度不宜采用太长的时间窗口，考虑到风电场的滚动风功率预测结果会每隔15分钟给出未来4个小时的预测值，因此，如果能够根据风电滚动预测结果实时对一天每个时段之后的未来4个小时的发电需求进行滚动修正，从而滚动地修正各个机组的在剩余时段的出力计划，使得机组的总出力与实际发电需求逐级接近，这样便可以降低日前计划的不确定性，保证各个机组的出力计划更加合理，也更加有意义。所以，我们可以认为滚动调度就是对日前计划不断修正，不断刷新的过程。

滚动调度是从当前时段到结束时段之间的动态优化，在数学上是一个难题，模型复杂而且耗时较多。因此，需要研究如何通过对动态优化模型进行时间维度和空间维度的解耦与协调得到适于滚动调度环节在线应用的实用化的优化模型。这就对滚动调度算法的高效性提出了要求；其次，由于日负荷波动带来的不确定性，算法及其优化模型还需要具有很好的鲁棒性。

在滚动调度的制定时，不仅需要考虑节能减排的经济效益，还得保证各机组在剩余时段出力的可行性，包括满足机组爬坡率约束，满足发电—负荷功率平衡约束，网络安全约束等。

滚动调度的数学模型的时间跨度为[t₀+1,T]，目标是未来一段时间的系统总成本最低，具体可以表述为：

在线滚动优化调度模型，包括优化目标函数和优化约束条件；

在线滚动计划的数学模型的时间跨度为[t₀+1,T]，目标是未来一段时间的系统总成本最低，具体可以

其中：i,j分别为常规机组和风电机组的编号，取值范围为i∈[1,N],j∈[1,M]；其中，N为常规机组总数量；M为风电机组总数量；t为时段编号，取值范围为t∈[t₀+1,T]；t₀为优化起始时段；T为优化时段长度；p_it,分别为滚动计划中第i台常规机组和第j台风电机组在第t时段的计划出力值，为第t₀时段预测第j台风电机组在第t时段的预测最大功率值；a_i,b_i,c_i为第i台常规机组发电费用的二次项、一次项和常数项系数，而λ_j为风电机组弃风成本因子；当λ_j与b_i同一量级且取值为正时，可实现最小弃风；

优化约束条件包括：

(1)机组出力上下界约束条件：

其中，pa_it,pi_it分别为第i台常规机组在第t时段出力的上界和下界；当某台机组在某一时刻停机时，该机组该时刻的最大出力和最小出力都设为零值；

(2)机组爬坡率约束

(3)

p_i,t-1-Δpd_it≤p_it≤p_i,t-1+Δpu_it

其中：Δpd_it,Δpu_it为第i台常规机组从第t-1时段到第t时段允许的降出力最大值和升出力最大值；p_i,t-1为滚动计划中第i台常规机组在第t-1时段的计划出力值；风电机组没有爬坡率约束的限制；

(3)断面潮流安全约束

其中的l,L分别表示断面编号和总断面数；g_li,分别为第i台常规机组和第j台风电机组对第l断面的灵敏度因子，可以通过直流潮流对应的导纳矩阵获得；TL_lt,为断面潮流的最小值和最大值；

(4)负荷平衡约束

其中，D_t为总计划出力值；

由于公式(2)和公式(3)对应的约束只包含单台机组的信息，将此约束定义为机组非耦合约束；而公式(4)、公式(5)约束包含多台机组的信息，故将其定义为机组耦合约束。

在线滚动优化调度模型以常规机组的计划出力值p_it和风电机组的计划出力值为变量，公式(1)为优化目标函数，而公式(2)、(3)、(4)、(5)为优化约束。

滚动修正调度是一种在线应用，其算法应当具备很高的计算效率和较强的鲁棒性。本发明中，采用拉格朗日对偶法求解。当然，实际应用中，可灵活采用各类方法，对上述优化目标函数进行求解，本发明对此并不限制。

(3)实时调度技术

1)实时调度与其他调度环节的关系

一个区域的负荷曲线可分解为固定分量，趋势分量和随机分量。因此针对三种分量把机组分成四类，即日前计划机组、滚动计划机组、实时机组和AGC机组。日前和滚动计划机组负责短期调度计划执行，实时机组根据超短期负荷预测制定实时计划并执行，AGC机组则负责波动负荷的校正控制。

另外，本发明提供的调度模型，还包括机组角色分配模块，所述机组角色分配模块用于实时对全网机组的角色进行分配，机组角色包括日前计划机组、滚动计划机组、实时计划机组和AGC机组；

所述机组角色分配模块采用以下方法，每隔预设时间确定全网各个机组的角色：

步骤1，根据电网实时频率与正常设定频率的偏离程度，按从偏离度从轻到重的顺序，依次划分为4个控制区段，分别为：死区、正常区、辅助区和协作区；

具体的，为保证AGC平滑、稳定而有效地实现电力供需的实时平衡，避免在减少ACE的过程中出现过调或者欠调的情况，需要划分控制区段(Control Zone)。控制区段用于表示ACE的严重程度，包括死区(Dead Band Zone)、正常区(Normal Zone)也称命令区(Command Zone)、辅助区(Assist Zone)也称允许区(Permissive Zone)、协作区(Cooperation Zone)也称紧急区(Emergency Zone)。其中ACE划分示意图参考图12：

步骤2，通过以下公式分别确定死区边界值ACE_D、正常区边界值ACE_N、辅助区边界值ACE_A和协作区边界值ACE_E：

其中：B_i：控制区域设定的频率偏差系数，单位MW/0.1HZ，取正号；

ε₁：互联电网对全年一分钟频率平均偏差的均方根的控制目标；

L₁₀：十分钟ACE平均值的绝对值的控制限值；

LOSS：失稳功率；

根据ACE的具体值，各台AGC机组的协调控制策略如下表所示：

AGC机组协调控制策略表

在表中：“不做控制”表示不进行任何调节；“偏差调节”表示需离开基点值，参与ACE调节，促使ACE减少。“基点靠近”表示直接进行基点调节，不考虑对ACE的影响；“条件返回”表示进行基点调节时，要考虑是否对ACE造成影响，若向基点值逼近会导致ACE增大，则保持不动；若向基点值逼近将促使ACE减小，则进行变动。

基点值的设定有多种方式，本发明采用的基点值为计划基点，即基点值为一条连续的曲线。

步骤3，根据机组性能对全网所有机组进行排序，按照机组性能从高到低的顺序，将机组分别记为：机组1、机组2…，得到排序表；

选择排序表中满足如下条件的最小m值，得到编号依次为：机组1、机组2…机组m的m个AGC机组；AGC机组按照偏差调节的控制策略进行调节：

其中：cap_agc：AGC偏差调节容量；

P_i,max：机组i的最大出力值；

P_i,min：机组i的最小出力值；

步骤4，选择编号依次为：机组m+1、机组m+2…机组n的n台机组作为实时计划机组，实时计划机组按照跟踪实时计划策略进行控制，其中，n为满足如下约束的最小值：

由于p_i的出力是连续变化的值，因此，n也是一个动态变化的数值；

步骤5，选择编号依次为机组n+1、机组n+2…机组n+k的k台机组作为滚动计划机组，滚动计划机组按照跟踪滚动计划策略进行控制，其中，k为满足如下约束的最小值：

步骤6，排序表中的剩余机组为日前计划机组，日前计划机组按照跟踪日前计划的控制策略进行调节。

以上机组角色的分配可以通过程序自动进行统计选择，为避免频繁变化角色，可以每隔一段时间Δt进行一次分类。对于按偏差调节的机组,按照节能调度的要求，以煤耗系数的大小按比例分配不平衡功率。

另外，机组角色分配模块也可以采用以下方法确定机组角色：

步骤1，首先根据历史数据统计出ACE落在各个控制区段的概率，不妨令落在死区的概率为pro1，落在正常区之内的概率为pro2，落在协作区的概率为pro3，落在紧急区以及紧急区之外的概率为pro4，则有：

步骤2，参与调节ACE的AGC机组还必须在每个时段都满足总旋转备用的要求，不妨设系统中的N台机组中共有n台参与ACE控制的AGC机组(1≤n≤N)，并且由这n台机组构成的集合记为SetA；旋转备用的下限应根据电网的实际运行情况给定，不妨定为SRt,其值必须大于ACEE(也即0.8LOSS)；

属于集合SetA的n台传统机组共有4种角色可供选择：

机组角色及控制模式

变量RoleID代表机组角色，取值为1,2,3,4，对应的控制模式分别为：偏差调节、跟踪实时计划、跟踪滚动计划和跟踪日前计划；其对应的机组角色分别为：AGC机组、实时机组、滚动计划机组和日前计划机组；

根据RoleID矢量可以构造出与之映射的4个矢量Role(1)、Role(2)、Role(3)、Role(4)，用来保存角色分别为1,2,3,4的AGC机组下标；

由此构建到以下的优化问题的目标函数为：

其中：P_it：机组i在t时刻的出力值；

a_i：非线性关系的二次项系数；

b_i：非线性关系的一次项系数；

c_i：非线性关系的常数项；

d：当前出力值得修正系数；

上述目标函数保证所有属于Role(j)的AGC机组在一天中的ACE调节总费用的期望最小。

而机组角色分配后需要保证ACE落在各个区域时都有足够的AGC调节裕度，因此，产生了如下的约束：

s_it为第i台机组在t时刻的旋转备用；

在上述约束条件下对目标函数进行求解，即得到最终确定的AGC角色。

实时调度是基于超短期负荷预测的超前调度。一般是在t＝t₁时对t＝t₁+T时刻进行优化，修正调度计划与预测结果的偏差。

实时调度的目标是协调滚动调度、协调AGC、协调网络安全。

2)实时调度与发电计划的协调

实时调度不能把发电计划推翻重来，而是要充分利用发电计划。实时调度既可以以日前调度计划的结果为基础，也可以以滚动调度计划的结果为基础，在其基础上进行进一步的校核和修正。实时调度与发电计划的协调原则是“动静衔接，平滑过渡”。

3)实时调度与AGC控制的协调模式

在电力系统的调度过程中，会不断发生各种意外事件，例如出现风力发电的波动、负荷偏差、发电机非计划停机、线路过负荷等。实时调度不仅需要与日前计划协调，还需要与AGC控制相协调，对AGC系统起到辅助调节的作用。实时调度负责规律性的幅度较大的负荷的功率分配，而AGC控制负责幅值较小的负荷快速随机变化。

实时调度与AGC控制的协调模式是：

第一，要尽量运行在较为安全的运行点。

AGC控制控制是出现偏差之后的校正，不考虑经济性。实时调度的超前控制应该尽量准确，不要出现较大的偏差，不让偏差校正控制出现大幅度的调整，这样从总体上比较经济。保证发电计划的准确性，首先要提高负荷预测的准确性。

第二，在实时调度中要给AGC控制保留足够的调整空间。

电力系统总是在无序的动态变化之中。各种偏差校正控制功能实时监视着电力系统的运行状态，对各种偏差进行校正和控制。实时调度应给AGC控制保留一定的调整空间，满足偏差校正的需要。

实时调度的控制周期为一个时段(例如15分钟)，而AGC的控制周期在10s左右。AGC机组受AGC软件控制，随着本区域的ACE的变化而调节，在实时调度中不能对其进行控制。这种情况下该考虑为AGC保留调整空间的问题。实时调度通过对SCHED模式机组的控制，可以调整系统的有功平衡，为AGC机组留出了可调容量。

4)实时调度可采用弃风最小的有功调度模型

系统应支持1小时及分钟级的实时调度计划指令调整，实现综合经济、节能和安全的多时间尺度的多级协调调度模式。引入模型预测控制理论MPC，研究实时调度模型和算法，主要包括：

A1)建立满足安全约束的弃风最小的有功调度优化模型。

A2)考虑未来由于风力发电和负荷出现陡升和陡降时，系统有主要快速可调容量来平衡负荷以及网络是否发生拥塞。

A3)实时调度虽然在安全校核中满足了网络约束，但在电网运行中，仍可能出现潮流越限的情况。实时调度需要在线扫描电网中所有元件的运行情况，出现越限情况时对发电进行紧急调整，也就是要进行阻塞管理。

A4)引入MPC模型用于大规模风电的实时调度建模，充分发挥发挥风电自身的调控能力，突破传统调度中把风电简单地等值为负的负荷做法。

弃风最小的有功实时调度方法根据超短期风功率预测值，建立满足安全约束的弃风最小的有功调度优化模型。

其中，实时机组控制周期为15分钟(可调)。在满足安全、经济、节能环保要求的前提下，15分钟实时机组计划完成的任务包括：1)弥补日前(扩展短期)负荷预测与15分钟超短期负荷预测的偏差；2)为AGC留出足够的备用容量。

为此，可构建如下线性规划模型来描述：

模型中：

r_i是常规机组i当前的发电单位调整成本；

Δp_i为第i台常规机组下一时刻的出力调节总量，为控制输出量；

w_j是风电场弃风电成本，为了减少弃风，一般w_j在数值上远大于常规机组当前的发电单位调整成本r_i；

是风电场j的弃风电力，等于下一时段预测的风电出力预测值与下一时段实时调度计划值的差值；

N_G^cagc为全网实时调度机组，不包括风电机组的个数

N_G^Wind为风电机组集合；

为风电场j的当前出力值；

ΔP为实时调度机组下一时刻的出力调节总量：

其中，是超短期负荷预测值的增量、是联络线计划的下一时刻增量、是日前计划机组出力下一时刻增量；ΔPⁿ_AGC为AGC上一时刻未完成量；

M_int表示全网线路及内网安全功率传输断面集合，为断面的功率传输上限，T_j为断面的功率传输下限，T_j为断面的当前传输功率，该不等式约束保证传输断面不过载；

S_ij采用负荷平衡灵敏度，其中为了达到分区平衡，需要在母线负荷因子中引入分区负荷预测的信息；

S_kj是负荷平衡灵敏度，△P_k^w是风电场k的弃风电量，两个的乘积表示风电弃风电量对断面功率的实时影响；

ΔC_gj为非实时调度的机组的计划调节量对断面功率的影响。

有功调度的目的是尽可能多地接纳风电。因此，实时调度优化模型的结果，即各风场发电出力的实时计划值一般就是超短期预报值。但是，由于受到电网传输能力、发电备用容量等约束，无法确保风电场出力总能够达到其预测的出力，此时对应风电场出力的实时调度优化结果是风电场需要的弃风电力。将实时调度的计算结果发送给各个风电场作为风电场下一时段的计划出力。

另外，实时调度也可采用以下调度模型：

f₁(p_it)为调度模型目标函数；t为优化时间；t₀为优化起始时段；T_l为基点追踪层优化时段长度；N为常规机组数；a_i、b_i、c_i为常规机组i的煤耗系数；p_it为常规机组i在第t时段的有功出力计划；为第i台机组在第t时段的滚动最优计划层计划；Δp_it为第i台机组在第t时段的基点追踪计划调整量，为控制输出量；G_wind为风电机组数；λ_j为弃风成本因子；为风电机组扩展短期预测出力；为风电机组j在第t时段的有功出力计划。

(5)安全校核技术

安全校核对由滚动调度模块和实时调度模块生成的发电机组出力计划下的系统运行方式进行校核，以确保系统运行的安全可靠。

首先由校核断面智能生成功能通过交流潮流计算形成校核断面潮流；然后对校核断面进行基态潮流分析，判断基态潮流下的电网越限情况；接着进行静态安全分析，判断元件开断后其他支路是否越限；最后根据静态安全分析发现的越限、重载设备和稳定断面，进行越限、重载支路和越限、重载稳定断面的灵敏度分析，进行电压越限节点的灵敏度分析，为后续的辅助决策提供决策依据。

通过静态安全校核功能模块，分析确定校核断面的静态安全运行水平，为后续稳定计算校核和辅助决策提供静态安全校核结果。

系统借助于该项目实现节能调度、经济调度等管理要求，实现日前计划、日内滚动调度、日内实时调度、AGC控制四层调度协调控制模式，实现调度侧到电厂侧的闭环控制。

提供本系统与EMS，OMS，日前计划系统、AGC等系统的接口交互功能、交互数据内容包括：

1、优化调度系统需要从如下系统获取数据：

1)EMS系统:基于标准化接口的方式，周期获取电网模型(全网发电机的相关参数，电网拓扑结构，断面传输极限，获取周期1天)和电网实时数据(包括发电机的AGC状态、实时出力，负荷数据，热电联产机组的出力下限等，获取周期5分钟)。

2)日前计划系统：获取明日计划信息、负荷预测信息，计划约束信息。

3)风功率预测系统：获取15分钟更新的，未来4个时段的风功率预测信息。

4)风场计划上报：获取明日风场预测信息，作为风场考核依据。

2、优化调度系统需要发送数据至以下系统：

1)OMS系统：发送最新的风功率预测信息、计划曲线、水电计划曲线、抽水蓄能曲线、风场计划曲线、火电机组单机曲线等。

2)AGC系统：发送最新的机组计划指令信息到综合数据平台，通过综合数据平台转发指令到AGC系统。

3、系统环境需求

1)计算机硬件需求

为了满足调控中心实际应用的需求，特性各异电源多目标协同优化调度系统将分区部署，所需硬件设备包括：安全区II数据库服务器、安全区II应用服务器以及安全区III应用/数据库服务器以及安全防护设备等。

系统可与CC2000系统集成，优化调度应用可运行在EMS服务器上；也可与D5000系统集成，优化调度应用可运行在实时计划服务器和调度计划服务器上。

2)计算机软件需求

数据库服务：采用D5000系统的达梦关系数据库

中间件：Tomcat，遵循J2EE标准

3)算机通信需求

在D5000系统作为调度主系统时，协同优化调度系统的应用服务(含接口服务)及数据库服务分别部署在II区实时计划服务器和调度计划服务器上。

无论是与CC2000集成，还是与D5000集成，位于III区的优化调度系统部署均保持不变，利用III区现有的服务器资源进行部署及发布。

本发明提供应用软件功能包括：综合监视软件、滚动调度软件、实时调度软件、安全校核软件、计划发布软件、效果评估软件、系统管理软件以及接口开发软件。其中：II区部署软件功能：综合监视软件、滚动调度软件、实时调度软件、安全校核软件、计划发布软件、效果评估软件、系统管理软件以及接口开发软件。III区部署软件功能包括：综合监视软件、计划发布软件、效果评估软件、系统管理软件以及接口开发软件。

本发明提供的优化调度模型，总体结构包括：

1、综合监视模块

综合监视模块将汇总日内电网实时数据、超短期预测数据、滚动优化数据、实时调度数据等信息，通过各种先进的可视化信息展示手段，从领导关注点、调度员关注点出发，按业务主题进行信息组织与分析，涵盖负荷、计划与发电、断面、风电、装机规模、电量合同执行情况等方面。

1)负荷信息监视子模块

以图形化方式对比显示负荷预测信息、扩展短期负荷预测信息、超短期负荷预测信息、实际电网负荷信息、供热负荷信息等。

2)计划与发电监视子模块

图形化方式对比显示日前计划信息、滚动调度信息、实时调度计划信息、实际发电信息等；显示各类电源计划发电情况、实际发电情况、风电吸纳情况、风电限电情况、水电调峰情况。

3)直调断面监视子模块

显示联络线及重要断面的有功功率、负荷情况。

4)风电信息监视子模块

汇集日内风电全部信息，包括超短期风功率预测、风场实时出力、风场上报计划信息、滚动优化风电情况、实时调度风电情况、风电限电情况等。

5)装机情况分析子模块

图形化方式显示水电、火电、风电装机规模及占比情况，趋势变化情况。

6)计划完成情况分析子模块

与电量合同进行对比分析，总体计划完成情况、计划完成率较高的电厂信息、计划完成率较低的电厂信息等。

2、滚动调度模块

滚动调度模块，所述滚动调度模块用于以扩展短期预测模块预测到的负荷信息为基础，1小时为启动周期，充分利用最新实时信息及预测信息，对未来4小时负荷和发电计划进行重新预测，进而修正日前计划模块预测到的日前负荷和日前发电计划，逐步降低日前计划的不确定性；

所述滚动调度模块包括：联络线计划管理子模块、超短期风功率预测子模块、扩展短期负荷预测子模块、约束调整子模块、在线滚动优化子模块和计划指令下发子模块；

所述联络线计划管理子模块用于提供未来1天～3天联络线计划导入、复制、修改、查看功能；

所述超短期风功率预测子模块用于根据当前电网调风功率的实际值，每隔15分钟给出未来4个小时的风功率预测值；系统与风功率预测系统建立接口，每日定时获取未来四小时的超短期风功率预测信息。

所述扩展短期负荷预测子模块用于：根据所述超短期风功率预测子模块预测到的风功率预测值，预测当日当前时刻以后未知1小时～多小时内的负荷值；其中，负荷值以15分钟为最小单位，进而对日前发电计划进行滚动修正；

所述约束调整子模块用于提供各类约束条件，包括：机组出力上下界约束、机组爬坡率约束、开机方式约束、断面潮流约束和负荷平衡约束；

所述在线滚动优化子模块用于：制定优化策略，以所述约束调整子模块提供的约束条件为约束，以所述超短期风功率预测子模块和所述扩展短期负荷预测子模块的预测结构为输入，进行水电、火电、热电联产、风电、抽水蓄能特性各异机组发电出力情况的在线滚动优化，得到在线滚动优化结果，包括：未来4小时风场计划和滚动调度机组计划；

算法输入数据包括：实时电网模型、负荷信息、日前计划执行情况、超短期风功率预测信息、扩展短期负荷预测信息、计划调整量约束、爬坡率约束、供热负荷约束、出力上下限约束、安全约束等。为了保证滚动优化结果的可执行性，滚动优化程序执行过程中将各类约束条件作为前置条件进行算法运算，同时对于算法输出的计划结果直接进行在线静态安全校核。

所述滚动调度模块采用的滚动优化策略为：采用基于最小弃风基础上的经济最优调度模型，见式(1)：

其中，f₁(p_it)为调度模型目标函数；t为优化时间；t₀为优化起始时段；T_h为最优计划层优化时段长度；N为常规机组数；a_i、b_i、c_i为常规机组i的煤耗系数；p_it为常规机组i在第t时段的有功出力计划；G_wind为风电机组数；λ_j为弃风成本因子；为风电机组扩展短期预测出力；为风电机组j在第t时段的有功出力计划。

所述计划指令下发子模块用于：将所述在线滚动优化子模块得到的在线滚动优化结果下发到滚动计划机组。

(3)实时调度模块

所述实时调度模块用于：以超短期发电需求预测、风电出力预测、电网模型和实时数据为基础，15分钟为启动周期，在考虑机组出力限制、爬坡率、滚动发电计划情况下，制定到实时计划机组的实际发电计划，从而对未来15分钟负荷进行重新预测和发电计划调整，消除预测值和计划值的偏差，提高电网风电接入能力，作为协调调度计划和AGC控制以及网络安全的一个承上启下的环节。

所述实时调度模块包括：超短期负荷预测子模块、在线实时调度子模块、在线安全校核子模块和自动下发指令子模块；

所述超短期负荷预测子模块，用于采用基于负荷曲线区段形态相似性的超短期负荷预测方法，根据历史负荷出力数据，自动匹配相似时段，得到超短期负荷预测数据；

所述在线实时调度子模块，用于以所述超短期预测数据、所述滚动调度模块的滚动调度机组计划为基础，预置的约束条件及优化策略为前置条件，进行机组组合运算，以15分钟为周期，对未来15分钟风场、单机机组的出力进行预测；具体的，所述实时调度模块采用式(2)的调度模型：

f₁(p_it)为调度模型目标函数；t为优化时间；t₀为优化起始时段；T_l为基点追踪层优化时段长度；N为常规机组数；a_i、b_i、c_i为常规机组i的煤耗系数；p_it为常规机组i在第t时段的有功出力计划；为第i台机组在第t时段的滚动最优计划层计划；Δp_it为第i台机组在第t时段的基点追踪计划调整量，为控制输出量；G_wind为风电机组数；λ_j为弃风成本因子；为风电机组扩展短期预测出力；为风电机组j在第t时段的有功出力计划。

所述在线安全校核子模块，用于基于当前实时电网模型及超短期预测数据，对所述在线实时调度子模块的实时调度计划结果进行校核，同时考虑断面越限的情况，得到在线调度预测结果，包括：未来15分钟风场、单机机组的出力数据；

所述自动下发指令子模块，用于将当日剩余时段实时调度计划结果通过综合数据平台，下发到实时计划机组，实现对实时计划机组的状态控制。

(4)AGC控制模块

AGC控制模块，用于以秒级为单位，实时对机组当前发生的情况进行即时处理，进而控制AGC机组的出力；包括校正控制子模块和安全校正控制子模块；所述校正控制子模块，用于调度秒级AGC机组，使频率和联络线功率满足CPS考核指标；所述安全校正控制子模块，用于即时处理线路断面潮流越限。

实际应用中，系统提供的安全校核功能需要调用来自于滚动调度模块、实时调度模块生成的发电机组出力安排数据，并对计划方式下校核结果进行输出。

基于日内最新的电网模型、设备状态信息、预测信息，对计划进行静态安全分析，分析电网拓扑，计算各发电机对线路潮流的功率转移分布因子，统计系统阻塞情况，进行阻塞管理。内置功能包括校核断面自动生成、潮流分析、静态安全分析、灵敏度分析等，系统提供静态安全校核算法运行效率支持1分钟。

1)校核断面自动生成

校核断面智能生成功能根据检修计划、发电计划、短期交易计划、临时操作信息、设备操作信息，结合系统负荷预测和母线负荷预测，并按照用户设置或相似日潮流获取无功电压信息，并对上述数据进行智能整合，进行交流潮流计算形成针对不同类型安全校核需求的校核断面潮流，包括操作任务校核断面、检修计划校核断面、发电机计划校核断面和短期交易计划校核断面。

2)基态潮流分析

基态潮流分析根据校核断面智能生成功能形成的校核断面潮流进行分析计算，将潮流计算结果与限额进行比对，判断基态潮流下的电网越限情况。能给出重载设备以及相应的负载率、越限设备以及相应的越限百分比。越限检查的对象包括线路电流、断面传输的功率、变压器支路的容量和母线的电压。

3)静态安全分析

静态安全分析针对校核断面智能生成功能形成的校核断面潮流，校核N-1故障和用户指定的故障集后其他元件是否出现越限。

本功能模块支持多种开断元件的指定方式，包括对全网主设备进行逐个开断，根据元件类型进行逐个开断(发电机类、变压器类、线路类，其中线路又可进一步划分为500kV线路和220kV线路)，根据电压等级进行逐个开断，根据区域进行逐个开断。除此之外，用户还可以根据需要自定义故障集，仅对故障集里的元件进行N-1分析，判断其他元件是否出现越限。

本功能模块能模拟备自投、切机等安全自动装置，可根据电网运行方式自动匹配策略表。能给出导致重载、越限的故障及相应的重载、越限设备，应给出故障严重程度指标。

4)短路电流分析

短路电流分析计算根据校核断面智能生成形成的校核断面潮流，通过短路电流计算判断校核断面中是否存在短路容量超标。既能进行全网母线短路故障扫描，也能根据用户设定计算范围进行短路故障扫描，支持按电压等级和分区选择计算范围进行短路故障扫描。

按照故障类型可以分为单相短路故障扫描和三相短路故障扫描。能给出短路电流超标和接近超标的短路故障的计算结果，包括各母线和线路短路电流及对应故障。

5)灵敏度分析

灵敏度分析针对校核断面潮流，根据静态安全分析发现的越限、重载设备和稳定断面，进行越限、重载支路和越限、重载稳定断面的灵敏度分析，进行电压越限节点的灵敏度分析。本功能模块支持如下功能：

1)计算支路或稳定断面有功功率和发电机有功出力之间的灵敏度。

2)计算支路开断分布因子，即线路或变压器支路开断后其它线路或变压器功率的变化情况。

3)计算母线电压和节点无功注入(包括发电机节点和电容电抗器节点)之间的灵敏度，母线电压和变压器变比之间的灵敏度。

4)支持准稳态灵敏度计算。

6)计划发布

计划发布模块提供功能包括计划数据透传功能及计划数据展现两部分。

计划数据透传:主要是指系统提供接口，将滚动调度模块、实时调度模块计算的风场计划、水电计划、火电计划、抽水蓄能计划透过安全隔离装置传输到III区，与OMS系统进行接口，在OMS系统内进行审批流转，并通过OMS系统下发到电厂。为了满足计划指令自动下达、执行的需求，系统提供将各类计划数据通过综合数据平台下发到AGC系统的功能。

计划数据展现

为了方便各级领导在管理大区直接查看各类计划数据及最新的风功率预测信息，系统提供计划数据查看客户端，以可视化手段对计划数据、实时数据及对比分析数据进行直观、形象地展现。

(5)效果评估模块

采用丰富的可视化展现手段，对特性各异电源协同优化带来的各类效益进行分析及展现；对日内多时段调度协调机理引入带来的工作效果进行分析及展现。效果评估主题包括：清洁能源利用情况、节能减排情况、发电量、经济性、开机方式与机组影响、风电考核等方面。

1)发电分析

展示内容包括日前计划、滚动调度、实时调度计划方式下发电量构成情况；各类发电电源在不同计划方式下的发电量对比及变化趋势；清洁能源利用率、降低煤耗量、碳排放等宏观指标信息。

2)经济性分析

展示内容包括日前计划、滚动优化计划、实时调度计划方式下，购电成本构成情况；水、火、风电在不同计划方式下的购电成本对比及变化趋势。

3)开机方式分析

展示内容包括日前计划、滚动优化计划、实时调度计划方式下，各类机组的开机情况对比、开机数量变化、开机容量变化、重点关注机组影响分析、系统备用裕度变化、可调机组容量分析等。

4)风电考核

考核风场计划上报与执行情况。根据预先设置的管理规则，对相同时间刻度的风场上报计划、超短期风功率预测信息、风电滚动优化信息、风场实际发电出力情况进行对比显示和指标计算。

(6)系统管理模块

系统管理部分提供功能包括：基础数据维护、用户管理、权限管理、日志管理功能。其中：

基础数据维护

提供滚动优化、实时调度需要的各类基础数据(如：电厂、机组、电量合同等静态基础信息)的批量导入及维护功能，火电厂收集信息包括火电厂上报机组爬坡率、成本函数、出力限制、出力受燃煤、供热影响等信息。

用户管理：实现调度端用户、电厂端用户的基础信息、登录信息的维护与管理。

权限管理：提供资源管理、角色管理、赋权等功能，做到系统应用安全、数据访问安全。

系统日志：对系统内重要操作及系统接口间运行情况进行跟踪及记录，便于事后追忆。

本系统可通过研究风电、热电联产机组、水电机组、火电机组等特性各异电源的运行特性和对调度运行的影响机理，建立多时段、多目标协调的优化调度模型；采用闭环反馈动态调整的多维度电网优化调度决策技术，以机组实际出力、母线负荷、电网运行状态和网络拓扑结构为基础，经过多时段多约束的安全校核与阻塞管理，考虑少弃风、节能减排的经济效益，实现日内调度计划滚动调整、实时有功平衡与协调控制的多目标快速优化决策。具体达到以下效果：

1)系统基于扩展短期发电需求预测、日前计划信息，对从当前时段到未来4小时时段之间的计划进行滚动在线优化，在滚动调度的制定时，不仅会考虑少弃风、节能减排的经济效益，还能保证各机组在剩余时段出力的可行性，包括满足机组爬坡率约束，满足发电-负荷功率平衡约束，网络安全约束等。

2)系统可以提供一个以15分钟为周期的一种超前控制策略，按调度时段编制发电计划，根据下一个调度时段的发电需求预测及风电出力预测，考虑机组限值、爬坡速率、滚动发电计划情况下，在满足系统安全稳定运行的基础上，按节能减排、经济性最优原则自动安排各机组实际发电计划，可以提前预测消除预测值和计划值的偏差，提高电网风电接入能力，作为协调调度计划和AGC控制以及网络安全的一个承上启下的环节。

3)系统可与CC2000、D5000、日前计划系统、风功率预测系统、OMS等现有调度自动化系统进行接口，获取日内预测信息、计划信息、实时信息，为在线扩展短期预测、超短期预测、滚动优化、实时调度控制策略提供数据基础，形成风场控制的闭环管理。

4)系统可对比分析多目标特性各异机组在线滚动优化、实时调度带来的价值和效果，从日内调度计划与控制视角，利用可视化技术手段，面向不同的用户群体，形成日内信息的综合展现。

以上所述仅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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。