也越来越相似，可能在局部最优解周边无法跳出。本发明在粒子群算法中引入遗传算 法的交叉和变异操作，采用了粒子群算法与遗传算法相结合的混合优化算法（GA-PS0)。该 算法通过粒子同个体极值和群体极值的交叉以及自身变异的方式来搜索最优解，GA-PS0算 法流程如图4所示。
[0106] 根据本发明另一【具体实施方式】，步骤A中，风电出力为预测值记为预测场景，风电 出力不等于预测值记为误差场景；在调度模型中，包含风电出力的约束项包括功率平衡约 束和线路潮流约束。
[0107] 根据本发明另一【具体实施方式】，步骤A中，通过制定合适的常规机组发电计划来 应对各种误差场景；当发生误差场景时，制定另外的发电计划保证系统功率平衡和线路潮 流不越限；并使预测场景下的发电计划在调整时间的约束下过渡到误差场景下的发电计 划。
[0108] 根据本发明另一【具体实施方式】，步骤B中，以预测场景下的发电成本和环境成本 之和为目标函数，约束方程包括预测场景下的相关约束和误差场景下的相关约束两个部 分。
[0109] 根据本发明另一【具体实施方式】，步骤B中，如果场景中每个新能源的出力都处于 置信区间的上限或下限，则称之为极限场景；如果模型的解能适应极限场景，则能适应置信 区间内所有的误差场景。
[0110] 根据本发明另一【具体实施方式】，步骤C中，根据新能源预测误差的概率密度分布 函数计算弃风/光和切负荷的风险成本，从而将鲁棒性转化为经济指标，进一步优化出使 得综合成本最小的误差边界，即为最优误差边界；所述综合成本为运行成本、环境成本和风 险成本之和。
[0111] 根据本发明另一【具体实施方式】，步骤D中的双层优化包括内层模块和外层模块。
[0112] 根据本发明另一【具体实施方式】，步骤D中，内层模块是求解鲁棒调度模型的过程； 采用原始对偶内点算法求解内层优化问题。
[0113] 根据本发明另一【具体实施方式】，步骤D中，外层模块是通过随机寻优策略求取使 综合成本最小的误差边界；在粒子群算法中引入遗传算法的交叉和变异操作，采用粒子群 算法与遗传算法相结合的混合优化算法；通过粒子同个体极值和群体极值的交叉以及自身 变异的方式来搜索最优解。
[0114] 与现有技术相比，本发明具备如下有益效果：
[0115] 本发明通过对弃风和切负荷进行风险评估，将调度方案的鲁棒性转化为经济指 标，优化出综合成本最优的调度方案；本发明所提出的误差边界优化方法能协调鲁棒调度 的运行成本和风险成本的矛盾，提高调度方案的综合效益。
[0116] 下面结合附图对本发明作进一步的详细说明。
【附图说明】
[0117] 图1为本发明中，新能源出力预测场景与极限场景示意图；
[0118] 图2为本发明中，风电出力预测误差概率密度分布曲线；
[0119] 图3为本发明中，双层优化算法的流程图；
[0120] 图4为本发明中，GA-PS0算法的流程图；
[0121] 图5为实施例1中，负荷及新能源的预测出力的示意图；
[0122] 图6为实施例1中，不同误差边界下各类成本变化情况示意图；
[0123] 图7为本发明中，极限场景的选择方法。
【具体实施方式】
[0124] 实施例1
[0125] 本实施例以规划的某电网为例进行测算，电源容量比例如表1所示，负荷及新能 源的预测出力如图5所示，机组信息如表2所示。假设各时段的风电出力满足正态分布 ~以外cr2)其中μ为风电预测出力，标准差σ= 〇. 2μ。单位切负荷成本11。= 49. 63 J 元/kWh，单位弃风成本nw= 〇. 227元/kWh。
[0126] 在双层优化算法中，内层模块采用原对偶内点算法求解鲁棒调度模型，外层模块 采用GA-PS0算法寻找最优误差边界。测试环境为内存4GB、主频2. 6GHz的个人计算机上。
[0127] 表1电网各类型电源容量比例
[0128]
[0129」 表2机组信息
[0130]
[0131]
[0132]首先选取最优的误差边界，不同误差边界下各类成本如表3所示。可见，随着误 差边界的增大，鲁棒调度模型的约束更为严格，优化出的运行成本将变大；另一方面误差边 界的增大意味着模型能适应更多的波动场景，降低了风险成本（切负荷成本和弃风/光之 和）。因此，必然存在最优的误差边界使得综合成本（运行成本与风险成本之和）最小。由 图6知，综合成本在20% -30%范围内达到最低。通过随机寻优策略，寻找到最优误差边界 为25%。表4说明了按最优误差边界（25%)得到的综合成本较其他误差边界具有经济优 势。
[0133] 表3不同误差边界下各类成本
[0134]
[0135] 表4最优误差边界的经济效益
[0136]
[0137] 虽然本发明以较佳实施例揭露如上，但并非用以限定本发明实施的范围。任何本 领域的普通技术人员，在不脱离本发明的发明范围内，当可作些许的改进，即凡是依照本发 明所做的同等改进，应为本发明的范围所涵盖。
【主权项】
1. 一种考虑间歇性能源不确定性的最优误差边界的确定方法，其包括如下步骤： A、 采用场景法描述新能源出力的不确定性； B、 建立电力系统鲁棒调度模型； C、 根据新能功率源预测误差概率密度分布函数进行弃风和切负荷的风险评估，从而建 立误差边界优化模型； D、 构建双层优化算法并求解最优误差边界。2. 根据权利要求1所述的确定方法，其特征在于，步骤A中，风电出力为预测值记为预 测场景，风电出力不等于预测值记为误差场景； 在调度模型中，包含风电出力的约束项包括功率平衡约束和线路潮流约束。3. 根据权利要求2所述的确定方法，其特征在于，步骤A中，通过制定合适的常规机组 发电计划来应对各种误差场景；当发生误差场景时，制定另外的发电计划保证系统功率平 衡和线路潮流不越限；并使预测场景下的发电计划在调整时间的约束下过渡到误差场景下 的发电计划。4. 根据权利要求1所述的确定方法，其特征在于，步骤B中，以预测场景下的发电成本 和环境成本之和为目标函数，约束方程包括预测场景下的相关约束和误差场景下的相关约 束两个部分。5. 根据权利要求4所述的确定方法，其特征在于，步骤B中，如果场景中每个新能源的 出力都处于置信区间的上限或下限，则称之为极限场景；如果模型的解能适应极限场景，则 能适应置信区间内所有的误差场景。6. 根据权利要求1所述的确定方法，其特征在于，步骤C中，根据新能源预测误差的概 率密度分布函数计算弃风/光和切负荷的风险成本，从而将鲁棒性转化为经济指标，进一 步优化出使得综合成本最小的误差边界，即为最优误差边界；所述综合成本为运行成本、环 境成本和风险成本之和。7. 根据权利要求1所述的确定方法，其特征在于，步骤D中的双层优化包括内层模块和 外层模块。8. 根据权利要求7所述的确定方法，其特征在于，步骤D中，内层模块是求解鲁棒调度 模型的过程；采用原始对偶内点算法求解内层优化问题。9. 根据权利要求7所述的确定方法，其特征在于，步骤D中，外层模块是通过随机寻优 策略求取使综合成本最小的误差边界；在粒子群算法中引入遗传算法的交叉和变异操作， 采用粒子群算法与遗传算法相结合的混合优化算法；通过粒子同个体极值和群体极值的交 叉以及自身变异的方式来搜索最优解。
【专利摘要】本发明提供了一种考虑间歇性能源不确定性的最优误差边界的确定方法，其包括如下步骤：A、采用场景法描述新能源出力的不确定性；B、建立电力系统鲁棒调度模型；C、根据新能功率源预测误差概率密度分布函数进行弃风和切负荷的风险评估，从而建立误差边界优化模型；D、构建双层优化算法并求解最优误差边界。本发明通过对弃风和切负荷进行风险评估，将调度方案的鲁棒性转化为经济指标，优化出综合成本最优的调度方案；本发明所提出的误差边界优化方法能协调鲁棒调度的运行成本和风险成本的矛盾，提高调度方案的综合效益。
【IPC分类】G06Q10/04, G06Q50/06, H02J3/00
【公开号】CN105305423
【申请号】CN201510671399
【发明人】金小明, 张东辉, 陈皓勇, 付超, 禤培正, 程兰芬, 李蓉蓉, 杜斌
【申请人】南方电网科学研究院有限责任公司, 中国南方电网有限责任公司电网技术研究中心, 华南理工大学
【公开日】2016年2月3日
【申请日】2015年10月15日