本发明涉及电力系统日前发电计划制定领域，特别是关于一种计及风电不确定性的能源基地系统日前发电计划制定方法和系统，主要应用于能源基地系统运行过程中日前发电计划的制定。
背景技术：
当前风火打捆直流送出的运行方式中，配套火电和直流运行大多只通过粗略留取系统备用方式支持风电消纳，而使用火电来使风电的波动性得到平抑的初始设计尚未完全实现。考虑特高压直流送端能源基地系统风电、火电与直流运行的优化调度，关键是要解决两个主要问题：一是合理利用风电预测信息；二是构建优化调度模型，协调风电出力，火电机组发电成本以及直流运行成本之间的关系。常用的含备用约束的确定性机组组合模型，采用的是已经给定的负荷曲线来表征未来调度周期内负荷的波动情况。而具体到特高压直流送端能源基地系统，传统的负荷曲线变为运行条件受限的直流，因此如何在日前机组组合中合理使用风电功率预测信息，考虑风电不确定性的影响，并计及直流受限的调节能力是实现特高压直流外送风电消纳需求实践中面临的问题。
技术实现要素：
针对现有的发电计划制定方法中的风电预测功率一般只由确定性预测、区间预测、场景预测中的一种或两种方法获取，缺少对这几种预测方法所得风电预测信息的综合应用和比较分析；目前的发电计划制定方法多围绕风火电的联合出力平衡受端的负荷需求展开，缺乏针对能源基地的风火电出力协调优化以满足直流送出容量要求的研究。本发明的目的是提供一种计及风电不确定性的能源基地系统日前发电计划制定方法和系统，利用风电功率的多种预测信息来制定日前发电计划，同时考虑了直流调节成本，提升能源基地系统的风电消纳能力，更加符合工程实际。
为实现上述目的，本发明采取以下技术方案：一种能源基地系统日前发电计划制定方法，其特征在于包括以下步骤：1)根据预先获取的风电功率的预测信息，建立能源基地系统日前发电计划优化模型；2)制定若干包含采用不同类型风电功率预测信息的应用算例，作为能源基地系统日前发电计划模型的输入变量，根据得到的能源基地系统的运行指标对比结果及所侧重的运行指标，确定能源基地系统的最优日前发电计划。
所述步骤1)中，所述能源基地系统日前发电计划优化模型包括目标函数和约束条件，所述目标函数包括基于点预测信息的目标函数和基于场景预测信息的目标函数；所述约束条件包括功率平衡约束，备用容量约束，机组出力约束，机组爬坡速率约束，机组最小开机时间约束，机组最小停机时间约束和弃风量约束。
所述基于点预测信息的目标函数为：
式中，为火电机组的发电成本，为火电机组的启动成本，为火电机组的停机成本，为直流的调节成本，为弃风成本，角标i代表第i台火电机组，角标t代表第t时段。
所述基于场景预测信息的目标函数为：
式中，为火电机组的发电成本，为火电机组的启动成本，为火电机组的停机成本，为直流的调节成本，为弃风成本，角标i代表第i台火电机组，角标t代表第t时段，角标j代表第j场景，T为时段总数，N为火电机组总台数，S为场景总数，pj为场景j的概率。
各所述约束条件的计算公式分别为：
①功率平衡约束：
式中：pit是第i台机组在t时段的出力，为t时段的风电功率预测值，为由于功率平衡约束而产生的弃风电量，和为t时段直流功率的计划值及调整值；
②备用容量约束：
式中：upit和dnit分别为机组i在t时段的上旋转备用容量和下旋转备用容量，和分别为风电功率预测区间的上限和下限，rresup和rresdn为上调和下调备用容量比例，rui和rdi分别为发电机i的上下爬坡速率限制，pimax和pimin为发电机i的最大和最小出力，tr为系统要求的备用容量动作时间，α是区间预测备用系数，当优化模型采用风电功率区间预测信息时α＝1，否则α＝0；zit为机组i在t时段的状态变量，取值为0或1，zit为1时表示机组i在t时段开机运行；zit为0时表示机组i在t时段停机；
③机组出力约束：
④机组爬坡速率约束：
式中，pit是机组i在t时段的出力；pi(t-1)是机组i在t-1时段的出力；△t是时间间隔；
⑤机组最小开机时间约束：
式中：UTi和分别是机组i的最小开机运行时间和初始时段已经开机运行的时间，Zi0是机组i在最初的时段的运行状态，Zi0＝1表示此时机组为开机状态，Zi0＝0表示机组为关机状态；
⑥最小停机时间约束：
式中：DTi和分别是机组i的最小停机时间和在初始时段已经停机的时间；
⑦弃风量约束：
式中：为由于功率平衡约束而产生的弃风电量，为由于下调备用容量不足而产生的弃风电量。
所述步骤1)中，所述风电功率的预测信息包括风电功率的确定性预测、区间预测和场景预测信息。
所述风电功率的场景预测信息的计算方法，包括以下步骤：首先根据风电场的实际输出功率与预测功率的历史数据，得到风电功率的预测误差的历史数据，并生成初始风电误差序列场景；其次，基于均值聚类方法的日变化维度场景优化方法，以小时为时段对所述初始风电误差序列场景进行聚类，生成能够反映该日各时段风电功率统计特性的代表场景集合；最后，基于禁忌搜索方法的小时变化维度场景优化方法，利用该日各时段的代表场景集合，分别选取各时段中的一个场景进行连接，形成风电功率预测误差序列，经多次迭代后剔除相近场景序列，得到最终的风电功率的场景预测值序列。
所述步骤2)中，得到最优日前发电计划的方法，包括以下步骤：2.1)制定若干包含采用不同类型风电功率预测信息的应用算例；2.2)将各应用算例作为输入变量，输入到日前发电计划优化模型中，计算得到各应用算例的运行指标结果；2.3)对得到的不同运行指标结果进行比较分析，根据能源基地系统实际所侧重的运行指标，确定最优的应用算例作为能源基地系统的最优日前发电计划。
一种适用于所述方法的能源基地系统日前发电计划制定系统，其特征在于：包括优化模型构建模块和优化模型计算模块；所述优化模型构建模块，用于根据预先获取的风电功率的预测信息，建立能源基地系统日前发电计划优化模型；所述优化模型计算模块，用于制定若干包含采用不同类型风电功率预测信息的应用算例，作为能源基地系统日前发电计划模型的输入变量，根据得到的能源基地系统的运行指标对比结果及所侧重的运行指标，确定能源基地系统的最优日前发电计划。
所述优化模型构建模块包括预测信息获取模块、目标函数构建模块和约束条件构建模块；所述预测信息获取模块用于计算风电功率的确定性预测、区间预测和场景预测信息；所述目标函数构建模块用于根据风电功率预测信息的不同类型构建目标函数；所述约束条件构建模块用于建立目标函数的相关约束函数；所述优化模型计算模块包括算例制定模块、优化模型计算模块以及运行指标对比模块；所述算例制定模块用于制定包含采用不同类型风电功率预测信息的应用算例；所述优化模型计算模块用于根据不同应用算例计算得到运行指标结果；所述运行指标对比结果用于对得到的不同运行指标结果进行比较分析，得到最优的应用算例作为最优日前发电计划。
本发明由于采取以上技术方案，其具有以下优点：1、本发明利用了风电功率的多种预测信息来建立日前发电计划优化模型，进而制定日前发电计划，考虑因素更加全面，而且能够根据实际的风电预测情况或所侧重指标的对比来进行选择使用。2、本发明建立的日前发电计划优化模型中考虑了直流调节成本，得到的日前发电计划更加符合工程实际。因而，本发明可以广泛应用于能源基地系统的日前发电计划制定中。3、本发明在对风电场的场景预测信息进行计算时，采用基于均值聚类方法的日变化维度场景分析方法和基于禁忌搜索方法的小时维度场景优化方法相结合，大大缩减了代表场景数，同时兼顾了缩减结果的准确性，实现了用少量的场景模拟风电功率的统计规律，为大规模风电并网背景下，电力系统的运行与规划提供重要基础信息。因而，本发明可以广泛应用于能源基地系统发电计划的制定中。
附图说明
图1为基于均值聚类方法的日变化维度场景优化流程图；
图2为基于禁忌搜索方法的小时变化维度场景优化流程图；
图3为风电功率预测值与实际值对比；
图4为某一功率区间预测误差拟合概率密度函数；
图5为风电功率的90％概率区间；
图6(a)～图6(c)为风电功率序列二维优化方法总体思路演示图；
图7为各时段最优代表场景；
图8为各时段最优场景对应的概率；
图9为原始场景与优化场景均值对比；
图10为原始场景与优化场景方差对比；
图11为适应度函数趋势曲线；
图12为各场景对应概率；
图13为小时变化维度优化后预测误差序列代表场景；
图14为直流调整前计划运行值与直流调整后计划运行值对比图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明首先利用PSO算法优化的BP神经网络算法(即PSO-BP算法)对风电功率进行确定性预测，在此基础上采用非参数回归模型对风电功率进行区间预测，采用场景分析的方法考虑风电出力的不确定性，并用基于日变化维度以及小时变化维度的二维场景优化方法对场景进行削减，保障优化后场景的丰富性以及最终结果的准确度。构建将风电预测信息及直流调节成本包含在内的日前发电计划模型，以此提升能源基地系统的风电消纳能力，为能源基地系统日前发电计划的制定提供建议。
本发明提供的一种能源基地系统日前发电计划制定方法，包括以下步骤：
1)获取风电功率的多种预测信息，包括风电功率的确定性预测、区间预测以及场景预测信息。
风电功率的多种预测信息的计算方法，包括以下步骤：
1.1)对能源基地系统的风电功率进行确定性预测，得到风电功率的确定性预测信息。
风电功率的确定性预测信息采用PSO-BP(粒子群优化反向传输)神经网络算法计算得到。PSO-BP神经网络算法是将粒子群算法与BP神经网络结合，即将粒子群算法用于BP神经网络的训练，优化BP神经网络中的连接权值和各项阈值，将训练好的神经网络用于风电功率的确定性预测。采用PSO-BP神经网络算法对风电进行确定性预测时，输入变量为风速、风向角的余弦值和正弦值，输出变量为风电功率。由于该算法为已有技术，本发明在此不再赘述。
1.2)采用非参数估计中的核密度估计方法对能源基地系统风电功率进行区间预测，得到风电功率的区间预测信息。
对风电功率进行区间预测的方法，包括以下步骤：
1.2.1)根据风电场预测功率的历史数据中预测值的大小进行区间划分，将预测功率划分为若干功率区间。
具体的操作方法为：对每一调度时段内风电功率预测值求均值，将全天96点风电功率点预测值转化为24点预测值，而后将其进行等间隔划分。假设风电功率预测值的最大值和最小值分别为Pmax和Pmin，功率区间长度为L，则得到划分的功率区间数目N为：
N＝(Pmax-Pmin)/L+1 (1)
第i个功率区间Zi为：
Zi＝[Pmin+(i-1)L,Pmin+iL]i＝1,2,L,N (2)
1.2.2)根据预设的样本点阈值对步骤1.2.1)中的功率区间进行归并划分，得到最终的功率区间后，建立各功率区间的风电功率预测误差分布模型。
若得到的功率区间中的样本点数目不满足预设的样本点阈值时，则将其与该功率区间相邻且样本点数目同样不满足样本点阈值的功率区间进行归并，直到归并后的新功率区间样本点数目满足样本点阈值为止。其中，样本点阈值是指理想化平均样本点数的一半，而理想化平均样本点数等于样本总数除以区间数。根据得到的新功率区间，建立各功率区间的风电功率预测误差分布模型。
1.2.3)基于建立的各功率区间的风电功率预测误差分布模型，采用非参数核密度估计方法计算各功率区间内预测误差样本的概率密度函数，得到其对应的误差概率密度曲线。
假设某一预测误差为e，则其概率密度函数为：
式中，N为样本总数，h为带宽系数，e为预测误差的随机变量，ei为第i个预测误差样本；K(u)为概率密度函数，当采用高斯核函数时，K(u)为：
1.2.4)对每个风电功率确定性预测值，分别判断其所属的功率区间，并查找该功率区间对应的误差概率密度曲线，折算得到功率概率密度曲线。
1.2.5)对每个风电功率确定性预测值，计算以设定的置信度水平包含该值的功率区间，选择区间长度最小的功率区间作为该预测值的置信区间，记录对应的置信区间上下界。
1.2.6)将所有预测值对应的置信区间的上界和下界进行差值拟合，得到以期望的概率包含所有预测值的区间曲线，进而得到风电功率的区间预测值。
1.3)利用场景分析方法对风电功率的不确定性进行建模，利用基于均值聚类方法的日变化维度场景优化方法以及基于禁忌搜索方法的小时维度场景优化方法对风电功率序列场景进行优化，得到风电功率的场景预测值。
采用二维场景优化方法对风电功率序列进行优化，得到风电功率的场景预测值的方法，包括以下步骤：
1.3.1)根据风电场的实际输出功率与预测功率的历史数据，得到风电功率的预测误差的历史数据，并生成初始风电误差序列场景。
1.3.2)基于均值聚类方法的日变化维度场景优化方法，以小时为时段对步骤1.3.1)中的初始风电误差序列场景进行聚类，生成能够反映该日各时段风电功率统计特性的代表场景集合。
如图1所示，基于均值聚类方法的日变化维度场景优化方法，对初始风电误差序列场景进行聚类时，包括以下步骤：
①确定每个时段保留场景数目Gs，在所有场景中随机选取Gs个场景作为核心，生成初始核心场景集合：
②确立剩余场景集合(s′＝1,2,L Ns-Gs)，并计算各剩余场景到核心场景的距离
③根据计算得到的距离ds,s′，将剩余场景分别归类至与其距离最近的核心场景，得到归类后的聚类集合Cluster＝{Ci}，i＝1,2,L Gs，在每个同类场景集合中选取与其他场景距离之和最小的场景作为新的核心；
④重复步骤②～③，直至核心不再变化，场景缩减结束，计算每个场景的概率为该场景所在聚类中所有场景的概率之和；
⑤得到的核心场景集合内的场景及其概率即为能够反映该日各时段风电功率统计特性的代表场景集合。
1.3.3)基于禁忌搜索方法的小时变化维度场景优化方法，利用步骤1.3.2)中形成的各时段的代表场景集合，分别选取各时段中的一个场景进行连接，形成风电功率预测误差序列，经多次迭代后剔除相近场景序列，得到最终的风电功率的场景预测值序列。
如图2所示，基于禁忌搜索方法的小时变化维度场景优化方法包括以下步骤：
①给定最优场景解Q的场景个数产生初始可行解Q0；
②将禁忌表置空，计算初始可行解Q0的适应度函数f0，迭代次数kiter＝0，设置终止条件ε；
③计算第kiter次迭代的当前解及其邻域解的适应度函数值；
④将当前解及其邻域解的适应度函数值进行比较，取最大值作为第kiter迭代最优解的适应度函数值，即其对应的解为最优解
⑤判断终止条件是否满足，也即是否满足，若满足，则停止搜索输出优化结果否则令迭代次数kiter＝kiter+1，并将除最优解外的所有解的所有场景加入禁忌表中，重复③～⑤直至满足终止条件后停止搜索；
⑥得到的最优解的所有场景，即为最终的风电功率的场景预测值序列。
2)根据获取的风电功率的多种预测信息，建立包含直流调节手段的能源基地系统日前发电计划优化模型。
建立的日前发电计划优化模型中，目标函数包括火电机组的发电成本、启动成本、停机成本、直流的调节成本和弃风成本。根据风电功率预测信息种类的不同，确定能源基地系统的日前发电计划优化模型的目标函数：
基于点预测信息时，目标函数为：
基于场景预测信息时，目标函数为：
式中：为火电机组的发电成本，为火电机组的启动成本，为火电机组的停机成本，为直流的调节成本，为弃风成本，角标i代表第i台火电机组，角标t代表第t时段，角标j代表第j场景，T为时段总数，N为火电机组总台数，S为场景总数，pj为场景j的概率。
约束条件包括功率平衡约束，备用容量约束，机组出力约束，机组爬坡速率约束，机组最小开机时间约束，机组最小停机时间约束和弃风量约束。具体介绍如下：
①功率平衡约束：
式中：pit是第i台机组在t时段的出力，为t时段的风电功率预测值，为由于功率平衡约束而产生的弃风电量，和为t时段直流功率的计划值及调整值。
②备用容量约束：
式中：upit和dnit分别为机组i在t时段的上旋转备用容量和下旋转备用容量，和分别为风电功率预测区间的上限和下限，rresup和rresdn为上调和下调备用容量比例，rui和rdi分别为发电机i的上下爬坡速率限制，pimax和pimin为发电机i的最大和最小出力，tr为系统要求的备用容量动作时间，α是区间预测备用系数，当优化模型采用风电区间预测信息时α＝1，否则α＝0；zit为机组i在t时段的状态变量，取值为0或1，zit为1时表示机组i在t时段开机运行；zit为0时表示机组i在t时段停机。
③机组出力约束：
④机组爬坡速率约束：
式中，pit是机组i在t时段的出力；pi(t-1)是机组i在t-1时段的出力；△t是时间间隔。上、下爬坡速率rui和rdi(下标i表示第i台机组)的单位一般为WM/min,所以△t为60。
⑤机组最小开机时间约束：
式中：UTi和分别是机组i的最小开机运行时间和初始时段已经开机运行的时间，Zi0是机组i在最初的时段的运行状态，Zi0＝1表示此时机组为开机状态，Zi0＝0表示机组为关机状态。
⑥最小停机时间约束：
式中：DTi和分别是机组i的最小停机时间和在初始时段已经停机的时间。
⑦弃风量约束：
式中：为由于功率平衡约束而产生的弃风电量，为由于下调备用容量不足而产生的弃风电量。
3)制定若干基于采用不同类型风电功率预测信息的应用算例，作为能源基地系统日前发电计划模型的输入变量，根据得到的能源基地系统的运行指标对比结果及所侧重的运行指标，确定能源基地系统的最优日前发电计划。
3.1)制定若干包含采用不同类型风电功率预测信息的应用算例；
3.2)将各应用算例作为输入变量，输入到日前发电计划优化模型中，计算得到各应用算例的运行指标结果；
3.3)对得到的不同运行指标结果进行比较分析，根据能源基地系统实际所侧重的运行指标，确定最优的应用算例作为能源基地系统的最优日前发电计划。
下面结合具体实施例，对本发明做进一步详细介绍。本发明采用德国某风电场过去一年(2015年6月1日到2016年5月30日)的相关数据进行计算，以验证本发明的有效性。
1)获取风电功率的多种预测信息，包括风电功率的确定性预测、区间预测以及场景预测信息。
1.1)利用PSO-BP神经网络算法对风电功率进行确定性预测，得到风电功率的确定性预测信息。
如图3所示，为风电功率预测值与实际值的对比图。本发明所采用的训练样本为该风电场过去一年的实测数据，从图3中可以看出，风电功率确定性预测值与实际值的平均相对误差MAE为14.19％，均方根误差为19.06％。可以看出，采用PSO-BP神经网络算法得到的风电功率的相对误差大部分落在-20％到+20％区间内。
1.2)利用非参数估计中的核密度估计方法对能源基地系统风电功率进行区间预测，得到风电功率的区间预测信息。
通过分析图3中风电场输出功率值与其真实值之间的误差可得知，在风电功率值差别较大的情况下，风电功率预测误差的波动情况也较大，为此我们可以按预测值的大小将风电功率预测误差划分到多个功率区间，依次独立建立不同预测功率区间的风电功率预测误差分布模型。
模型的训练数据采用2015年6月1日到2016年5月29日风电功率的预测值与真实值，共8736个风电数据样本，模型的测试数据采用2016年5月30日到5月31日的风电功率的预测值与真实值，共48个风电数据样本。
如图4、图5所示，分别为某一功率区间预测误差拟合概率密度函数以及5月30-31日风电功率的90％概率区间。从图中我们可以看出风电功率的预测的准确度并不时时让人信服，尤其在风电出力比较低的时候，风电功率预测相对误差很大，而在能源基地直流送出系统中，这种风电出力的极端情况并不少见，并且这种情况对系统的威胁很大，如果只采用单纯的风电功率点预测值来制定日前计划，将无法满足系统运行的需要。可见概率区间涵盖了绝大部分风电功率的变化信息，在描述风电功率点预测值的不确定性的方面，区间预测方法是可以相对准确的。
1.3)利用场景分析方法对风电的不确定性进行建模，利用基于均值聚类方法的日变化维度场景优化方法以及基于禁忌搜索方法的小时维度场景优化方法对风电功率序列场景进行优化。
如图6(a)～(c)所示，为生成反应风电功率随机性与波动性变化规律的二维优化方法基本思路。其中，图6(a)代表的是历史日风电功率序列的示意图，横坐标显示的是风电功率所在时段，纵轴显示的是其所在天数，圆圈表示的是该日该时段的风电功率值。首先要进行的是日变化维度的风电功率序列优化，在示意图中即从纵坐标方向进行优化，生成反应每一时段风电功率统计特性的代表场景。选定某一时段，如图6(a)中虚线框中的时段，选出几个能够代表该时段的场景，如图6(b)中显示每个时段生成了3个代表场景。接下来要进行的是小时变化维度的风电功率序列优化，在示意图中即从横坐标方向进行优化，利用上一步骤中形成的各时段的代表场景，从中选择出合适的场景，并将每个时段选择的场景进行连接，形成多个从时段1到时段T的序列，得到最终的风电功率序列场景，最后得到的结果如图6(c)所示。
如图7～图10所示，通过日变化维度场景优化算法，最终生成5个代表场景。图7和图8分别是日变化维度生成5个最优代表场景的风电功率预测误差及其对应的场景概率。图9和图10是日变化维度优化生成的各时段场景的平均值与方差的对比图。利用日变化维度场景优化生成的代表场景，与原始场景之间的统计特征差别并不是很大，在某种程度上，我们可以认为，优化生成的代表场景能够反映出原始场景的统计特征。
如图11～13所示，基于日变化优化算法维度场景生成的各时段的5个最优代表场景，分别产生50、120个和300个风电功率序列场景。图11为适应度函数的趋势变化图，从图中可以看出，随着迭代次数的增加，适应度函数的值不断增加，最终趋于稳定，即寻找到了最优的风电预测误差序列。图12为当生成120个场景序列时各场景所对应的概率取值，图13为选择了生成120个场景序列中的20个场景加以显示。
2)利用以上的多种风电预测信息，建立包含直流调节手段的能源基地系统日前发电计划模型。
3)设置多个算例，对能源基地系统的日前发电计划模型进行求解，根据运行指标对比结果及侧重指标，确定能源基地系统的最优日前发电计划。
为了验证本发明所提出方法的有效性，设计算例如下：
算例1：风电功率利用确定性预测值，备用容量为零；
算例2：风电功率利用确定性预测值，备用容量为相应时段直流功率的5％；
算例3：风电功率利用确定性预测值的80％，备用容量为零；
算例4：风电功率利用区间预测值，备用容量比例为零；
算例5：风电功率利用场景预测值，备用容量比例为零。
各算例场景下，能源基地系统的对比指标包括：
①常规机组运行成本：确定每一种算例场景下的机组组合决策后，包括调度周期内的火电机组发电成本和机组组合决策中的机组启动成本。
②系统切风电量：计算周期内，在实际风电机组出力的情况下，由基于风电功率预测值的各算例场景机组组合决策造成的系统切风量。
③系统产生弃风的时段数：计算周期内，在实际风电机组出力的情况下，由机组组合决策结果造成的系统弃风的时段数量。
④系统产生直流调节的时段数：计算周期内直流参与风电的消纳产生调节量的时段数量。
⑤系统总运行成本：包括常规机组运行成本、弃风成本和直流调节成本在内的系统总运行成本。
表1是不同算例场景，在得到每一种算例场景的机组组合决策后，基于风电真实的出力情况，不同运行指标的对比情况。算例4由于采用了风电预测概率区间，弃风量比前三个场景都要少，与之同时带来的是直流调节时段数的增加。算例5中采用风电场景预测信息，系统的运行成本较算例1、2和4显著提高，原因是风电场景中包含了一些极端的风电出力情况，与真实的风电出力情况相差较大，造成系统运行成本的提升，但弃风量却是所有算例中最少的，且对直流的利用程度也最高。在对风电预测信息的利用中，区间预测与场景分析方法对系统运行成本，弃风情况及直流的利用程度贡献各有不同，但与常规风电确定性预测信息相比各种性能均有所提升。
表1各个算例的运行指标对比
如图14所示，为某天直流调整前计划运行值与调整后计划运行值的对比情况。从图中可以看出，时段14和时段15风电功率出现波峰，而此时调整前直流计划值不能适应这种变化，常规火电机组此时由于自身运行因素的限制，无法调整至合适的功率值。调整后的直流计划值可以很好的满足这种风电的波动，避免大量弃风。而在时段8到时段11风电功率出现波谷，相应的直流功率计划值也随之调低，避免因为火电出力已达上限，送端系统出现大量功率缺额。而在时段18到时段20虽然风电的功率也出现波谷，但由于该时段内直流计划运行功率较低，即已经为火电机组提供了足够可以调节的裕度，所以该时段内直流并没有进行调节，由此可以看出模型既在火电无法独自平衡风电的波动情况下采用直流调节手段进行调节，也避免了直流在不必要情况下的频繁调节。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。