本发明涉及大电网备用优化技术领域，具体涉及一种考虑风险成本的大电网自适应鲁棒备用优化方法。
背景技术：
随着化石能源资源短缺、温室效应、环境污染等问题日益严峻，新能源发电技术由于其具有可再生能力强、发电清洁无污染等特性而得到快速发展，目前我国的新能源装机容量超过1.6亿千瓦，已位居世界前列。然而，由于新能源往往具有不确定性和随机性，其大规模的接入将给传统大电网备用策略产生较大影响。
传统的大电网备用策略主要以系统最大单机容量或最大负荷的某一固定比例作为旋转备用容量以安排调度计划。但随着新能源并网比例的不断增加，传统主观的备用配置方法容易造成不用容量过多或者不足情况。预留足够充裕的旋转备用容量有利于应对新能源的随机波动和减少电网的运行风险，但预留过多的旋转备用往往不利于机组的高效经济运行，加重系统机组的发电负担，容易造成发电资源的浪费。
同时，目前考虑新能源接入电力系统的备用方法主要从新能源-火电两种电源的简单系统考虑备用容量配置问题，但大电网在实际运行中往往存在多种类型发电机组(如光、风、水、火、燃气、抽水蓄能等)，且不同类型电源机组的备用特性均有所不同，目前备用方法无法考虑多类型发电机组的不同发电备用特性及多类型发电机组相互协同的互补备用优化，并且目前求解备用优化模型的方法均存在海量计算而导致计算效率低下等问题。
技术实现要素：
本发明的目的是为了解决现有技术中的上述缺陷，提供一种考虑风险成本的大电网自适应鲁棒备用优化方法。
本发明的目的在于克服现有含新能源系统备用确定方法的主观性过强和无法考虑多种类型发电机组互补备用的不足，首先通过以多面体不确定集刻画新能源发电出力不确定性，构建了计及新能源发电出力误差概率的期望弃风和期望切负荷模型，并综合考虑新能源、火电、水电等多种类型发电机组运行特性，以发电效益与潜在期望风险为备用目标，提出了一种考虑新能源不确定性的新能源-火-水-气-核-抽水蓄能多类发电机组协同调度的鲁棒备用优化方法，并提出一种双层优化算法求解所构建的模型，可以自适应地权衡发电备用策略的经济性和鲁棒性，提高大电网的智能化水平和总体经济效益。
本发明的目的可以通过采取如下技术方案达到：
一种考虑风险成本的大电网自适应鲁棒备用优化方法，所述的优化方法包括下列步骤：
s1、将新能源出力的各种可能出现情况事先置于一个有界的集合内，并定义该集合为新能源不确定集，并定义新能源多面体不确定集为：
式中：pw(t)为新能源机组w在时段t的不确定功率，
s2、
s3、定义旋转备用策略的期望风险成本为期望弃新能源成本与期望切负荷成本之和，其中，所述的期望弃新能源成本为由于新能源不确定功率大于可消纳的新能源不确定集上限值而采取弃新能源等措施所产生成本的期望值，表达为：
式中，ρwc为采取弃新能源等措施的成本系数；
所述的期望切负荷成本为由于新能源不确定功率小于可消纳的新能源不确定集下限值而采取切负荷等措施所产生成本的期望值，表达为：
式中，ρls为采取切负荷等措施的成本系数；
s4、在可消纳的新能源不确定集上下限给定的情况下，将旋转备用策略所对应的期望风险成本f1表示为：
f1＝fwc+fls；
s5、考虑新能源-火-水-气-核-抽水蓄能等机组的发电特性和系统运行约束，计及旋转备用的潜在风险，寻找最优的新能源不确定度以客观合理地权衡备用的效益和风险，即在该不确定度下旋转备用策略的综合成本达到最优，其中，综合成本为期望风险成本f1与备用发电成本f2之和，
minf＝f1+f2，
sn(t)＝kn(in(t)(1-in(t-1))+in(t-1)(1-in(t)))，
sg(t)＝kg(ig(t)(1-ig(t-1))+ig(t-1)(1-ig(t)))，
fm(t)＝ampm(t)+im(t)bm+sm(t)，
fr(t)＝sgen,r(t)+spump,r(t)，
fd(t)＝adpd(t)+bd，
式中：fn(t)、fg(t)、fd(t)、fm(t)、fr(t)分别为时段t内火电电源机组n、燃气电源机组g、核电机组d、水电电源机组m、抽水蓄能机组r的发电运行成本，n、g、d、m、r分别为火电、燃气、核电、水电及抽水蓄能机组数，t为调度周期，pn(t)和pm(t)为火电电源机组n、水电电源机组m在时段t的发电出力，in(t)和ig(t)为火电电源机组n、燃气电源机组g在时段t的启动决策变量，若其取值为1，此时对应启动状态，否则若其取值为0，则对应停机状态；an/ag、bn/bg、cn/cg为火电电源机组n、燃气电源机组g的煤耗成本特性系数，kn/kg为火电电源机组n、燃气电源机组g的启停成本系数，包括由于启停计划而增加的煤耗、对汽轮机转子寿命的损耗成本，am/bm为水电电源机组的发电成本特性系数，sm(t)为水电电源机组的启停成本函数，表征由于机组启停所引起的水量损失、机组设备机械损耗的成本，抽水蓄能机组成本为不同运行工况转换而产生的运行成本，包括发电工况下发电机的启动成本sgen,r(t)和抽水工况下电动机的启动成本spump,r(t)，核电发电成本包括核燃料成本和核电站维护成本，表示为发电出力的线性函数，ad、bd分别为核电机组核燃料耗量特性系数和维护成本系数，pd(t)为核电机组d在时段t的发电出力；
s6、定义多类型电源机组旋转备用模型的约束条件，包括火电电源机组、燃气电源机组、核电电源机组、水电电源机组、抽水蓄能电源机组的运行特性约束，以及系统运行的约束限制；
s7、为了应对新能源波动性对系统的影响，需满足新能源不确定集场景下的旋转备用需求，即预留的新能源旋转备用容量不小于新能源的总波动量，因此可控机组所提供的总备用容量应满足负荷备用需求与新能源备用需求之和，即：
ru(t)≥rl(t)+rw(t)
rd(t)≥rl(t)+rw(t)
式中，rl(t)为系统负荷的备用需求容量，由电力工业标准确定；rw(t)为系统新能源的备用需求容量，用于对应新能源的随机波动，即其取值应不小于新能源的总波动量；
s8、采用自适应遗传算法与分枝切割算法相结合的双层混合优化算法以解耦协调求解所构建的minlp模型，首先将上述模型分解为机组旋转备用优化和期望风险成本评估，其中，机组旋转备用优化表示为：
需要满足的约束：
1)火电电源机组约束，2)水电电源机组约束，3)燃气电源机组约束，4)核电机组约束，5)抽水蓄能机组约束，6)系统运行约束；
以及备用需求约束：
ru(t)≥rl(t)+rw(t)
rd(t)≥rl(t)+rw(t)
期望风险成本计算方法表示为：
s9、将旋转备用优化模型的燃料成本二次函数通过分段逼近方法线性化，机组的启停成本函数sn(t)＝kn(in(t)(1-in(t-1))+in(t-1)(1-in(t)))通过松弛约束方法转化为线性形式：
sn＝s1n+s2n
式中，s1n、s2n为引入的新松弛变量，当机组由停机状态启动时，in(t-1)＝0且in(t)＝1，由于目标为最小化成本，因此使得s1n＝kn且s2n＝0；同理，当机组由启动运行状态转为停机时，in(t-1)＝1且in(t)＝0，同理为使目标成本最小化，故有s1n＝0且s2n＝kn，此外，水电电源机组的启停成本函数sm(t)与抽水蓄能机组的启动成本函数sgen,r(t)、spump,r(t)亦同理线性松弛化，通过上述的线性逼近和非线性约束松弛方法，机组旋转备用模型转化为线性混合整数规划问题；
s10、提出自适应遗传算法与分枝切割算法相结合的双层混合优化算法以解耦协调求解所构建的minlp模型：内层为在给定风电不确定集与不确定度下的旋转备用优化模型，属于线性混合整数规划问题，通过cplex求解器中的分枝切割算法有效求解，外层为非线性期望风险成本评估及不确定度寻优模型，将不确定集上限和下限作为遗传算法的染色体，并根据每个染色体的备用综合成本f计算相应的适应度y(f)＝m-f，其中m为足够大的数即可，并通过自适应遗传算法调整不确定度的寻优方向，其中遗传算法交叉概率pc和变异概率pm的自适应调节方式如下：
式中：ymax/yavg分别为种群的最大适应度与平均适应度；y'为要交叉的两个个体中较大的适应度；y为变异个体的适应度；pcmax/pcmin分别为交叉概率的最大值/最小值；pmmax/pmmin分别为变异概率的最大值/最小值。本专利的自适应遗传算法群体规模为20，遗传代数为40，允许误差ε＝10-3，pcmax/pcmin＝0.85/0.55，pmmax/pmmin＝0.1/0.001。
进一步地，所述的火电电源机组的约束如下：火电电源机组在运行过程中受技术出力区间、爬坡滑坡率、开停机时间的约束，电源机组技术出力区间约束：
式中：
火电电源机组出力调整速率具有连续性，即在相邻时段内技术出力的调整量在一定范围内，满足爬坡滑坡率约束：
式中，
火电电源机组过于频繁的启停容易引起金属材料的机械损伤，影响其运行性能，需要满足最小启动时间约束和最小停机时间约束：
式中，
定义火电电源机组的旋转备用定义为t0时间内机组的可上下调容量，设
进一步地，所述的水电电源机组的约束如下：水电电源机组在运行过程中受技术出力区间、爬坡滑坡率、水能电能转换、水库容量的约束，电源机组技术出力区间约束：
式中，pm(t)为水电电源机组m在时段t的发电出力，
水电电源机组出力调整的爬坡滑坡率约束：
式中，
水电电源机组的水能电能转化约束：
pm(t)＝gηmqm(t)hm(t)
式中，g为重力加速度常数，取值为0.0098km/s2，ηm为水电电源机组m的水能电能转换效率，qm(t)为水电电源机组m在时段t的发电耗水量，hm(t)为水电电源机组m的水库在时段t的水头高度，
另外，由于库容限制等因素，水电电源机组受最大发电容量约束：
式中，
定义水电电源机组的旋转备用定义为t0时间内机组的可上下调容量，设
进一步地，所述的燃气电源机组的约束如下：燃气电源机组在运行中受技术出力区间、爬坡滑坡率、开停机时间、日发电量的约束，机组技术出力区间约束：
式中：
燃气电源机组出力调整的爬坡滑坡率约束：
式中，
燃气电源机组同理需要满足最小启动时间约束和最小停机时间约束：
式中，
进一步地，所述的核电电源机组的约束如下：核电电源机组在运行中受运行方式互斥、最小满功率/低功率运行时间的约束：
机组有满功率和低功率两种可选方式运行，需满足机组运行方式互斥约束：
irated,d(t)+ireduced,d(t)＝1,
irated,d(t),ireduced,d(t)∈{0,1}
式中，irated,d(t)、ireduced,d(t)分别为核电机组d在时段t的满功率状态、低功率状态决策变量，其取值为0或1，该约束保证核电机组不能同时运行在满功率状态与低功率状态，且irated,d(t)与ireduced,d(t)不能同时为0。
核电机组d在时段t的功率可表示为：
式中，
核电机组应满足最小满功率/低功率运行时间约束：
式中，trated,d为核电机组d的最小满功率运行时间；treduced,d为核电机组d的最小低功率运行时间。
进一步地，所述的抽水蓄能机组的约束如下：抽水蓄能机组在运行中受运行状态互斥、技术出力区间、蓄能库容、抽水-发电平衡的约束：
抽水蓄能机组主要有两种典型的运行工况：抽水和发电。在任意调度时段，机组只能以一种状态(抽水、发电和停机)运行。抽水蓄能机组需要满足运行状态互斥约束：
igen,r(t)+ipump,r(t)≤1,
igen,r(t),ipump,r(t)∈{0,1}
式中，igen,r(t)/ipump,r(t)分别为抽水蓄能机组r在时段t的发电/抽水状态，当igen,r(t)或ipump,r(t)取值为1时，抽水蓄能机组处于发电或抽水工况，否则，抽水蓄能机组处于停机状态；
在发电工况下，抽水蓄能模型可以用虚拟发电机描述，其出力约束与水电机组相似，满足出力区间约束：
式中，
在抽水工况下，抽水蓄能模型可以用虚拟电动机描述，由于水泵水轮机在抽水状态下，其导叶固定在最优开度处，从系统吸收的有功功率一般为额定值，故虚拟电动机的抽水功率基本维持不变，因此，综合考虑发电工况和抽水工况，机组功率可用如下统一形式表示：
pr(t)＝pgen,r(t)-ipump,r(t)ppump,r
式中，ppump,r为抽水蓄能机组r在虚拟电动机状态下的抽水功率。
抽水蓄能机组在发电工况下，功率调节迅速，且能快速地转换工况提供可靠向上备用，其约束可表示为：
由于抽水蓄能机组在抽水状态下，其抽水功率为恒定值，难以提供向下备用，因此：
由于抽水蓄能机组可以快速、频繁地调整出力，一般不考虑爬坡滑坡率约束和最小启停时间约束，但其受蓄能库容约束限制：
qr(t)＝qr(t-1)+ηpump,ripump,r(t)ppump,rδt-ηgen,rpgen,r(t)δt
式中，qr(t)为抽水蓄能机组r在时段t的水库剩余容量；ηpump,r/ηgen,r分别为机组r在抽水/发电状态下的水量电量转换系数。
需满足调度时段内的抽水-发电平衡约束：
式中，δt为调度时段间隔，取值1h。
本发明相对于现有技术具有如下的优点及效果：
1、本发明提出的方法可以合理地权衡备用策略的风险成本和发电成本，摆脱人为主观决策的影响，自适应地寻找最优新能源不确定度和调整每个时段的备用策略，实现综合效益最优化，提高了大电网调度智能化水平，避免因人为因素而导致不必要的损失。
2、之前的研究方案都是针对简单系统(如新能源-火电系统，新能源-水电系统)的机组备用，没有涉及多种类型发电机组并网下的协同备用方法，而实际大电网系统存在多种类型的发电机组，如新能源、火电、水电、气电、核电、抽水蓄能等机组，并且各类型发电机组的运行特性均有所不同，本发明可以综合考虑多种类型发电机组的各自出力特性，提供一种多种发电机组协同调度的备用方法，可充分发挥各类型发电资源的发电特性进行综合互补运行，实现多类型电源间的协同备用优化。
3、之前的研究方案都是通过概率抽样方法或者多场景的方法研究新能源并网的不确定性备用，为了获取准确可靠的方法，需要抽取海量的场景进行计算，本发明通过定义新能源不确定集合的方法，从不确定度的角度刻画新能源出力不确定性，并且可以通过本发明所提的双层优化算法求解，而无需抽取海量的场景计算，大大减少计算时间。
附图说明
图1是本发明中求解多类型发电机组协同备用模型的双层优化算法流程图；
图2是实施例中的负荷曲线和风电功率曲线图；
图3是实施例中各类型机组的出力情况图；
图4是实施例中各类型电源提供的向上旋转备用容量图
图5是实施例中三种备用方法(最大单机法、固定比例法与本发明所提方法)的旋转备用容量对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
下面对本实施例公开的考虑风险成本的大电网自适应鲁棒备用优化方法进行具体说明：
一、假定测试条件
以我国某地区电网为例分析，该区域电网包含5个风电场、9台火电电源机组、4个燃气电厂、3个水电厂、2台核电机组、3台抽水蓄能机组等六种电源类型机组，机组运行参数如下表1所示。
表1.机组参数
其中，风电机组的最大技术出力为其装机容量，火电电源机组、燃气厂以及水电厂均包括3种型号机组/电厂，火电电源机组最小开停机时间为12h，燃气电源机组最小开停机时间为6h，核电机组满功率出力为650mw，低功率出力为390mw，最小满功率运行时间为15h，最小低功率运行时间为7h，t0取10min。通过统计各类用户断电损失函数和各类用户负荷率，电网的切负荷成本系数为49.63元/kwh，单位弃风成本系数为0.7元/kwh。
根据该系统某典型日负荷和风速预测信息，日负荷需求曲线、风电功率曲线如图2所示。
二、模型的建立与求解
s1、将新能源出力的各种可能出现情况事先置于一个有界的集合内，并定义该集合为新能源不确定集，并定义新能源多面体不确定集为
式中：pw(t)为新能源机组w在时段t的不确定功率，
s2、
s3、定义旋转备用策略的期望风险成本为：由于新能源随机波动超过备用策略所能消纳的新能源不确定集上下限而可能造成的潜在损失期望值，主要包括期望弃新能源成本和期望切负荷成本。其中，期望弃新能源成本为由于新能源不确定功率大于可消纳的新能源不确定集上限值而采取弃新能源等措施所产生成本的期望值fwc，可表达为：
式中，ρwc为采取弃新能源等措施的成本系数；
期望切负荷成本为由于新能源不确定功率小于可消纳的新能源不确定集下限值而采取切负荷等措施所产生成本的期望值，可表达为：
式中，ρls为采取切负荷等措施的成本系数；
s4、在可消纳的新能源不确定集上下限给定的情况下，旋转备用策略所对应的期望风险成本f1可表示为：
f1＝fwc+fls
s5、本专利综合考虑新能源-火-水-气-核-抽水蓄能等机组的发电特性和系统运行约束，计及旋转备用的潜在风险，寻找最优的新能源不确定度以客观合理地权衡备用的效益和风险，即在该不确定度下旋转备用策略的综合成本(期望风险成本f1与备用发电成本f2之和)达到最优，
minf＝f1+f2
sn(t)＝kn(in(t)(1-in(t-1))+in(t-1)(1-in(t)))
sg(t)＝kg(ig(t)(1-ig(t-1))+ig(t-1)(1-ig(t)))
fm(t)＝ampm(t)+im(t)bm+sm(t)
fr(t)＝sgen,r(t)+spump,r(t)
fd(t)＝adpd(t)+bd
式中：fn(t)、fg(t)、fd(t)、fm(t)、fr(t)分别为时段t内火电电源机组n、燃气电源机组g、核电机组d、水电电源机组m、抽水蓄能机组r的发电运行成本；n、g、d、m、r分别为火电、燃气、核电、水电及抽水蓄能机组数；t为调度周期；pn(t)/pm(t)为火电电源机组n、水电电源机组m在时段t的发电出力；in(t)/ig(t)为火电电源机组n、燃气电源机组g在时段t的启动决策变量，若其取值为1，此时对应启动状态，否则若其取值为0，则对应停机状态；an/ag、bn/bg、cn/cg为火电电源机组n、燃气电源机组g的煤耗成本特性系数；kn/kg为火电电源机组n、燃气电源机组g的启停成本系数，主要包括由于启停计划而增加的煤耗、对汽轮机转子寿命的损耗等成本。am/bm为水电电源机组的发电成本特性系数；sm(t)为水电电源机组的启停成本函数，表征由于机组启停所引起的水量损失、机组设备机械损耗等成本。抽水蓄能机组成本主要为不同运行工况转换而产生的运行成本，包括发电工况下发电机的启动成本sgen,r(t)和抽水工况下电动机的启动成本spump,r(t)。核电发电成本主要包括核燃料成本和核电站维护成本，可以表示为发电出力的线性函数，ad、bd分别为核电机组核燃料耗量特性系数和维护成本系数；pd(t)为核电机组d在时段t的发电出力。
s6、多类型电源机组旋转备用模型的约束条件包括火电、燃气、核电、水电、抽水蓄能等各类型电源机组的运行特性约束，以及系统运行的约束限制，具体如下：
1)火电电源机组约束：火电电源机组在运行过程中主要受技术出力区间、爬坡滑坡率、开停机时间等约束，机组技术出力区间约束：
式中：
火电电源机组出力调整速率具有连续性，即在相邻时段内技术出力的调整量在一定范围内，满足爬坡滑坡率约束：
式中，
火电电源机组过于频繁的启停容易引起金属材料的机械损伤，影响其运行性能，需要满足最小启动时间约束和最小停机时间约束：
式中，
定义火电电源机组的旋转备用定义为t0时间内机组的可上下调容量，设
2)水电电源机组约束：水电电源机组在运行过程中主要受技术出力区间、爬坡滑坡率、水能电能转换、水库容量等约束，机组技术出力区间约束：
式中，pm(t)为水电电源机组m在时段t的发电出力；
水电电源机组出力调整的爬坡滑坡率约束：
式中，
水电电源机组的水能电能转化约束：
pm(t)＝gηmqm(t)hm(t)
式中，g为重力加速度常数，近似为0.0098km/s2；ηm为水电电源机组m的水能电能转换效率；qm(t)为水电电源机组m在时段t的发电耗水量；hm(t)为水电电源机组m的水库在时段t的水头高度。
另外，由于库容限制等因素，水电电源机组受最大发电容量约束：
式中，
定义水电电源机组的旋转备用定义为t0时间内机组的可上下调容量，设
3)燃气电源机组约束：燃气电源机组在运行中主要受技术出力区间、爬坡滑坡率、开停机时间、日发电量等约束，机组技术出力区间约束：
燃气电源机组出力调整的爬坡滑坡率约束：
式中，
燃气电源机组同理需要满足最小启动时间约束和最小停机时间约束：
式中，
除此之外，对于天然气供给紧缺的燃气电厂，还需考虑天然气的每日供应量，并计及天然气库容量等因素，共同确定机组允许的最大日发电量，需要满足日发电量约束：
式中，
定义燃气电源机组的旋转备用定义为t0时间内机组的可上下调容量，设
4)核电机组约束：核电机组有2种运行模式，a模式和g模式。a模式运行特性为机组带基荷，反应堆维持满功率状态运行，在g模式下，机组有满功率和低功率两种可选方式运行，需满足机组运行方式互斥约束：
irated,d(t)+ireduced,d(t)＝1,
irated,d(t),ireduced,d(t)∈{0,1}
式中，irated,d(t)、ireduced,d(t)分别为核电机组d在时段t的满功率状态、低功率状态决策变量，其取值为0或1，该约束保证核电机组不能同时运行在满功率状态与低功率状态，且irated,d(t)与ireduced,d(t)不能同时为0。
核电机组d在时段t的功率可表示为：
式中，
核电机组应满足最小满功率/低功率运行时间约束：
式中，trated,d为核电机组d的最小满功率运行时间；treduced,d为核电机组d的最小低功率运行时间。
5)抽水蓄能机组约束：抽水蓄能机组主要有两种典型的运行工况：抽水和发电。在任意调度时段，机组只能以一种状态(抽水、发电和停机)运行。抽水蓄能机组需要满足运行状态互斥约束：
igen,r(t)+ipump,r(t)≤1,
igen,r(t),ipump,r(t)∈{0,1}
式中，igen,r(t)/ipump,r(t)分别为抽水蓄能机组r在时段t的发电/抽水状态，当igen,r(t)或ipump,r(t)取值为1时，抽水蓄能机组处于发电或抽水工况，否则，抽水蓄能机组处于停机状态。
在发电工况下，抽水蓄能模型可以用虚拟发电机描述，其出力约束与水电电源机组相似，满足出力区间约束：
式中，
在抽水工况下，抽水蓄能模型可以用虚拟电动机描述，由于水泵水轮机在抽水状态下，其导叶固定在最优开度处，从系统吸收的有功功率一般为额定值，故虚拟电动机的抽水功率基本维持不变，因此，综合考虑发电工况和抽水工况，机组功率可用如下统一形式表示：
pr(t)＝pgen,r(t)-ipump,r(t)ppump,r
式中，ppump,r为抽水蓄能机组r在虚拟电动机状态下的抽水功率。
抽水蓄能机组在发电工况下，功率调节迅速，且能快速地转换工况提供可靠向上备用，其约束可表示为：
由于抽水蓄能机组在抽水状态下，其抽水功率为恒定值，难以提供向下备用，因此：
由于抽水蓄能机组可以快速、频繁地调整出力，一般不考虑爬坡滑坡率约束和最小启停时间约束，但其受蓄能库容约束限制：
qr(t)＝qr(t-1)+ηpump,ripump,r(t)ppump,rδt-ηgen,rpgen,r(t)δt
式中，qr(t)为抽水蓄能机组r在时段t的水库剩余容量；ηpump,r/ηgen,r分别为机组r在抽水/发电状态下的水量电量转换系数。
对于日调节抽水蓄能机组，还应满足调度时段内的抽水-发电平衡约束：
6)系统运行约束：系统运行约束主要包括系统功率平衡、系统预留的向上/向下旋转备用、线路传输潮流等约束；
s7、为了应对新能源波动性对系统的影响，需满足新能源不确定集场景下的旋转备用需求，即预留的新能源旋转备用容量不小于新能源的总波动量，因此可控机组所提供的总备用容量应满足负荷备用需求与新能源备用需求之和，即：
ru(t)≥rl(t)+rw(t)
rd(t)≥rl(t)+rw(t)
式中，rl(t)为系统负荷的备用需求容量，可以由电力工业标准确定；rw(t)为系统新能源的备用需求容量，主要用于对应新能源的随机波动，即其取值应不小于新能源的总波动量；
s8、本专利所构建的备用优化模型在数学上是一个内嵌变量积分的混合整数非线性规划(minlp)问题，对于该类问题目前尚未存在可以直接有效求解的通用算法。为了求解该模型，本专利提出了一种自适应遗传算法与分枝切割算法相结合的双层混合优化算法以解耦协调求解所构建的minlp模型，首先将上述模型分解为机组旋转备用优化和期望风险成本评估两部分，其中，机组旋转备用优化可以表示为：
需要满足的约束：
1)火电电源机组约束；2)水电电源机组约束；3)燃气电源机组约束；4)核电机组约束；5)抽水蓄能机组约束；6)系统运行约束；以及备用需求约束：
ru(t)≥rl(t)+rw(t)
rd(t)≥rl(t)+rw(t)
期望风险成本计算方法可表示为：
s9、旋转备用优化模型的燃料成本二次函数可以通过分段逼近方法线性化，机组的启停成本函数
(以sn(t)＝kn(in(t)(1-in(t-1))+in(t-1)(1-in(t)))为例)可以通过松弛约束方法转化为线性形式：
sn＝s1n+s2n
式中，s1n、s2n为引入的新松弛变量。当机组由停机状态启动时，in(t-1)＝0且in(t)＝1，由于目标为最小化成本，因此使得s1n＝kn且s2n＝0；同理，当机组由启动运行状态转为停机时，in(t-1)＝1且in(t)＝0，同理为使目标成本最小化，故有s1n＝0且s2n＝kn。此外，水电电源机组的启停成本函数sm(t)与抽水蓄能机组的启动成本函数sgen,r(t)、spump,r(t)亦可同理线性松弛化，在此不再赘述。
通过上述的线性逼近和非线性约束松弛方法，机组旋转备用模型可以转化为线性混合整数规划问题；
s10、本实施例提出了一种自适应遗传算法与分枝切割算法相结合的双层混合优化算法以解耦协调求解所构建的minlp模型：内层为在给定风电不确定集与不确定度下的旋转备用优化模型，属于线性混合整数规划问题，通过cplex求解器中的分枝切割算法有效求解，外层为非线性期望风险成本评估及不确定度寻优模型，将不确定集上限和下限作为遗传算法的染色体，并根据每个染色体的备用综合成本f计算相应的适应度y(f)＝m-f，其中m为足够大的数即可，并通过自适应遗传算法调整不确定度的寻优方向，其中遗传算法交叉概率pc和变异概率pm的自适应调节方式如下：
式中：ymax/yavg分别为种群的最大适应度与平均适应度；y'为要交叉的两个个体中较大的适应度；y为变异个体的适应度；pcmax/pcmin分别为交叉概率的最大值/最小值；pmmax/pmmin分别为变异概率的最大值/最小值。本专利的自适应遗传算法群体规模为20，遗传代数为40，允许误差ε＝10-3，pcmax/pcmin＝0.85/0.55，pmmax/pmmin＝0.1/0.001。
经典的遗传算法一般通过设置最大遗传代数作为求解的终止判据，但仅以遗传代数作为终止判据，则可能出现最优解在较小的遗传代数已出现而浪费后续计算时间的情况。因此，文中结合最大遗传代数以及相邻x次迭代的最优个体综合成本之差小于可允许误差值ε两个终止判据，并作为搜索终止条件。
通过优化后的各个发电机组出力结果如图3所示，从图3可以看出：
1)核电机组始终保持满功率发电，承担部分基荷，不提供系统备用。
2)火电电源机组出力曲线平缓，发电效率高，与核电机组共同承担绝大部分的基荷，可提供部分旋转备用容量；
3)气电机组调节出力响应速率快，爬坡性能好，常用作调峰机组，在净负荷较低时出力，主要应对风电出力较大波动。
4)水电电源机组作为主要的调峰机组，可频繁调节机组出力应对负荷及风电出力的随机性，保证系统的功率平衡。
5)抽水蓄能机组在负荷高峰时看作是虚拟发电机，机组发电运行；低谷时作为虚拟电动机，运行在抽水状态，从而减小了负荷峰谷差，起到了削峰填谷的作用。
通过对上述各类型机组出力的分析可知，含多类型能源的电力系统的联合调度备用可结合各类型能源的优劣势进行综合互补运行，削减了新能源波动对电网的影响，提高了电网的备用水平，易于优化配置系统的旋转备用容量。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。