一种基于柔性负荷的光伏电力系统优化调度方法及系统与流程

本发明涉及电力系统优化调度领域，特别是涉及一种基于柔性负荷的光伏电力系统优化调度方法及系统。

背景技术：

光伏发电已成为最具发展潜力的新能源发电方式之一，但由于日照的昼夜周期性、环境、气象条件的影响，使其具有较大的间歇性和随机性，对于大电网来讲，光伏发电系统是一种典型的不可控源，其输出功率的不确定性将给大电网带来极大冲击。因此，为满足电力系统安全、经济运行以及供电质量要求，对光伏发电的电力系统进行优化调度的必要性不言而喻。

技术实现要素：

本发明的目的是提供一种基于柔性负荷的光伏电力系统优化调度方法及系统，能够为光伏电力系统进行良好的调度。

为实现上述目的，本发明提供了如下方案：

一种基于柔性负荷的光伏电力系统优化调度方法，包括：

获取基于柔性负荷的光伏电力系统优化调度模型，所述调度模型以运行成本、碳排放惩罚成本和失负荷风险成本最小为目标函数；

根据所述光伏电力系统优化调度模型中的光伏出力，确定光伏输出功率约束条件；

根据柔性负荷的响应特性，确定随机模糊约束条件；

根据所述光伏输出功率约束条件和所述随机模糊约束条件，采用改进细菌群体趋药性优化算法确定所述光伏电力系统优化调度模型的解；

根据所述光伏电力系统优化调度模型的解对所述光伏电力系统进行调度。

可选的，所述获取基于柔性负荷的光伏电力系统优化调度模型，具体包括：

获取基于柔性负荷的光伏电力系统优化调度模型：

其中，c′02为运行成本最小时对应的碳排放成本，c′03为运行成本最小时对应的风险成本；c′01为碳排放成本最小时对应的运行成本，c″03为碳排放成本最小时对应的风险成本；c″01为风险成本最小时对应的运行成本，c″02为风险成本最小时对应的碳排放成本；f1为运行成本，f2为碳排放惩罚成本，f3为失负荷风险成本，δ0i为fi允许的最大延伸值，其中i＝1,2,3；ρ为隶属函数。

可选的，所述根据所述光伏电力系统优化调度模型中的光伏出力，确定光伏输出功率约束条件，具体包括：

根据所述光伏电力系统优化调度模型中的光伏出力，建立预测光伏出力模型：

其中，pstc为stc标准测试条件下(入射幅值1kw/m²，周围温度25℃)的光伏出力；η为光伏电池传输效率；sa为光伏电池面积；gt为当前太阳辐照度；gstc为stc下的太阳辐照度；ι为功率温度系数；tc为当前电池温度；tstc为参考温度，取值为25℃；

根据所述预测光伏出力模型，确定光伏输出功率；

根据所述光伏输出功率，得到光伏输出功率约束条件。

可选的，所述根据柔性负荷的响应特性，确定随机模糊约束条件，具体包括：

根据柔性负荷的响应特性，确定随机模糊约束条件，所述随机模糊约束条件包括功率平衡约束条件，常规机组处理约束条件，可中断负荷的限制指用户在中断负荷时的可中断负荷的功率上、下限，激励负荷的限制指用户在增加负荷时的激励负荷的上、下限和旋转备用约束条件；

所述功率平衡约束条件为常规机组和光伏系统的出力需与柔性负荷参与调度后的总负荷量实施平衡：

其中，ng为常规机组数量；nil为可中断负荷用户数量；nh为激励负荷用户数量；为可中断负荷用户的运行状态，其中uil,jt＝0代表不中断用户j的负荷，uil,jt＝1代表中断用户j的负荷；为中断负荷的容量向量；为激励负荷用户的运行状态，其中uhjt＝0代表不增加用户j的负荷，uhjt＝1代表增加用户j的负荷；为增加负荷的容量向量；ugjt为机组j的运行状态，ugjt＝1代表开机状态，ugjt＝0代表停机状态；pgjt为t时段机组j的有功出力；ppv,st为t时段光伏电站s的出力；pl,t为t时段系统负荷值。

所述常规机组处理约束条件：

其中，分别为常规机组j输出功率的上、下限；

所述可中断负荷的限制指用户在中断负荷时的可中断负荷的功率上、下限：

其中，和分别为用户j在t时段可中断负荷的上限值和下限值；

所述激励负荷的限制指用户在增加负荷时的激励负荷的上、下限：

其中，和分别为用户j在t时段增加负荷的上限值和下限值；

旋转备用约束条件为正、负旋转备用的随机模糊机会约束：

其中，α1、β1为正备用的置信水平及其对应的约束条件应满足的置信水平；α2、β2为负备用的置信水平及其对应的约束条件应满足的置信水平。

一种基于柔性负荷的光伏电力系统优化调度系统，包括：

获取模块，用于获取基于柔性负荷的光伏电力系统优化调度模型，所述调度模型以运行成本、碳排放惩罚成本和失负荷风险成本最小为目标函数；

光伏输出功率约束确定模块，用于根据所述光伏电力系统优化调度模型中的光伏出力，确定光伏输出功率约束条件；

随机模糊约束确定模块，用于根据柔性负荷的响应特性，确定随机模糊约束条件；

求解模块，用于根据所述光伏输出功率约束条件和所述随机模糊约束条件，采用改进细菌群体趋药性优化算法确定所述光伏电力系统优化调度模型的解；

调度模块，用于根据所述光伏电力系统优化调度模型的解对所述光伏电力系统进行调度。

可选的，所述获取模块，具体包括：

获取单元，用于获取基于柔性负荷的光伏电力系统优化调度模型：

其中，c′02为运行成本最小时对应的碳排放成本，c′03为运行成本最小时对应的风险成本；c′01为碳排放成本最小时对应的运行成本，c″03为碳排放成本最小时对应的风险成本；c″01为风险成本最小时对应的运行成本，c″02为风险成本最小时对应的碳排放成本；f1为运行成本，f2为碳排放惩罚成本，f3为失负荷风险成本，δ0i为fi允许的最大延伸值，其中i＝1,2,3；ρ为隶属函数。

可选的，所述光伏输出功率约束确定模块，具体包括：

建模单元，用于根据所述光伏电力系统优化调度模型中的光伏出力，建立预测光伏出力模型：

其中，pstc为stc标准测试条件下(入射幅值1kw/m²，周围温度25℃)的光伏出力；η为光伏电池传输效率；sa为光伏电池面积；gt为当前太阳辐照度；gstc为stc下的太阳辐照度；ι为功率温度系数；tc为当前电池温度；tstc为参考温度，取值为25℃；

输出功率确定单元，用于根据所述预测光伏出力模型，确定光伏输出功率；

输出功率约束确定单元，用于根据所述光伏输出功率，得到光伏输出功率约束条件。

可选的，所述随机模糊约束确定模块，具体包括：

随机模糊约束确定单元，用于根据柔性负荷的响应特性，确定随机模糊约束条件，所述随机模糊约束确定单元包括功率平衡约束条件确定子单元，常规机组处理约束条件确定子单元，可中断负荷的限制指用户在中断负荷时的可中断负荷的功率上、下限确定子单元，激励负荷的限制指用户在增加负荷时的激励负荷的上、下限确定子单元和旋转备用约束条件确定子单元；

所述功率平衡约束确定子单元为常规机组和光伏系统的出力需与柔性负荷参与调度后的总负荷量实施平衡：

其中，ng为常规机组数量；nil为可中断负荷用户数量；nh为激励负荷用户数量；为可中断负荷用户的运行状态，其中uil,jt＝0代表不中断用户j的负荷，uil,jt＝1代表中断用户j的负荷；为中断负荷的容量向量；为激励负荷用户的运行状态，其中uhjt＝0代表不增加用户j的负荷，uhjt＝1代表增加用户j的负荷；为增加负荷的容量向量；ugjt为机组j的运行状态，ugjt＝1代表开机状态，ugjt＝0代表停机状态；pgjt为t时段机组j的有功出力；ppv,st为t时段光伏电站s的出力；pl,t为t时段系统负荷值。

所述常规机组处理约束子单元：

其中，分别为常规机组j输出功率的上、下限；

所述可中断负荷的限制指用户在中断负荷时的可中断负荷的功率上、下限子单元：

其中，和分别为用户j在t时段可中断负荷的上限值和下限值；

所述激励负荷的限制指用户在增加负荷时的激励负荷的上、下限子单元：

其中，和分别为用户j在t时段增加负荷的上限值和下限值；

旋转备用约束条件为正、负旋转备用的随机模糊机会约束子单元：

其中，α1、β1为正备用的置信水平及其对应的约束条件应满足的置信水平；α2、β2为负备用的置信水平及其对应的约束条件应满足的置信水平。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供一种基于柔性负荷的光伏电力系统优化调度方法，结合柔性负荷的响应特性，以运行成本、碳排放惩罚成本和失负荷风险成本最小为目标函数，确定随机模糊约束条件，预测光伏出力并采用基于满意度法的改进细菌群体趋药性算法求解该模型。本发明所建立的模型能够达到电力系统安全经济环保运行的要求，极大地提高了光伏系统的消纳能力，所采用的算法具有更好的收敛性，优化结果更为理想，为决策者决策方案时提供参考。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于柔性负荷的光伏电力系统优化调度方法流程图；

图2为本发明实施例太阳能电池板示意图；

图3为本发明实施例光伏出力求解流程图；

图4本发明实施例基于bcc算法的模型求解流程图；

图5为本发明实施例基于柔性负荷的光伏电力系统优化调度系统结构图。

具体实施方式

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，所描述的实施例仅仅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。

本发明的目的是提供一种基于柔性负荷的光伏电力系统优化调度方法及系统，能够为光伏电力系统进行良好的调度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例基于柔性负荷的光伏电力系统优化调度方法流程图。如图1所示，一种基于柔性负荷的光伏电力系统优化调度方法，包括：

步骤101：获取基于柔性负荷的光伏电力系统优化调度模型，所述调度模型以运行成本、碳排放惩罚成本和失负荷风险成本最小为目标函数；

步骤102：根据所述光伏电力系统优化调度模型中的光伏出力，确定光伏输出功率约束条件；

步骤103：根据柔性负荷的响应特性，确定随机模糊约束条件；

步骤104：根据所述光伏输出功率约束条件和所述随机模糊约束条件，采用改进细菌群体趋药性优化算法确定所述光伏电力系统优化调度模型的解；

步骤105：根据所述光伏电力系统优化调度模型的解对所述光伏电力系统进行调度。

图2为本发明实施例太阳能电池板示意图。

步骤101中，光伏电力系统优化调度模型以运行成本、碳排放惩罚成本和失负荷风险成本最小为目标函数，并对模型进行随机模糊优化；

目标函数1：运行成本f1最小

minf1＝min(fg+ffl)

ffl＝fil+fh

式中，fg为常规机组发电成本，主要包括常规机组燃料成本和因光伏发电而节约的燃煤成本，单位为万元；t为系统调度周期；ng为常规机组数量；ugjt为机组j的运行状态，ugjt＝1代表开机状态，ugjt＝0代表停机状态；pgjt为t时段机组j的有功出力；f(pgjt)为机组j的燃料成本，一般用二次函数表示为其中agj、bgj、cgj为机组j的燃料成本系数；npv为光伏电站数量；ppv,st为t时段光伏电站s的出力；cpv为因光伏发电而节约的单位燃煤成本；ffl为柔性负荷成本，包括可中断负荷的补偿成本fil和激励负荷的激励成本fh，单位为万元；

目标函数2：碳排放惩罚成本最小

minf2＝minκep

式中，ep为碳排放量，单位为kg；κ为碳排放量的单位惩罚费用或者排放税；aoj，boj，coj为常规机组j的碳排放系数；

目标函数3：失负荷风险成本最小

所述失负荷风险只考虑光伏和负荷实际值大于系统能够提供的正旋转备用所引起的失负荷情况，暂不考虑机组故障停运状况，则系统失负荷量(expectedenergynotsupplied，eens)可表示为

eens,t＝pl,t-uil,jtpil,jt+uhjtphjt-p′pv,st-ugjtpgjt

定义风险惩罚系数λ用以衡量风险水平对系统可靠经济运行的影响，即

式中，pl,t为t时段系统负荷值；pp′v,st为光伏电站s出力预测值；crisk,t为系统单位失负荷罚金。

对光伏电力系统优化调度模型的模糊化处理如下：

1.求出以上3种成本的目标函数值c01、c02和c03以及各子目标最小时对应的其他函数值：运行成本最小时对应的碳排放成本c′02和风险成本c′03；碳排放成本最小时对应的运行成本c′01和风险成本c″03；风险成本最小时对应的运行成本c″01和碳排放成本c″02；

2.定义隶属度函数μ，将各子目标函数模糊化。μ的大小反映了优化结果的满意度，μ＝1表明最满意，而μ＝0表明最不满意；

由于上述3个目标函数值均是越小越好，所以采用的隶属度函数为降半直线形，即

式中，c0i为fi的最优值；c0i+δ0i为fi允许的最大延伸区间；δ0i的大小需参考专家的经验积累；

其中成本伸缩原则为

3.通过模糊化处理后，柔性负荷参与的含光伏电力系统调度的优化模型如下所示：

其中，c′02为运行成本最小时对应的碳排放成本，c′03为运行成本最小时对应的风险成本；c′01为碳排放成本最小时对应的运行成本，c″03为碳排放成本最小时对应的风险成本；c″01为风险成本最小时对应的运行成本，c″02为风险成本最小时对应的碳排放成本；f1为运行成本，f2为碳排放惩罚成本，f3为失负荷风险成本，δ0i为fi允许的最大延伸值，其中i＝1,2,3；ρ为隶属函数。

步骤102中，具体包括：

根据所述光伏电力系统优化调度模型中的光伏出力，建立预测光伏出力模型：

其中，pstc为stc标准测试条件下(入射幅值1kw/m²，周围温度25℃)的光伏出力；η为光伏电池传输效率；sa为光伏电池面积；gt为当前太阳辐照度；gstc为stc下的太阳辐照度；ι为功率温度系数；tc为当前电池温度；tstc为参考温度，取值为25℃；

根据所述预测光伏出力模型，确定光伏输出功率；

根据所述光伏输出功率，得到光伏输出功率约束条件。

针对模型中的光伏出力部分，由于其出力的不确定性，因此建立预测光伏出力模型，并结合柔性负荷的响应特性，确定随机模糊约束条件；

假设光伏系统的安装角度和电气参数等相关信息是确定的，环境因素是不确定的；其中太阳辐照度是影响光伏出力的关键因素，其具有严重的不确定性；因此，在进行光伏出力预测时，引入不确定理论，根据云量的变化情况，建立云量与云遮系数的关系，结合无云天气下的太阳辐照度的预测模型和云遮系数模型预测出有云天气下的太阳辐照度，再将该结果和光伏电池的温度代入光伏出力模型，以实现对光伏出力的预测。

若能准确预测出太阳辐照度便能得到光伏出力的结果，但太阳辐照度受云量变化的影响，其结果具有明显差异，因此下面着重分析无云和有云两种天气下的太阳辐照度预测模型。

(1)无云天气下太阳辐照度预测模型

a.直射辐射模型

阳光以平行光线的形式直接投射到地面上的辐射，称为直射辐射。该模型的表达式为

式中，idir为直射辐照度(w/m²)；iex为到达地面的辐照度(w/m²)；tr为雷利系数；tg为混合大气吸收系数；τa为气溶胶光学厚度；mass为大气光学质量；p为大气压强(mbar)。

b.散射辐射模型

散射辐射是阳光经大气层中的空气分子、云滴和气溶胶的散射作用(天空散射)及地表漫反射(地面散射)等形成的。该模型的表达式为

式中，idif为散射辐照度(w/m²)；dr为雷利散射量；da为气溶胶散射量；dm为各种反射情况的综合辐射量；taa为直射辐射被气溶胶吸收的系数；tas为经过气溶胶散射后的能力透射比；fc、w0分别为气溶胶因子的反射系数和散射系数，通常fc＝0.84，w0＝0.9；ρg为地面反射系数，取ρg＝0.2。

模型修正方程为：

i′dif＝σidif

式中，i′dif为散射辐照度修正值；σ为根据历史数据拟合出的修正系数。

(2)有云天气下太阳辐照度预测模型

ic＝i0·(1-ξ)

式中，ic为有云天气的直射或散射太阳辐射值；i0为无云天气的直射或散射太阳辐射值；ξ为云遮系数。

所述太阳辐照度预测模型计算的是光伏电池板与太阳光线夹角为90°时的太阳辐照度预测值，但在大多数情况下，光伏电池板并不始终垂直于太阳光线，而是与太阳光线成一定角度，如图1所示；因此，光伏电池板接收到的太阳辐照度计算公式为

式中，i为常态下光伏电池板接收的总辐照度；i′dir、i′dif分别为光伏电池板的直射辐照度和散射辐照度；idir、idif分别为直射辐照度和散射辐照度；θ′为光线入射角；θ′1为光伏电池板的倾斜角；θ′2为太阳高度角；θ′3为太阳方位角。

基于太阳辐照度预测模型，所述预测光伏出力的具体步骤如下：

步骤1.利用不确定理论对历史数据进行研究，建立云量和云遮系数的关系；

步骤2.结合云量和云遮系数的对应关系，利用之前得到的云量预测值，求解云遮系数；

步骤3.利用前一步得到的结果对有云天气下太阳辐照度预测模型进行修正计算，以此得到光伏电池板接收到的太阳辐照度计算公式中所需数据，并最终计算出光伏电池板上的太阳辐照度；

步骤4.结合步骤3结果和以上所建立的模型求得相应的光伏出力数值。图3为本发明实施例光伏出力求解流程图。

所述柔性负荷响应主要包括可中断负荷和激励负荷，即用户与电力公司事先签订一份协议，即在负荷低谷期或高峰期的时段内或是协议中要求的特定时段内，增加或减少用户需求量，如果用户依照协议减少耗电量，那么用户可从售电方获得相应的补偿费用，如果用户依照协议增加耗电量，那么用户可从售电方为其减少的售电电价中获得相应的奖励费用。

可中断负荷的补偿成本函数：

式中，t为系统调度周期；ng为常规机组数量；nil为可中断负荷用户数量；为可可中断负荷用户的运行状态，其中uil,jt＝0代表不中断用户j的负荷，uil,jt＝1代表中断用户j的负荷；cil,j为用户j的中断负荷的赔偿系数；为中断负荷的容量向量；

激励负荷的激励成本函数：

式中，nh为激励负荷用户数量；为激励负荷用户的运行状态，其中uhjt＝0代表不增加用户j的负荷，uhjt＝1代表增加用户j的负荷；chj为用户j的增加负荷的激励系数；为增加负荷的容量向量；

步骤103中，具体包括：

根据柔性负荷的响应特性，确定随机模糊约束条件，所述随机模糊约束条件包括功率平衡约束条件，常规机组处理约束条件，可中断负荷的限制指用户在中断负荷时的可中断负荷的功率上、下限，激励负荷的限制指用户在增加负荷时的激励负荷的上、下限和旋转备用约束条件；

所述功率平衡约束条件为常规机组和光伏系统的出力需与柔性负荷参与调度后的总负荷量实施平衡：

其中，ng为常规机组数量；nil为可中断负荷用户数量；nh为激励负荷用户数量；为可中断负荷用户的运行状态，其中uil,jt＝0代表不中断用户j的负荷，uil,jt＝1代表中断用户j的负荷；为中断负荷的容量向量；为激励负荷用户的运行状态，其中uhjt＝0代表不增加用户j的负荷，uhjt＝1代表增加用户j的负荷；为增加负荷的容量向量；ugjt为机组j的运行状态，ugjt＝1代表开机状态，ugjt＝0代表停机状态；pgjt为t时段机组j的有功出力；ppv,st为t时段光伏电站s的出力；pl,t为t时段系统负荷值。

所述常规机组处理约束条件：

其中，分别为常规机组j输出功率的上、下限；

所述可中断负荷的限制指用户在中断负荷时的可中断负荷的功率上、下限：

其中，和分别为用户j在t时段可中断负荷的上限值和下限值；

所述激励负荷的限制指用户在增加负荷时的激励负荷的上、下限：

其中，和分别为用户j在t时段增加负荷的上限值和下限值；

旋转备用约束条件为正、负旋转备用的随机模糊机会约束：

其中，α1、β1为正备用的置信水平及其对应的约束条件应满足的置信水平；α2、β2为负备用的置信水平及其对应的约束条件应满足的置信水平。

步骤104中，在采用基于满意度法的改进细菌群体趋药性优化算法求解基于柔性负荷的光伏电力系统优化调度模型时的具体步骤；

(1)确定常规机组、光伏电站、负荷预测值的相关参数以及旋转备用的置信水平；

(2)根据机组状态和负荷水平生成各机组的出力；

(3)设置细菌的初始位置x和速度v，计算其在移动过程中的位置和速度，并利用vn+1＝(vn-vmin)·e^-β·n+vmin对其移动速度进行调整。

式中，vmin为设定的最小速度；β为控制衰减速度的因子，经试验测试取0.01时效果最好。

(4)细菌在移动的过程中，随时记录其移动位置x1及相应的目标函数值f1(x)；

(5)按照更新细菌的移动位置，将好的位置留下，使细菌总是朝着这样的位置移动，记录细菌的移动位置x2及其最新目标函数值f2(x)，式中，为细菌移动好的位置；为细菌移动较差的位置；rand()服从(0,2)的均匀分布；

(6)细菌的方向和步长随时发生变化，将按照以下三种情况定义细菌变化后的位置：

a.x1优于x2，即取xnew＝x1；

b.x2优于x1，即取xnew＝x2；

c.x1与x2无法比较，即或取二者之一作为xnew的值。

(7)按照进行精度更新，重复计算，直到满足精度要求或迭代次数达到上限，α的大小一般在1.05～1.5之间；

(8)根据决策者要求确定折中解。

图4本发明实施例基于bcc算法的模型求解流程图。

本发明提供一种基于柔性负荷的光伏电力系统优化调度方法，结合柔性负荷的响应特性，以运行成本、碳排放惩罚成本和失负荷风险成本最小为目标函数，确定随机模糊约束条件，预测光伏出力并采用基于满意度法的改进细菌群体趋药性算法求解该模型。本发明所建立的模型能够达到电力系统安全经济环保运行的要求，极大地提高了光伏系统的消纳能力，所采用的算法具有更好的收敛性，优化结果更为理想，为决策者决策方案时提供参考。

本发明中基于柔性负荷的光伏电力系统优化调度方法具有下列优势：

(1)柔性负荷具有削峰填谷的调峰特性，将其纳入电力系统调度体系，有助于减少系统正、负备用需求，降低系统综合成本，提高光伏消纳能力；

(2)多目标模糊随机调度方式既能满足系统安全稳定运行的需求，又能兼顾环保与经济效益，具有一定的实用价值。

图5为本发明实施例基于柔性负荷的光伏电力系统优化调度系统结构图。如图5所示，一种基于柔性负荷的光伏电力系统优化调度系统，包括：

获取模块201，用于获取基于柔性负荷的光伏电力系统优化调度模型，所述调度模型以运行成本、碳排放惩罚成本和失负荷风险成本最小为目标函数；

光伏输出功率约束确定模块202，用于根据所述光伏电力系统优化调度模型中的光伏出力，确定光伏输出功率约束条件；

随机模糊约束确定模块203，用于根据柔性负荷的响应特性，确定随机模糊约束条件；

求解模块204，用于根据所述光伏输出功率约束条件和所述随机模糊约束条件，采用改进细菌群体趋药性优化算法确定所述光伏电力系统优化调度模型的解；

调度模块205，用于根据所述光伏电力系统优化调度模型的解对所述光伏电力系统进行调度。

所述获取模块，具体包括：

获取单元201，用于获取基于柔性负荷的光伏电力系统优化调度模型：

其中，c′02为运行成本最小时对应的碳排放成本，c′03为运行成本最小时对应的风险成本；c′01为碳排放成本最小时对应的运行成本，c″03为碳排放成本最小时对应的风险成本；c″01为风险成本最小时对应的运行成本，c″02为风险成本最小时对应的碳排放成本；f1为运行成本，f2为碳排放惩罚成本，f3为失负荷风险成本，δ0i为fi允许的最大延伸值，其中i＝1,2,3；ρ为隶属函数。

所述光伏输出功率约束确定模块202，具体包括：

建模单元，用于根据所述光伏电力系统优化调度模型中的光伏出力，建立预测光伏出力模型：

其中，pstc为stc标准测试条件下(入射幅值1kw/m²，周围温度25℃)的光伏出力；η为光伏电池传输效率；sa为光伏电池面积；gt为当前太阳辐照度；gstc为stc下的太阳辐照度；ι为功率温度系数；tc为当前电池温度；tstc为参考温度，取值为25℃；

输出功率确定单元，用于根据所述预测光伏出力模型，确定光伏输出功率；

输出功率约束确定单元，用于根据所述光伏输出功率，得到光伏输出功率约束条件。

所述随机模糊约束确定模块203，具体包括：

随机模糊约束确定单元，用于根据柔性负荷的响应特性，确定随机模糊约束条件，所述随机模糊约束确定单元包括功率平衡约束条件确定子单元，常规机组处理约束条件确定子单元，可中断负荷的限制指用户在中断负荷时的可中断负荷的功率上、下限确定子单元，激励负荷的限制指用户在增加负荷时的激励负荷的上、下限确定子单元和旋转备用约束条件确定子单元；

所述功率平衡约束确定子单元为常规机组和光伏系统的出力需与柔性负荷参与调度后的总负荷量实施平衡：

其中，ng为常规机组数量；nil为可中断负荷用户数量；nh为激励负荷用户数量；为可中断负荷用户的运行状态，其中uil,jt＝0代表不中断用户j的负荷，uil,jt＝1代表中断用户j的负荷；为中断负荷的容量向量；为激励负荷用户的运行状态，其中uhjt＝0代表不增加用户j的负荷，uhjt＝1代表增加用户j的负荷；为增加负荷的容量向量；ugjt为机组j的运行状态，ugjt＝1代表开机状态，ugjt＝0代表停机状态；pgjt为t时段机组j的有功出力；ppv,st为t时段光伏电站s的出力；pl,t为t时段系统负荷值。

所述常规机组处理约束子单元：

其中，分别为常规机组j输出功率的上、下限；

所述可中断负荷的限制指用户在中断负荷时的可中断负荷的功率上、下限子单元：

其中，和分别为用户j在t时段可中断负荷的上限值和下限值；

所述激励负荷的限制指用户在增加负荷时的激励负荷的上、下限子单元：

其中，和分别为用户j在t时段增加负荷的上限值和下限值；

旋转备用约束条件为正、负旋转备用的随机模糊机会约束子单元：

其中，α1、β1为正备用的置信水平及其对应的约束条件应满足的置信水平；α2、β2为负备用的置信水平及其对应的约束条件应满足的置信水平。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。