考虑源-荷协调优化的多源电力系统多时间尺度调度方法

摘要

本发明是一种考虑源‑荷协调优化的大规模风电接入多源电力系统多时间尺度调度方法，其特点是，根据响应速度的不同对DR资源进行分类；提出源‑荷多时间尺度协调调度框架；建立源‑荷多时间尺度调度模型。通过协调调度源侧常规火电机组、CSP电站与风电出力以及荷侧各类DR资源调用计划，在促进系统风电消纳的同时提高了系统运行经济性。具有科学合理，适用性强，效果佳等优点。

权利要求

1.一种考虑源‑荷协调优化的多源电力系统多时间尺度调度方法，其特征是，它包括以下步骤：

1)对荷侧DR资源根据响应时间特性进行分类DR资源主要包括电价型(PDR)与激励型(IDR)两种；

其中PDR是指用户根据分时电价自发地调节用电计划；由于用户响应电价变化的速度较慢，因此分时电价在日前调度计划中制定，用户可在前一天根据各时刻电价不同制定相应的用电计划；

IDR又包括直接负荷控制(Directed Load Control,DLC)、可中断负荷(Interruptible Load,IL)、紧急需求侧响应项目(Emergency Demand Response Program,EDPR)；电网企业先与IDR资源的管理者签订合同，在调度过程中直接管理与调用部分IDR资源；根据响应电网调度指令的时长可将IDR资源划分为以下两种：①A类IDR负荷：响应时长>1h，此类IDR负荷需要在日前长时间尺度调度中确定调用计划；

②B类IDR负荷：响应时长5～15min，此类IDR负荷可根据短时间尺度的调度指令改变自身的负荷需求；

2)提出源‑荷多时间尺度协调调度框架源‑荷多时间尺度协调调度在执行时间上分为日前调度与日内调度；日前调度时间尺度为1h，提前24h执行，只执行1次；由于常规火电机组启停时间长，因此在日前调度中确定其启停计划；同时，日前调度中还将确定PDR负荷响应量，A类IDR负荷调用计划；系统最终调用旋转备用容量将在整个调度计划的最后阶段，即日内15min时间尺度中确定，这样既能够保证系统安全运行，又能够根据更加精确的预测信息制定旋转备用计划，以此降低系统旋转备用成本；需要指出，日前调度中确定的常规机组启停计划以及PDR响应量、A类IDR负荷响应量在日内调度中将保持不变；

日内调度每15min滚动计算1次，每次优化下4h的调度计划，调度周期为15min；由于CSP电站的启停时间最小可控制在1h以内，因此能够在日内调度中制定其启停计划；同时，根据日内滚动更新的预测数据，日内调度将制定各机组出力计划、B类IDR负荷的调用计划以及最终的旋转备用计划；

3)建立源‑荷多时间尺度调度模型源‑荷多时间尺度调度模型是在源‑荷多时间尺度协调调度框架的基础上构建的，其包括对PDR、IDR的建模，以及日前调度模型以及日内调度模型的建立；

①PDR建模

PDR根据消费者心理意愿，通过制定合理的日前实时电价来改变用户的用电方式，采用价格型需求弹性矩阵E来表示电价变化率对负荷变化率的影响；

式中，T为调度总时长，取值为24；λ△q,t为t时刻的负荷变化率；λ△p,t为t时刻的电价变化率；E为价格型需求弹性矩阵，其主对角线为自弹性系数，副对角线为互弹性系数，自弹性系数与互弹性系数取值分别为‑0.2与0.03；

经过PDR后，负荷会相对于原负荷发生变化，其变化量称为负荷响应量，是根据式(1)的负荷变化率计算得来式(2)：

ΔPPDR,t＝λΔq,tPload,t  (2)式中，△PDRt为经过PDR后t时刻的负荷响应量，Pload,t为原t时刻负荷预测值；

②IDR建模

IDR调用量受响应速度与响应容量限制，A类IDR负荷约束如式(3)所示，B类IDR负荷约束如式(4)所示，

式中，△IDRAt为A类IDR负荷在t时刻的响应量，△IDRAt‑1为A类IDR负荷在t‑1时刻的响max

应量，IDRA 为A类IDR负荷在每一时刻的最大调用量，RIDRA为A类IDR负荷的响应速率；△max

IDRBt为B类IDR负荷在t时刻的响应量，△IDRBt‑1为B类IDR负荷在t‑1时刻的响应量，IDRB为B类IDR负荷在每一时刻的最大调用量，RIDRB为B类IDR负荷的响应速率；

③日前优化调度模型

日前优化调度采用多场景随机优化的方法处理系统不确定性，多场景随机优化的核心思想是根据不确定量的分布规律，生成多个场景，使得决策量在多个场景下都能满足要求，选择那个使得所有场景的期望成本之和最小的调度策略，是一种二阶段的优化决策模型，适用于不确定量较大的场合，能够不依赖于系统可靠性指标获得经济性最优的调度结果，通过在日前调度中生成S个风电以及负荷预测场景来刻画风电及负荷预测的不确定性；

日前优化调度模型的目标函数为式(5)，式中，f1为日前调度目标函数，min为取最小函数，∑为求和函数,CTh,t、CCSP,t、CW,t、CcW,t分别为火电机组运行成本、CSP电站运行成本、风电场运行成本以及弃风惩罚成本；Ns代表场景个数，NG代表常规火电机组台数，ps为第S个概率场景发生的概率；ai、bi、ci分别为第i台火电机组发电成本系数，PGi,t,s为第i台火电机组在场景s下t时刻的调度出力，Si为第i台火电机组启停成本系数，ui,t为第i台火电机组在t时刻的运行状态系数，为1代表处于运行状态；kCSP为CSP电站的发电成本系数，PCSP,t,s为CSP电站在场景s下t时刻的调度出力，SCSP为CSP电站的启停成本系数，uCSP,t,s为CSP电站在场景s下t时刻的运行状态系数，为1代表处于运行状态；kW为风电场运行成本系数，PW,t,s为风电在场景s下t时刻的调度出力；kcW为弃风惩罚成本系数， 为风电日前在场景s下t时刻的预测出力；kIDRA、kIDRB分别为A类IDR负荷与B类IDR负荷的调用成本系数，△IDRAt为A类IDR负荷在t时刻的调用量，△IDRBt,s为B类IDR负荷在s场景下t时刻的调用量；

日前优化调度模型的约束条件为：

系统功率平衡约束为式(6)，

式中， 为负荷日前在场景s下t时刻的预测值；

火电机组出力约束如式(7)所示，式中， 为第i台火电机组的最小技术出力， 为第i台火电机组的最大技术出力；

火电机组爬坡约束如式(8)所示，u

式中，Ri为火电机组i的爬坡速率；

风电运行约束为式(9)

CSP电站能量守恒约束为式(10)th,S‑H th,T‑H th,H‑T C th th,H‑PPt +Pt ＝Pt +utPSU +Pt   (10)th,S‑H th,T‑H

式中，Pt 为CSP电站光场吸收的太阳能热量、Pt 为CSP电站由TES向导热工质释th,H‑T

放的热量，该部分热量可被用于CSP电站发电、Pt 为CSP电站中由导热工质向TES存储的th,H‑P

热量，该部分热量可存储于CSP电站的TES中、Pt 为CSP电站的导热工质中用于发电的热量；

通过日前优化调度，能够得到常规机组启停计划、PDR各时刻响应量、A类IDR负荷调用计划，根据式(5)、(6)、(7)、(8)、(9)、(10)，将变量△PDRt、ui,t、△IDRAt作为定值代入日内调度模型中；

④日内优化调度模型

日内调度目标与日前调度相同，为系统总成本最低，式中，f2为日内调度目标函数，△T为日内调度一个调度周期时长，t0为当前调度时段的初始时刻， 为日内旋转备用预留成本， 分别为日内火电机组与CSP电站提供旋转备用成本系数， 分别为火电机组与CSP电站日内所提供的正/负旋转备用容量，同时，日前调度确定的常规机组启停计划ui,t以及A类IDR负荷响应量△IDRAt为定值，不再进行相应优化；

由于日前调度已确定常规机组启停计划以及PDR负荷、A类IDR负荷响应量，因此日内调度中将不存在机组组合约束以及对于PDR、A类IDR负荷响应量约束；同时，由于日内调度中采用机会约束处理不确定性问题，因此日内调度在旋转备用约束上较日前调度有所不同，如式(12)所示，

式中，Pr{}为置信度表达式，α、β分别为满足正旋转备用与负旋转备用约束的置信度，取值都为0.95；

日内调度中系统功率平衡约束为式(13)，由于日内调度中不采用多场景随机优化，因此不存在多个场景的约束，

式中， 为负荷在t时刻的日内预测值；PGi,t为第i台火电机组在t时刻的调度出力，PCSP,t为CSP电站在t时刻的调度出力，PW,t为风电在t时刻的调度出力；△IDRAt为A类IDR负荷在t时刻的调用量，△IDRBt为B类IDR负荷在t时刻的调用量；

火电机组日内出力约束如式(14)所示，火电机组爬坡约束如式(15)所示，风电运行约束为式(16)

式中， 为风电日内t时刻预测出力；

CSP电站能量守恒约束为式(17)th,S‑H th,T‑H th,H‑T C th th,H‑PPt +Pt ＝Pt +utPSU +Pt   (17)。

说明书

考虑源‑荷协调优化的多源电力系统多时间尺度调度方法

技术领域

[0001] 本发明是一种考虑源‑荷协调优化的多源电力系统多时间尺度调度方法。

背景技术

[0002] 中国西北地区风电资源丰富，但弃风率仍相对较高，如何解决西北地区弃风问题仍然是目前的当务之急。

[0003] 目前已有较多研究针对弃风限电问题进行展开，但仍存在以下问题：1)对光热(Concentrated Solar Power,CSP)电站参与调度的研究大多集中于日前长时间尺度的调
度阶段，未充分探讨CSP电站的快速调节能力参与日内短时间尺度调度的作用；2)对于源侧
CSP电站与荷侧需求响应(Demand Response,DR)资源的协调调度未从多时间尺度协调优化
的角度展开研究；3)未充分分析源侧CSP电站与荷侧DR可调节资源之间的互补调节能力。

[0004] 中国西北地区源‑荷两侧拥有丰富的可调节资源，调度中心可通过合理的调度方法来促进该地区风电消纳。源侧，由于CSP电站配有储热系统(Thermal Energy Storage，
TES)，其可在风电高发时刻将多余太阳能热存储，在风电低发时刻将存储的热能转换为电
能释放，以此实现能量的时移利用，并促进系统风电消纳；荷侧，随着电力市场化改革的推
进以及泛在电力物联网的提出与建设，DR已作为可调节资源参与到电力系统的调度运行当
中。近年来，西北地区也在加快引入DR资源。

发明内容

[0005] 本发明的目的是，克服现有技术的不足，提供一种科学合理，适用性强，效果佳的考虑源‑荷协调优化的多源电力系统多时间尺度调度方法，该方法首先，根据响应速度的不
同对DR资源进行分类，然后，综合考虑CSP电站的能量时移特性与快速调节能力以及DR资源
的多时间尺度特性，以系统运行成本以及弃风惩罚成本最低为目标，构建了源‑荷多时间尺
度协调调度模型；通过协调调度源侧常规火电机组、CSP电站与风电出力以及荷侧各类DR资
源调用计划，在促进系统风电消纳的同时提高系统运行经济性。

[0006] 本发明的目的是由以下技术方案来实现的：一种考虑源‑荷协调优化的多源电力系统多时间尺度调度方法，其特征是，它包括以下步骤：

[0007] 1)对荷侧DR资源根据响应时间特性进行分类

[0008] DR资源主要包括电价型(PDR)与激励型(IDR)两种；

[0009] 其中PDR是指用户根据分时电价自发地调节用电计划；由于用户响应电价变化的速度较慢，因此分时电价一般在日前调度计划中制定，用户可在前一天根据各时刻电价不
同制定相应的用电计划；

[0010] IDR又包括直接负荷控制(Directed  Load Control,DLC)、可中断负荷(Interruptible Load,IL)、紧急需求侧响应项目(Emergency Demand Response Program,
EDPR)；电网企业先与IDR资源的管理者签订合同，在调度过程中直接管理与调用部分IDR资
源；根据响应电网调度指令的时长可将IDR资源划分为以下两种：

[0011] ①A类IDR负荷：响应时长>1h，此类IDR负荷需要在日前长时间尺度调度中确定调用计划；

[0012] ②B类IDR负荷：响应时长5～15min，此类IDR负荷可根据短时间尺度的调度指令改变自身的负荷需求；

[0013] 2)提出源‑荷多时间尺度协调调度框架

[0014] 源‑荷多时间尺度协调调度在执行时间上分为日前调度与日内调度；日前调度时间尺度为1h，提前24h执行，只执行1次；由于常规火电机组启停时间长，因此在日前调度中
确定其启停计划；同时，日前调度中还将确定PDR负荷响应量，A类IDR负荷调用计划；系统最
终调用旋转备用容量将在整个调度计划的最后阶段，即日内15min时间尺度中确定，这样既
能够保证系统安全运行，又能够根据更加精确的预测信息制定旋转备用计划，以此降低系
统旋转备用成本；需要指出，日前调度中确定的常规机组启停计划以及PDR响应量、A类IDR
负荷响应量在日内调度中将保持不变；

[0015] 日内调度每15min滚动计算1次，每次优化下4h的调度计划，调度周期为15min；由于CSP电站的启停时间最小可控制在1h以内，因此能够在日内调度中制定其启停计划；同
时，根据日内滚动更新的预测数据，日内调度将制定各机组出力计划、B类IDR负荷的调用计
划以及最终的旋转备用计划；

[0016] 3)建立源‑荷多时间尺度调度模型

[0017] 源‑荷多时间尺度调度模型是在源‑荷多时间尺度协调调度框架的基础上构建的，其包括对PDR、IDR的建模，以及日前调度模型以及日内调度模型的建立；

[0018] ①PDR建模

[0019] PDR根据消费者心理意愿，通过制定合理的日前实时电价来改变用户的用电方式，通常采用价格型需求弹性矩阵E来表示电价变化率对负荷变化率的影响；

[0020]

[0021] 式中，T为调度总时长，取值为24；λ△q,t为t时刻的负荷变化率；λ△p,t为t时刻的电价变化率；E为价格型需求弹性矩阵，其主对角线为自弹性系数，副对角线为互弹性系数，自弹
性系数与互弹性系数取值分别为‑0.2与0.03；

[0022] 经过PDR后，负荷会相对于原负荷发生变化，其变化量称为负荷响应量，是根据式(1)的负荷变化率计算得来式(2)：

[0023] ΔPPDR,t＝λΔq,tPload,t  (2)

[0024] 式中，△PDRt为经过PDR后t时刻的负荷响应量，Pload,t为原t时刻负荷预测值；

[0025] ②IDR建模

[0026] IDR调用量受响应速度与响应容量限制，A类IDR负荷约束如式(3)所示，B类IDR负荷约束如式(4)所示，

[0027]

[0028]

[0029] 式中，△IDRAt为A类IDR负荷在t时刻的响应量，△IDRAt‑1为A类IDR负荷在t‑1时刻max
的响应量，IDRA 为A类IDR负荷在每一时刻的最大调用量，RIDRA为A类IDR负荷的响应速率；
△IDRBt为B类IDR负荷在t时刻的响应量，△IDRBt‑1为B类IDR负荷在t‑1时刻的响应量，
max
IDRB 为B类IDR负荷在每一时刻的最大调用量，RIDRB为B类IDR负荷的响应速率；

[0030] ③日前优化调度模型

[0031] 日前优化调度采用多场景随机优化的方法处理系统不确定性，多场景随机优化的核心思想是根据不确定量的分布规律，生成多个场景，使得决策量在多个场景下都能满足
要求，选择那个使得所有场景的期望成本之和最小的调度策略，是一种二阶段的优化决策
模型，适用于不确定量较大的场合，能够不依赖于系统可靠性指标获得经济性最优的调度
结果，通过在日前调度中生成S个风电以及负荷预测场景来刻画风电及负荷预测的不确定
性；

[0032] 日前优化调度模型的目标函数为式(5)，

[0033]

[0034] 式中，f1为日前调度目标函数，min为取最小函数，∑为求和函数,CTh,t、CCSP,t、CW,t、C cW,t分别为火电机组运行成本、CSP电站运行成本、风电场运行成本以及弃风惩罚成本；Ns
代表场景个数，NG代表常规火电机组台数，ps为第S个概率场景发生的概率；ai、bi、ci分别为
第i台火电机组发电成本系数，PGi,t,s为第i台火电机组在场景s下t时刻的调度出力，Si为第
i台火电机组启停成本系数，ui,t为第i台火电机组在t时刻的运行状态系数，为1代表处于运
行状态；kCSP为CSP电站的发电成本系数，PCSP,t,s为CSP电站在场景s下t时刻的调度出力，SCSP
为CSP电站的启停成本系数，uCSP,t,s为CSP电站在场景s下t时刻的运行状态系数，为1代表处
于运行状态；kW为风电场运行成本系数，PW,t,s为风电在场景s下t时刻的调度出力；kcW为弃风
惩罚成本系数， 为风电日前在场景s下t时刻的预测出力；kIDRA、kIDRB分别为A类IDR负荷
与B类IDR负荷的调用成本系数，△IDRAt为A类IDR负荷在t时刻的调用量，△IDRBt,s为B类
IDR负荷在s场景下t时刻的调用量；

[0035] 日前优化调度模型的约束条件为：

[0036] 系统功率平衡约束为式(6)，

[0037]

[0038] 式中， 为负荷日前在场景s下t时刻的预测值；

[0039] 火电机组出力约束如式(7)所示，

[0040]

[0041] 式中， 为第i台火电机组的最小技术出力， 为第i台火电机组的最大技术出力；

[0042] 火电机组爬坡约束如式(8)所示，

[0043]

[0044] 式中，Riu为火电机组i的爬坡速率；

[0045] 风电运行约束为式(9)

[0046]

[0047] CSP电站能量守恒约束为式(10)

[0048] Ptth,S‑H+Ptth,T‑H＝Ptth,H‑T+utCPSUth+Ptth,H‑P  (10)

[0049] 式中，Ptth,S‑H为CSP电站光场吸收的太阳能热量、Ptth,T‑H为CSP电站由TES向导热工th,H‑T
质释放的热量，该部分热量可被用于CSP电站发电、Pt 为CSP电站中由导热工质向TES存
th,H‑P
储的热量，该部分热量可存储于CSP电站的TES中、Pt 为CSP电站的导热工质中用于发电
的热量；

[0050] 通过日前优化调度，能够得到常规机组启停计划、PDR各时刻响应量、A类IDR负荷调用计划，根据式(5)、(6)、(7)、(8)、(9)、(10)，将变量△PDRt、ui,t、△IDRAt作为定值代入日
内调度模型中；

[0051] ④日内优化调度模型

[0052] 日内调度目标与日前调度相同，为系统总成本最低，

[0053]

[0054] 式中，f2为日内调度目标函数，△T为日内调度一个调度周期时长，t0为当前调度时段的初始时刻， 为日内旋转备用预留成本， 分别为日内火电机组与CSP电
站提供旋转备用成本系数， 分别为火电机组与CSP电站日内所提
供的正/负旋转备用容量，同时，日前调度确定的常规机组启停计划ui,t以及A类IDR负荷响
应量△IDRAt为定值，不再进行相应优化；

[0055] 由于日前调度已确定常规机组启停计划以及PDR负荷、A类IDR负荷响应量，因此日内调度中将不存在机组组合约束以及对于PDR、A类IDR负荷响应量约束；同时，由于日内调
度中采用机会约束处理不确定性问题，因此日内调度在旋转备用约束上较日前调度有所不
同，如式(12)所示，

[0056]

[0057] 式中，Pr{}为置信度表达式，α、β分别为满足正旋转备用与负旋转备用约束的置信度，取值都为0.95；

[0058] 日内调度中系统功率平衡约束为式(13)，由于日内调度中不采用多场景随机优化，因此不存在多个场景的约束，

[0059]

[0060] 式中， 为负荷在t时刻的日内预测值；PGi,t为第i台火电机组在t时刻的调度出力，PCSP,t为CSP电站在t时刻的调度出力，PW,t为风电在t时刻的调度出力；△IDRAt为A类IDR
负荷在t时刻的调用量，△IDRBt为B类IDR负荷在t时刻的调用量；

[0061] 火电机组日内出力约束如式(14)所示，

[0062]

[0063] 火电机组爬坡约束如式(15)所示，

[0064]

[0065] 风电运行约束为式(16)

[0066]

[0067] 式中， 为风电日内t时刻预测出力；

[0068] CSP电站能量守恒约束为式(17)

[0069] Ptth,S‑H+Ptth,T‑H＝Ptth,H‑T+utCPSUth+Ptth,H‑P  (17)。

[0070] 本发明提出的一种考虑源‑荷协调优化的多源电力系统多时间尺度调度方法，首先，根据响应速度的不同对DR资源进行分类；然后，综合考虑CSP电站的能量时移特性与快
速调节能力以及DR资源的多时间尺度特性，以系统运行成本以及弃风惩罚成本最低为目
标，构建了源‑荷多时间尺度协调调度模型。其特点是，通过协调调度源侧常规火电机组、
CSP电站与风电出力以及荷侧各类DR资源调用计划，在促进系统风电消纳的同时提高了系
统运行经济性。具有科学合理，适用性强，效果佳等优点。

附图说明

[0071] 图1是风电呈现反调峰场景下调度计划图；

[0072] 图2是风电呈现正调峰场景下调度计划图

[0073] 图3是风电呈现反调峰场景下DR资源调用情况图；

[0074] 图4是风电呈现正调峰场景下DR资源调用情况图；

[0075] 图5是两种风电场景下CSP电站调度出力与自然出力对比图。

具体实施方式

[0076] 下面利用附图和实施例对本发明的一种考虑源‑荷协调优化的多源电力系统多时间尺度调度方法作进一步说明。

[0077] 本发明的一种考虑源‑荷协调优化的多源电力系统多时间尺度调度方法，它包括以下步骤：

[0078] 1)对荷侧DR资源根据响应时间特性进行分类

[0079] DR资源主要包括电价型(PDR)与激励型(IDR)两种；

[0080] 其中PDR是指用户根据分时电价自发地调节用电计划；由于用户响应电价变化的速度较慢，因此分时电价一般在日前调度计划中制定，用户可在前一天根据各时刻电价不
同制定相应的用电计划；

[0081] IDR又包括直接负荷控制(Directed  Load Control,DLC)、可中断负荷(Interruptible Load,IL)、紧急需求侧响应项目(Emergency Demand Response Program,
EDPR)；电网企业先与IDR资源的管理者签订合同，在调度过程中直接管理与调用部分IDR资
源；根据响应电网调度指令的时长可将IDR资源划分为以下两种：

[0082] ①A类IDR负荷：响应时长>1h，此类IDR负荷需要在日前长时间尺度调度中确定调用计划；

[0083] ②B类IDR负荷：响应时长5～15min，此类IDR负荷可根据短时间尺度的调度指令改变自身的负荷需求；

[0084] 2)提出源‑荷多时间尺度协调调度框架

[0085] 源‑荷多时间尺度协调调度在执行时间上分为日前调度与日内调度；日前调度时间尺度为1h，提前24h执行，只执行1次；由于常规火电机组启停时间长，因此在日前调度中
确定其启停计划；同时，日前调度中还将确定PDR负荷响应量，A类IDR负荷调用计划；系统最
终调用旋转备用容量将在整个调度计划的最后阶段，即日内15min时间尺度中确定，这样既
能够保证系统安全运行，又能够根据更加精确的预测信息制定旋转备用计划，以此降低系
统旋转备用成本；需要指出，日前调度中确定的常规机组启停计划以及PDR响应量、A类IDR
负荷响应量在日内调度中将保持不变；

[0086] 日内调度每15min滚动计算1次，每次优化下4h的调度计划，调度周期为15min；由于CSP电站的启停时间最小可控制在1h以内，因此能够在日内调度中制定其启停计划；同
时，根据日内滚动更新的预测数据，日内调度将制定各机组出力计划、B类IDR负荷的调用计
划以及最终的旋转备用计划；

[0087] 3)建立源‑荷多时间尺度调度模型

[0088] 源‑荷多时间尺度调度模型是在源‑荷多时间尺度协调调度框架的基础上构建的，其包括对PDR、IDR的建模，以及日前调度模型以及日内调度模型的建立；

[0089] ①PDR建模

[0090] PDR根据消费者心理意愿，通过制定合理的日前实时电价来改变用户的用电方式，通常采用价格型需求弹性矩阵E来表示电价变化率对负荷变化率的影响；

[0091]

[0092] 式中，T为调度总时长，取值为24；λ△q,t为t时刻的负荷变化率；λ△p,t为t时刻的电价变化率；E为价格型需求弹性矩阵，其主对角线为自弹性系数，副对角线为互弹性系数，自弹
性系数与互弹性系数取值分别为‑0.2与0.03；

[0093] 经过PDR后，负荷会相对于原负荷发生变化，其变化量称为负荷响应量，是根据式(1)的负荷变化率计算得来式(2)：

[0094] ΔPPDR,t＝λΔq,tPload,t  (2)

[0095] 式中，△PDRt为经过PDR后t时刻的负荷响应量，Pload,t为原t时刻负荷预测值；

[0096] ②IDR建模

[0097] IDR调用量受响应速度与响应容量限制，A类IDR负荷约束如式(3)所示，B类IDR负荷约束如式(4)所示，

[0098]

[0099]

[0100] 式中，△IDRAt为A类IDR负荷在t时刻的响应量，△IDRAt‑1为A类IDR负荷在t‑1时刻max
的响应量，IDRA 为A类IDR负荷在每一时刻的最大调用量，RIDRA为A类IDR负荷的响应速率；
△IDRBt为B类IDR负荷在t时刻的响应量，△IDRBt‑1为B类IDR负荷在t‑1时刻的响应量，
max
IDRB 为B类IDR负荷在每一时刻的最大调用量，RIDRB为B类IDR负荷的响应速率；

[0101] ③日前优化调度模型

[0102] 日前优化调度采用多场景随机优化的方法处理系统不确定性，多场景随机优化的核心思想是根据不确定量的分布规律，生成多个场景，使得决策量在多个场景下都能满足
要求，选择那个使得所有场景的期望成本之和最小的调度策略，是一种二阶段的优化决策
模型，适用于不确定量较大的场合，能够不依赖于系统可靠性指标获得经济性最优的调度
结果，通过在日前调度中生成S个风电以及负荷预测场景来刻画风电及负荷预测的不确定
性；

[0103] 日前优化调度模型的目标函数为式(5)，

[0104]

[0105] 式中，f1为日前调度目标函数，min为取最小函数，∑为求和函数,CTh,t、CCSP,t、CW,t、CcW,t分别为火电机组运行成本、CSP电站运行成本、风电场运行成本以及弃风惩罚成本；Ns
代表场景个数，NG代表常规火电机组台数，ps为第S个概率场景发生的概率；ai、bi、ci分别为
第i台火电机组发电成本系数，PGi,t,s为第i台火电机组在场景s下t时刻的调度出力，Si为第
i台火电机组启停成本系数，ui,t为第i台火电机组在t时刻的运行状态系数，为1代表处于运
行状态；kCSP为CSP电站的发电成本系数，PCSP,t,s为CSP电站在场景s下t时刻的调度出力，SCSP
为CSP电站的启停成本系数，uCSP,t,s为CSP电站在场景s下t时刻的运行状态系数，为1代表处
于运行状态；kW为风电场运行成本系数，PW,t,s为风电在场景s下t时刻的调度出力；kcW为弃风
惩罚成本系数， 为风电日前在场景s下t时刻的预测出力；kIDRA、kIDRB分别为A类IDR负荷
与B类IDR负荷的调用成本系数，△IDRAt为A类IDR负荷在t时刻的调用量，△IDRBt,s为B类
IDR负荷在s场景下t时刻的调用量；

[0106] 日前优化调度模型的约束条件为：

[0107] 系统功率平衡约束为式(6)，

[0108]

[0109] 式中， 为负荷日前在场景s下t时刻的预测值；

[0110] 火电机组出力约束如式(7)所示，

[0111]

[0112] 式中， 为第i台火电机组的最小技术出力， 为第i台火电机组的最大技术出力；

[0113] 火电机组爬坡约束如式(8)所示，

[0114]

[0115] 式中，Riu为火电机组i的爬坡速率；

[0116] 风电运行约束为式(9)

[0117]

[0118] CSP电站能量守恒约束为式(10)

[0119] Ptth,S‑H+Ptth,T‑H＝Ptth,H‑T+utCPSUth+Ptth,H‑P  (10)

[0120] 式中，Ptth,S‑H为CSP电站光场吸收的太阳能热量、Ptth,T‑H为CSP电站由TES向导热工th,H‑T
质释放的热量，该部分热量可被用于CSP电站发电、Pt 为CSP电站中由导热工质向TES存
th,H‑P
储的热量，该部分热量可存储于CSP电站的TES中、Pt 为CSP电站的导热工质中用于发电
的热量；

[0121] 通过日前优化调度，能够得到常规机组启停计划、PDR各时刻响应量、A类IDR负荷调用计划，根据式(5)、(6)、(7)、(8)、(9)、(10)，将变量△PDRt、ui,t、△IDRAt作为定值代入
日内调度模型中；

[0122] ④日内优化调度模型

[0123] 日内调度目标与日前调度相同，为系统总成本最低，

[0124]

[0125] 式中，f2为日内调度目标函数，△T为日内调度一个调度周期时长，t0为当前调度时段的初始时刻， 为日内旋转备用预留成本， 分别为日内火电机组与CSP电
站提供旋转备用成本系数， 分别为火电机组与CSP电站日内所提供
的正/负旋转备用容量，同时，日前调度确定的常规机组启停计划ui,t以及A类IDR负荷响应
量△IDRAt为定值，不再进行相应优化；

[0126] 由于日前调度已确定常规机组启停计划以及PDR负荷、A类IDR负荷响应量，因此日内调度中将不存在机组组合约束以及对于PDR、A类IDR负荷响应量约束；同时，由于日内调
度中采用机会约束处理不确定性问题，因此日内调度在旋转备用约束上较日前调度有所不
同，如式(12)所示，

[0127]

[0128] 式中，Pr{}为置信度表达式，α、β分别为满足正旋转备用与负旋转备用约束的置信度，取值都为0.95；

[0129] 日内调度中系统功率平衡约束为式(13)，由于日内调度中不采用多场景随机优化，因此不存在多个场景的约束，

[0130]

[0131] 式中， 为负荷在t时刻的日内预测值；PGi,t为第i台火电机组在t时刻的调度出力，PCSP,t为CSP电站在t时刻的调度出力，PW,t为风电在t时刻的调度出力；△IDRAt为A类IDR
负荷在t时刻的调用量，△IDRBt为B类IDR负荷在t时刻的调用量；

[0132] 火电机组日内出力约束如式(14)所示，

[0133]

[0134] 火电机组爬坡约束如式(15)所示，

[0135]

[0136] 风电运行约束为式(16)

[0137]

[0138] 式中， 为风电日内t时刻预测出力；

[0139] CSP电站能量守恒约束为式(17)

[0140] Ptth,S‑H+Ptth,T‑H＝Ptth,H‑T+utCPSUth+Ptth,H‑P  (17)。

[0141] 本实施例是以某电网实际负荷、风电出力、光伏出力以及太阳辐射指数为依据，在IEEE‑30节点系统中进行算例仿真，通过在风电呈现正反两种调峰场景下，并设定三种不同
的调度方式进行对比，以此验证本发明的一种考虑源‑荷协调优化的多源电力系统多时间
尺度调度方法所构建模型的有效性。

[0142] 实施例计算条件说明如下：

[0143] 1)IEEE‑30节点系统中包括6台火电机组，容量分别为200MW、80MW、50MW、40MW、35MW、30MW，一个300MW风电场，一个100MW的CSP电站以及一个A类负荷聚合商与一个B类负
荷聚合商。

[0144] 2)所设定的三种调度方式分别是：

[0145] 方式1：CSP电站自然出力，不参与协调调度，同时不考虑多时间尺度调度，所有需求侧资源的调用计划在日前安排；

[0146] 方式2：在方式1的基础上协调调度CSP电站与需求侧资源，旋转备用由火电机组与CSP电站共同提供，但不进行多时间尺度调度，CSP电站的启停计划以及需求侧资源的调用
计划于日前制定；

[0147] 方式3：采用本发明的一种考虑源‑荷协调优化的多源电力系统多时间尺度调度方法。

[0148] 在上述计算条件下，应用本发明的一种考虑源‑荷协调优化的多源电力系统多时间尺度调度方法对联合发电系统的优化调度结果如下：

[0149] 1.源‑荷多时间尺度模型在协调优化源荷侧可调节资源，促进系统风电消纳上的作用与效果。

[0150] 图1为风电在呈现反调峰场景下调度计划，图2为风电在呈现正调峰场景下调度计划，图3为风电呈现反调峰场景下需求侧资源的调用情况，图4风电呈现正调峰场景下需求
侧资源的调用情况，图5为两种风电场景下CSP电站的调度出力与自然出力的对比情况。

[0151] 结合图1‑图4能够看出，在风电出力呈现反调峰的场景下，1‑6时与22‑24时需求响应前负荷较低，此时正对应风电的多发时段，通过本文调度策略中对PDR以及IDR负荷的调
用，这一时段的负荷需求有所提高，该时段的弃风量有所降低。而在风电出力呈现正调峰的
场景下，由于风电的高发时段位于9‑14时以及16‑19时，且此时段需求响应前负荷较高，因
此正调峰场景下IDR负荷的正调用量相比反调峰场景减少了94.64％。

[0152] 同时，通过图3和图4各类需求侧资源的调用情况能够看出，B类IDR负荷由于响应速度快，在日内调度中需要频繁调用B类IDR负荷来平衡风电出力的波动性，因此其响应量
变化较为剧烈。

[0153] 结合图3‑图5能够看出，在风电呈现反调峰的场景下，18‑20时风电出力呈现增加趋势，此时相比于自然出力状态，CSP电站经过调度后降低自身出力，为电网提供更多的风
电消纳空间，并将多余能量存储于TES中；而20‑22时风电出力下降较为剧烈，此时CSP电站
通过自身的能量时移特性与灵活调节能力，将之前存储的热量转换为电能释放，在弥补风
电出力缺额的同时降低了火电机组的出力，有利于系统运行经济性。

[0154] 而对比风电出力为反调峰场景与正调峰场景时CSP电站的调度出力能够看出，由于正调峰场景下风电出力高发时段大多处于白天，为了保证风电的消纳能力，CSP电站经调
度后在9‑19时出力相比反调峰场景较低，为风电提供了更多上网空间，同时，在19‑23时风
电出力开始出现下降趋势时CSP电站的调度出力相比反调峰场景较高，以此达到平衡负荷
需求的目的。

[0155] 结合图3‑图5需求侧资源与CSP电站参与调节的时间阶段能够看出，由于CSP电站需要通过存储与利用太阳能热来实现发电与能量时移利用，因此其主要调节时段位于8时
之后，而需求侧资源参与调节的时段则多位于0‑8时，较好的实现了资源的互补利用。

[0156] 2、验证本发明的一种考虑源‑荷协调优化的多源电力系统多时间尺度调度方法所构建源‑荷多时间尺度调度模型对降低系统成本的有效性

[0157] 表1为三种调度方式下系统在两种风电场景下的弃风惩罚成本、旋备成本、IDR调用成本以及系统总成本上的具体数值。

[0158] 表1

[0159]

[0160] 由表1能够看出，由于方式3考虑了B类IDR负荷与CSP电站的快速响应能力，使系统能够在更短的时间尺度内根据风电的波动调整调度计划来促进系统风电消纳，因此其在反
调峰场景下相比方式1与方式2弃风惩罚成本分别降低了24.22％与19.4％。此外，正调峰场
景下方式2相比方式1的弃风惩罚成本降低了53.98％，而采用调度方式3时无弃风惩罚成
本，这是由于正调峰场景下风电出力的高发时段集中于白天，而此时CSP电站可调节能力较
高，可为风电提供更多的上网空间。

[0161] 对比IDR调用成本能够看出，风电呈现反调峰场景与正调峰场景下方式3的IDR调用成本都为最低。这是由于方式3相比方式1考虑了CSP电站参与调节的源荷协调调度，减少
了IDR负荷为平抑风电波动而需要的调节量；而方式3相比方式2又进一步考虑了多时间尺
度调度，这使系统能够更加精确地调用IDR负荷，减少了部分不必要的IDR负荷调用量。

[0162] 同时，由表1中旋转备用成本的对比能够看出，在风电反调峰场景下方式2相比方式1旋转备用成本降低了10.58％，方式3相比方式2旋转备用成本降低了8.9％。这是由于方
式2的调度方式中考虑了CSP电站与火电机组共同提供系统旋转备用，这使得火电机组提供
旋转备用的成本有所降低；而方式3的系统旋转备用成本在日内调度中确定，由于日内预测
相比日前预测更加精确，系统为应对预测误差而所需的旋转备用容量相比只进行日前调度
的方式2有所减少，因此旋转备用成本相比方式2有所降低。

[0163] 本发明实施例中的计算条件、图例仅用于对本发明作进一步的说明，并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实施例获得的启示，不经
过创造性劳动就能够想到其它实质上同的替代，均在本发明保护范围内。