本发明公开了一种基于自适应模型控制预测的抽水蓄能调度方法，属于电气工程技术领域，所述方法包括：将抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用末态库容约束值并基于模型预测控制对目标调度出清模型进行滚动出清，以对各机组出力进行调度。本发明通过引入模型控制预测方案，利用自适应函数对实时负荷波动进行计划库容调整，利用末态库容约束值并基于模型预测控制对目标调度出清模型进行滚动出清，最终实现实时市场下抽水蓄能机组的有效调度。
1.一种基于自适应模型控制预测的抽水蓄能调度方法，其特征在于，包括：S1：建立抽水蓄能机组的库容能量等效模型；
S2：将所述抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；
S3：利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用所述末态库容约束值并基于模型预测控制对所述目标调度出清模型进行滚动出清，以对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度；
S31：将实时市场调度周期对应日前市场调度周期，每个调度周期包括八个时段，其中，第一时段为初始时段，第八时段为末态时段；
S32：关于每个调度周期的迭代约束初始值，确定方法如下：
第一个调度周期，将日前电力市场下第一时段的数据作为实时电力市场下第一时段的迭代约束初始值；所述日前电力市场下的数据包括火电机组出力、风电光伏机组出力和抽水蓄能库容值；
剩下实时电力市场调度周期，将上一个调度周期中第二时段基于所述模型预测控制的求解数据作为当前实时电力市场调度周期中第一时段的迭代约束初始值；所述求解数据包括：火电机组出力，风电光伏机组出力，抽水机组出力和库容值，S33：关于每个调度周期的末态库容约束值，确定方法如下：
在每个调度周期中，将日前电力市场下第八时段的抽水蓄能库容数据作为实时电力市场下第八时段的末态库容约束值，并利用神经网络算法获取的实时负荷波动的自适应函数以对所述末态库容约束值进行实时修正，从而得到最终实时电力市场下的各个调度周期的末态库容约束值；
S34：利用各个调度周期的迭代约束初始值和末态库容约束值对所述目标调度出清模型进行滚动出清得到出清结果，利用所述出清结果对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
2.如权利要求1所述的基于自适应模型控制预测的抽水蓄能调度方法，其特征在于，所述S1包括：利用公式 建立所述抽水蓄能机组的库容能量等效模型；
其中， 是 时刻的上水库的等效能量， 是 时刻的上水库的等效能量， 为抽水功率， 为发电量，表示一个调度时间段的长度。
3.如权利要求2所述的基于自适应模型控制预测的抽水蓄能调度方法，其特征在于，所述抽水功率 利用公式 计算获得， 是由所述抽水蓄能机组确定的常数；
所述发电量 利用公式 计算获得，为常数项，是考虑重力加速度的数值因子， ， 和 分别是放水发电和抽水蓄电的效率，是净水头，是水流量。
4.如权利要求1所述的基于自适应模型控制预测的抽水蓄能调度方法，其特征在于，所述模型预测控制，其数学表达式为：目标函数： ；
其中， 为火电机组发电的成本函数，为待求解的一个调度周期内全体时段下火电机组出力 的集合；为实时电力市场一个调度周期内的时段数量； 表示第 个时段的负荷和风电光伏机组出力； 表示第 个时段的火电机组出力数据， 表示第 个时段的抽水蓄能机组出力和库容数据，为负荷和风电光伏出力预测函数； 表示不等式约束函数，包括机组爬坡约束和机组出力约束； 表示等式约束函数，包括负荷平衡约束和抽水蓄能机组库容约束，表示初始时段的负荷和风电光伏机组出力数据；
求解所述模型预测控制得到解的表达式为： ；选取 为实
时电力市场下当前调度周期内第一个时段的出清结果，其余时段结果舍弃；之后下一个调度周期的初始时段和末态时段分别向后推移一个时段，继续重复上述求解过程。
5.如权利要求1所述的基于自适应模型控制预测的抽水蓄能调度方法，其特征在于，所述S33中并利用神经网络算法获取的实时负荷波动的自适应函数以对所述末态库容约束值进行实时修正，包括：利用神经网络算法求解自适应模型 ，得到实时市场下
时段末态等效库容能量 ，利用末态等效库容能量 获取计算最终实时市场下的各个调度周期的末态库容约束值；
其中， 和 分别为实时负荷和日前负荷， 为日前市场下时段末态等效库容能量，为自适应函数。
6.如权利要求5所述的基于自适应模型控制预测的抽水蓄能调度方法，其特征在于，所述S33之前，所述方法还包括：通过对不同负荷波动情况进行聚类处理，将具有相似波动特性的归为同一种类型：；其中， 为负荷波动类型总数， 为对应类型下的负荷集；
利用神经网络算法对研究的抽蓄机组进行负荷库容等效能量模型训练，从而得到针对实时负荷波动的自适应函数。
7.一种基于自适应模型控制预测的抽水蓄能调度装置，其特征在于，用于执行权利要求1‑6任一项所述的基于自适应模型控制预测的抽水蓄能调度方法，包括：建立模块，用于建立抽水蓄能机组的库容能量等效模型；
结合模块，用于将所述抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；
调度模块，用于利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用所述末态库容约束值并基于模型预测控制对所述目标调度出清模型进行滚动出清，以对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度；
所述调度模块，还用于将实时市场调度周期对应日前市场调度周期，每个调度周期包括八个时段，其中，第一时段为初始时段，第八时段为末态时段；关于每个调度周期的迭代约束初始值，确定方法如下：第一个调度周期，将日前电力市场下第一时段的数据作为实时电力市场下第一时段的迭代约束初始值；所述日前电力市场下的数据包括火电机组出力、风电光伏机组出力和抽水蓄能库容值；剩下实时电力市场调度周期，将上一个调度周期中第二时段基于所述模型预测控制的求解数据作为当前实时电力市场调度周期中第一时段的迭代约束初始值；所述求解数据包括：火电机组出力，风电光伏机组出力，抽水机组出力和库容值；关于每个调度周期的末态库容约束值，确定方法如下：在每个调度周期中，将日前电力市场下第八时段的抽水蓄能库容数据作为实时电力市场下第八时段的末态库容约束值，并利用神经网络算法获取的实时负荷波动的自适应函数以对所述末态库容约束值进行实时修正，从而得到最终实时电力市场下的各个调度周期的末态库容约束值；利用各个调度周期的迭代约束初始值和末态库容约束值对所述目标调度出清模型进行滚动出清得到出清结果，利用所述出清结果对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
一种基于自适应模型控制预测的抽水蓄能调度方法
技术领域
[0001] 本发明属于电气工程技术领域，更具体地，涉及一种基于自适应模型控制预测的抽水蓄能调度方法。
背景技术
[0002] 现货市场运行是电力市场改革的深水区，其涉及机组种类繁多，能源交易结构复杂，调度约束难以确定，存在负荷和新能源波动的诸多情况。其中，抽水蓄能机组作为电力调度中的重要一环，具有削峰填谷，调节减价，缓解火电机组爬坡约束等多种方法。在实时市场下，抽蓄还承担着抑制尖端电价，平滑负荷曲线的作用，因为在及时竞价中，可能存在负荷突增，新能源出力骤降的情况，而此时往往会导致极端电价的出现，不利于整体市场交易环境，而通过抽蓄机组调节能够有效减少甚至规避这种情况。
[0003] 然而，现在抽水蓄能机组基本无法参与实时市场调度，这是由于其在调度时必须事先给定计划水库库容。通常在日内调度或者周内调度都以初末态库容值相等为约束，而实时电力市场单个调度周期仅有15分钟，且存在负荷波动的情况，无法确定调度初末态的调度计划库容值，故难以对相邻调度阶段的抽水蓄能机组进行调度分析。现有的所有调度方案只能通过调度员的经验来判断，存在极强的主观性和不可控性，容易造成安全隐患，经济性也无法保证。
发明内容
[0004] 针对现有技术的以上缺陷或改进需求，本发明提供了一种基于自适应模型控制预测的抽水蓄能调度方法，其目的在于利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用所述末态库容约束值并基于模型预测控制对增加有抽水蓄能机组的库容能量等效模型的调度出清模型进行滚动出清，以对各机组出力进行调度，由此解决现有实时电力市场对抽水蓄能机组的调度操作难度大以及调度效率低的技术问题。
[0005] 为实现上述目的，按照本发明的一个方面，提供了一种基于自适应模型控制预测的抽水蓄能调度方法，包括：
[0006] S1：建立抽水蓄能机组的库容能量等效模型；
[0007] S2：将所述抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；
[0008] S3：利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用所述末态库容约束值并基于模型预测控制对所述目标调度出清模型进行滚动出清，以对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
[0009] 在其中一个实施例中，所述S1包括：
[0010] 利用公式建立所述抽水蓄能机组的库容能量等效模型；
[0011] 其中， 是 时刻的上水库的等效能量， 是 时刻的上水库的等效能量，为抽水功率， 为发电量，表示一个调度时间段的长度。
[0012] 在其中一个实施例中，
[0013] 所述抽水功率 利用公式 计算获得， 是由所述抽水蓄能机组确定的常数；
[0014] 所述发电量 利用公式 计算获得，为常数项，是考虑重力加速度的数值因子， ， 和 分别是放水发电和抽水蓄电的效率，是净水头，
是水流量。
[0015] 在其中一个实施例中，所述S3包括：
[0016] S31：将实时市场调度周期对应日前市场调度周期，每个调度周期包括八个时段，其中，第一时段为初始时段，第八时段为末态时段；
[0017] S32：关于每个调度周期的迭代约束初始值，确定方法如下：
[0018] 第一个调度周期，将日前电力市场下第一时段的数据作为实时电力市场下第一时段的迭代约束初始值；所述日前电力市场下的数据包括火电机组出力、风电光伏机组出力和抽水蓄能库容值；
[0019] 剩下实时电力市场调度周期，将上一个调度周期中第二时段基于所述模型预测控制的求解数据作为当前实时电力市场调度周期中第一时段的迭代约束初始值；所述求解数据包括：火电机组出力，风电光伏机组出力，抽水机组出力和库容值，
[0020] S33：关于每个调度周期的末态库容约束值，确定方法如下：
[0021] 在每个调度周期中，将日前电力市场下第八时段的抽水蓄能库容数据作为实时电力市场下第八时段的末态库容约束值，并利用神经网络算法获取的实时负荷波动的自适应函数以对所述末态约束值进行实时修正，从而得到最终实时电力市场下的各个调度周期的末态库容约束值；
[0022] S34：利用各个调度周期的迭代约束初始值和末态库容约束值对所述目标调度出清模型进行滚动出清得到出清结果，利用所述出清结果对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
[0023] 在其中一个实施例中，所述模型预测控制，其数学表达式为：
[0024] 目标函数： ；
[0025] ；
[0026] ；
[0027] ；
[0028] ；
[0029] 其中， 为火电机组发电的成本函数，为待求解的一个调度周期内全体时段下火电机组出力 的集合；为实时电力市场一个调度周期内的时段数量； 表示第 个时段的负荷和风电光伏机组出力； 表示第 个时段的火电机组出力数据， 表示第 个时段的抽水蓄能机组出力和库容数据， 为负荷和风电光伏出力预测函数；表示不等式约束函数，包括机组爬坡约束和机组出力约束；
表示等式约束函数，包括负荷平衡约束和抽水蓄能机组库容约束，表
示初始时段的负荷和风电光伏机组出力数据；
[0030] 求解所述模型预测控制得到解的表达式为： ；选取为实时电力市场下当前调度周期内第一个时段的出清结果，其余时段结果舍弃；之后下一个调度周期的初始时段和末态时段分别向后推移一个时段，继续重复上述求解过程。
[0031] 在其中一个实施例中，所述S33中并利用神经网络算法获取的实时负荷波动的自适应函数以对所述末态约束值进行实时修正，包括：
[0032] 利用神经网络算法求解自适应模型 ，得到实时市场下 时段末态等效库容能量 ，利用末态等效库容能量 获取计算最终实时市场
下的各个调度周期的末态库容约束值；
[0033] 其中， 和 分别为实时负荷和日前负荷， 为日前市场下 时段末态等效库容能量，为自适应函数。
[0034] 在其中一个实施例中，所述S33之前，所述方法还包括：
[0035] 通过对不同负荷波动情况进行聚类处理，将具有相似波动特性的归为同一种类型： ；其中， 为负荷波动类型总数， 为对应类型下的负荷集；
[0036] 利用神经网络算法对研究的抽蓄机组进行负荷库容等效能量模型训练，从而得到针对实时负荷波动的自适应函数。
[0037] 按照本发明的另一种基于自适应模型控制预测的抽水蓄能调度装置，包括：
[0038] 建立模块，用于建立抽水蓄能机组的库容能量等效模型；
[0039] 结合模块，用于将所述抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；
[0040] 调度模块，用于利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用所述末态库容约束值并基于模型预测控制对所述目标调度出清模型进行滚动出清，以对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
[0041] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0042] 本发明提供一种基于自适应模型控制预测的抽水蓄能调度方法，通过将抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用末态库容约束值并基于模型预测控制对目标调度出清模型进行滚动出清，以对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。解决由于实时市场下抽水蓄能计划角度库容难以确定，且不能较好适应负荷波动的情况，本发明引入模型控制预测方案，利用自适应函数对实时负荷波动进行计划库容调整，利用末态库容约束值并基于模型预测控制对目标调度出清模型进行滚动出清，最终实现实时市场下抽水蓄能机组的有效调度。
附图说明
[0043] 图1是本发明一实施例中提供的一种基于自适应模型控制预测的抽水蓄能调度方法的流程图。
[0044] 图2是本发明一实施例中提供的模型预测控制的流程逻辑图。
[0045] 图3是本发明一实施例中提供的基于模型预测控制的滚动调度的原理流程。
[0046] 图4是本发明一实施例中提供的基于神经网络算法获取自适应函数的流程图。
[0047] 图5是本发明一实施例中提供的39节点系统拓扑图。
[0048] 图6是本发明一实施例中提供的自适应MPC调度结果示意图。
[0049] 图7是本发明一实施例中提供的经验调度方案与自适应MPC调度方案下节点边际电价对比图。
[0050] 图8a是本发明一实施例中提供的增长性波动的情况分类示意图。
[0051] 图8b是本发明一实施例中提供的平稳型波动的情况分类示意图。
[0052] 图8c是本发明一实施例中提供的减小型波动的情况分类示意图。
具体实施方式
[0053] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0054] 如图1所示，本发明提供一种基于自适应模型控制预测的抽水蓄能调度方法，包括：S1：建立抽水蓄能机组的库容能量等效模型；S2：将抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；S3：利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用末态库容约束值并基于模型预测控制对目标调度出清模型进行滚动出清，以对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
[0055] 在其中一个实施例中，S1包括：利用公式 建立所述抽水蓄能机组的库容能量等效模型；其中， 是时刻的上水库的等效能量， 是 时
刻的上水库的等效能量， 为抽水功率， 为发电量，表示一个调度时间段的长度。
[0056] 首先建立抽水蓄能机组的库容‑能量等效模型。一般来说，抽水蓄能电站负责调峰调频、调峰填谷，其工作状态一般可分为抽水蓄能发电和放水发电。在实际的水电站中，抽水过程是由水泵完成的，其功率由机器的参数和型号决定，通常为固定的常数。当电网负荷较低时，抽蓄机组将水从下水库抽到上水库，完成其储能作用。抽水功率可以表示为：
[0057] ；
[0058] 其中 是由抽水机器确定的常数。相比抽水蓄能过程，放水发电的过程比较复杂。其本质是在电力系统负荷较低时从上部蓄水池放水，水流带动涡轮发电，然后流入下层水库。其发电量主要由净水头、水流量和物理常数决定，可表示为：
[0059] ；
[0060] 其中 和 分别是放水发电和抽水蓄电的效率，是净水头，是水流量。其中的常数项( )是考虑重力加速度的数值因子。一般而言，库容的变化由水流量 决定，即有：
[0061] ；
[0062] 其中 表示时刻的上水库库容，表示一个调度时间段的长度，是水流量，通过仿真分析发现，通过流量模型求解实时市场下的安全约束经济调度需要花费大量时间，难以满足15分钟调度周期的快速计算需求。因此我们将物理意义上的库容转化为实际蕴含2
的能量，即1m 的水换算成对应蕴藏的能量，从而避免了大量无意义的计算，而改进模型的精度并不会相差非常多，故抽蓄机组的能量变化如式所示：
[0063]
[0064] 其中 是时刻的上水库的等效能量。通过库容‑能量等效，我们可以方便将抽水蓄能机组模型与现有的安全约束机组组合进行调度出清求解。
[0065] 在其中一个实施例中，抽水功率 利用公式 计算获得， 是由抽水蓄能机组确定的常数；发电量 利用公式 计算获得，为常数项，是
考虑重力加速度的数值因子， ， 和 分别是放水发电和抽水蓄电的效
率，是净水头，是水流量。
[0066] 在其中一个实施例中，S3包括：
[0067] S31：将实时市场调度周期对应日前市场调度周期，每个调度周期包括八个时段，其中，第一时段为初始时段，第八时段为末态时段；
[0068] S32：关于每个调度周期的迭代约束初始值，确定方法如下：第一个调度周期，将日前电力市场下第一时段的数据作为实时电力市场下第一时段的迭代约束初始值；日前电力市场下的数据包括火电机组出力、风电光伏机组出力和抽水蓄能库容值；剩下实时电力市场调度周期，将上一个调度周期中第二时段基于模型预测控制的求解数据作为当前实时电力市场调度周期中第一时段的迭代约束初始值；求解数据包括：火电机组出力，风电光伏机组出力，抽水机组出力和库容值，
[0069] S33：关于每个调度周期的末态库容约束值，确定方法如下：在每个调度周期中，将日前电力市场下第八时段的抽水蓄能库容数据作为实时电力市场下第八时段的末态库容约束值，并利用神经网络算法获取的实时负荷波动的自适应函数以对末态约束值进行实时修正，从而得到最终实时电力市场下的各个调度周期的末态库容约束值；
[0070] S34：利用各个调度周期的迭代约束初始值和末态库容约束值对目标调度出清模型进行滚动出清得到出清结果，利用出清结果对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
[0071] 在其中一个实施例中，模型预测控制，其数学表达式为：
[0072] 目标函数： ；
[0073] ；
[0074] ；
[0075] ；
[0076] ；
[0077] 其中， 为火电机组发电的成本函数，为待求解的一个调度周期内全体时段下火电机组出力 的集合；为实时电力市场一个调度周期内的时段数量； 表示第 个时段的负荷和风电光伏机组出力； 表示第 个时段的火电机组出力数据， 表示第 个时段的抽水蓄能机组出力和库容数据， 为负荷和风电光伏出力预测函数；表示不等式约束函数，包括机组爬坡约束和机组出力约束；
表示等式约束函数，包括负荷平衡约束和抽水蓄能机组库容约束，表
示初始时段的负荷和风电光伏机组出力数据；
[0078] 求解模型预测控制得到解的表达式为： ；选取 为实时电力市场下当前调度周期内第一个时段的出清结果，其余时段结果舍弃；之后下一个调度周期的初始时段和末态时段分别向后推移一个时段，继续重复上述求解过程。
[0079] 具体的，通过模型预测控制来确定实时市场调度中每个调度阶段初末态的等效能量计划值。根据实时市场特点，一次调度的周期仅有8个点，也就是考虑2个小时的负荷预测数据，但是抽蓄机组本身的物理特点决定了其不能够进行短期调度。要解决上述问题，可以采用模型预测控制的方法，其本质思想在于利用多时间的数据进行调度，
[0080] 最终选取第一个时间节点的数据作为结果，其数学模型如式至式所示，
[0081] 目标函数： ；
[0082] ；
[0083] ；
[0084] ；
[0085] ；
[0086] 为待求解的一个调度周期内全体时段下火电机组出力 的集合，表示不等式约束函数，包括机组爬坡约束和机组出力约束；
表示等式约束函数，包括负荷平衡约束和抽水蓄能机组库容约束，表
示初始时段的负荷和风电 光伏机组出力数据 ；求解上述模型 ，结 果为
，选取 为实际本时段的结果，之后将所有数据进行更新，继续
推进下一个 时段的模型，依次不断进行，流程逻辑图如图2所示。
[0087] 基于模型控制预测的原理，具有间歇性可再生资源和实时市场需求不确定的电力系统的抽水蓄能电站调度问题可以按照如下步骤进行：
[0088] (i)设置k=0。
[0089] (ii)选择调度范围N。例如，日前市场中N=96，实时市场中N=8。
[0090] (iii)获取负荷和可再生能源波动输出的预测结果。
[0091] (iv)求解整个N时间段内安全约束的调度问题。 表示对应问题的最优解。
[0092] (v)仅选取第一个时间维度的解来作为调度依据。
[0093] (vi)设置和更新下一次控制迭代的预测数据和约束，如备用容量水、负荷需求、机组报价等。之后跳转到(ii)，重复整体过程。
[0094] 该方案通过考虑对未来一段时间的预测，可以吸收一定的不确定性资源，同时也为短期机组提供了相对较长的时限，可以有效解决抽水蓄能机组参与的问题。因此抽水蓄能机组参与实时市场的方案可以参考上述思路，即利用日前市场的调度结果，对应实时市场相应时间点，一一进行条件约束。实时市场中，一次调度周期为8个点，第8个点位的数据即可以采用日前市场的数据。而第一个点的数据采用之前实时调度之后更新的数据。最终求解结果只取第一时刻的结果作为该时刻的市场出清结果。在初始数据更新后，再次将时间往前推进，调度第二个8点周期的实时市场。
[0095] 图3说明了根据日前市场的结果进行滚动调度的过程。通常，日前市场调度周期为96个点，不妨将日前市场的0:00时间点与实时市场的0:00时间点对齐，从而将日前市场0:
00点的库容上限约束作为实时市场0:00点的约束，同时采用日前市场第一个点的其他参数例如机组出力情况，负荷情况等等作为实时调度迭代程序的初始值。实时市场8个点周期中的第2至第7点不进行约束限制，在第8个点的时候，将日前市场的上水库第8点的库容作为实时市场第8个点的库容。
[0096] 在实时市场一个周期8个点出清完成后，将求得的第一个点的数据作为实际出清的结果保留，第二个点对应的机组出力初始值、库容容量约束等作为第二次调度数据的初始值，更新滚动调度程序。第二次实时市场调度中的第8点的库容约束条件，即整个调度中的第9点，仍采用日前市场的第9点的库容约束条件。按照这个方法进行每次8个点的调度，不断向前推进直到实时市场96个点全部出清完毕。整体过程即称之为抽水蓄能机组的实时滚动调度。
[0097] 在其中一个实施例中，S33中并利用神经网络算法获取的实时负荷波动的自适应函数以对末态约束值进行实时修正，包括：利用神经网络算法求解自适应模型，得到实时市场下时段末态等效库容能量 ，利用末态
等效库容能量 获取计算最终实时市场下的各个调度周期的末态库容约束值；其中，和 分别为实时负荷和日前负荷， 为日前市场下时段末态等效库容能量，
为自适应函数。
[0098] 在其中一个实施例中，S33之前，方法还包括：
[0099] 通过对不同负荷波动情况进行聚类处理，将具有相似波动特性的归为同一种类型： ；其中， 为负荷波动类型总数， 为对应类型下的负荷集；
[0100] 利用神经网络算法对研究的抽蓄机组进行负荷库容等效能量模型训练，从而得到针对实时负荷波动的自适应函数。
[0101] 具体的，通过MPC方案可知，抽水蓄能机组实时调度中，末态等效库容能量采用的是日前计划的约束条件。但是实时负荷一般而言会发生波动，单纯采用日前计划库容条件未必适应实时调度，有可能导致无解的情况，从而影响电网运行的安全性和经济性。因此可以针对负荷波动的特点，库容的实际物理情况来进行相应的自适应修正，让其能够在实时负荷波动中获得更好的，更符合实际情况的解，即如式所示：
[0102]
[0103] 其中 为 时刻的实时市场下调度计划末态等效库容能量， 为 时刻的日前市场下调度计划末态等效库容能量， ， 分别为实时负荷和日前负荷。F()为自适应函数，通过神经网络算法训练求解。首先通过对不同负荷波动情况进行聚类处理，将具有相似波动特性的归为同一种类型，如式所示： ；
[0104] 其中M为负荷波动类型总数， 为对应类型下的负荷集。之后采用神经网络算法对研究的抽蓄机组进行负荷‑库容等效能量模型训练，从而得到针对实时负荷波动的自适应函数，具体流程如图4所示。
[0105] 本发明还一种基于自适应模型控制预测的抽水蓄能调度装置，包括：建立模块，用于建立抽水蓄能机组的库容能量等效模型；结合模块，用于将抽水蓄能机组的库容能量等效模型与实时电力市场下的安全约束经济调度模型进行结合，得到目标调度出清模型；调度模块，用于利用实时负荷波动的自适应函数确定出实时电力市场下各个调度周期的抽水蓄能库容的末态库容约束值，利用末态库容约束值并基于模型预测控制对目标调度出清模型进行滚动出清，以对火电机组，抽水蓄能机组和风电光伏机组各自的出力进行调度。
[0106] 举例来说，以IEEE的标准39节点案例case39进行分析计算，如图5所示，系统由39个节点和46个分支组成，其中火电发电机组设置在30 39节点，新能源光伏机组设置在19，~25节点，抽水蓄能机组设置在19，20，25，34节点，参考节点为第31节点，投标价格采用五段报价的形式。负荷分布在节点1、3、4、7、8、9、12、15、16、18、20、21、23 29、39，负荷曲线参考~
了中国某天的实际情况，对应数值按照IEEE标准案例的初始比例进行分布，同时进行了正态分布的波动模拟。
[0107] 根据上述理论，对实时市场下的抽水蓄能机组进行自适应MPC调度，出清结果如图6所示。可以发现实时放水发电功率能很好地贴合实时负荷的曲线，能够有效的削峰填谷。
[0108] 我们进一步对实时市场下的节点边际电价进行分析，通过对传统调度员凭经验调度的方案和MPC调度的方案进行对比，可以发现传统情况下难以预测到负荷波动情况，比较容易出现极端电价情况，而本方案抽蓄出力可以紧密贴合负荷曲线，从而有效抑制峰谷时刻出现的极端电价，使得整体电价曲线变化更加合理。相比于传统调度方案而言，自适应MPC在降低整体购电成本上具有显著的优势，如图7所示，在抽蓄工作出力相同的情况下，仅通过优化出力配置，贴合负荷曲线波动，就使得电网的购电成本从10302万元降低到了9627万元，具体数据如表1所示。
[0109]
[0110] 此外，为了证明相比于MPC调度方案，自适应MPC具有更好的实时适应性，我们修改了对应的负荷数据，选择了多种仿真情景来模拟负荷波动情况，并且将对应变化分为三类，如图8a、图8b和图8c所示，分别是“增长性波动”，“平稳性波动”，“减小性波动”，并对三种情况下进行了自适应MPC调度方案与MPC调度方案的经济性对比。结果表明自适应MPC能更好的适应负荷波动，从而得到更优化的调度结果。
[0111] 通过对三种负荷波动情况下三个典型场景进行对应的调度数据分析对比，包括实时购电成本，放水发电功率。抽水蓄能功率，我们可知自适应MPC调度方案具有较好的实时适应性。在三种情况下，自适应MPC调度均做到了在更小的抽蓄出力情况下，电网公司的实时购电成本更小，也即意味着自适应函数对负荷波动更加敏感，计划库容能够有效贴合实时负荷波动曲线，从而进一步降低尖端电价，实现整体效益最大化。详细参数如表2所示。
[0112]
[0113] 本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
