本發(fā)明涉及電力調(diào)度技術(shù)領(lǐng)域，更具體地說(shuō)，涉及一種電力系統(tǒng)調(diào)度方法及裝置。

背景技術(shù)：

隨著電力系統(tǒng)規(guī)模不斷擴(kuò)大、全國(guó)聯(lián)網(wǎng)的初步形成以及大規(guī)模風(fēng)電注入電網(wǎng)，區(qū)域互聯(lián)電力系統(tǒng)給社會(huì)帶來(lái)巨大經(jīng)濟(jì)效益的同時(shí)，電力系統(tǒng)調(diào)度也面臨著極為嚴(yán)峻的挑戰(zhàn)。

電力系統(tǒng)調(diào)度的實(shí)質(zhì)是非線性優(yōu)化問(wèn)題，伴隨著電力系統(tǒng)規(guī)模的急劇膨脹，所需求解非線性優(yōu)化問(wèn)題的維數(shù)也在不斷增加。目前對(duì)計(jì)及風(fēng)電不確定性的區(qū)域互聯(lián)動(dòng)態(tài)經(jīng)濟(jì)調(diào)度研究才剛剛起步，由于不確定因素較多，求解難度大，計(jì)算效率低，容易導(dǎo)致計(jì)算精度不足、收斂速度緩慢等維數(shù)災(zāi)問(wèn)題。其次，風(fēng)力發(fā)電的波動(dòng)性、間歇性以及難于預(yù)測(cè)等特點(diǎn)也影響著大規(guī)模風(fēng)電并網(wǎng)后系統(tǒng)的穩(wěn)定、安全和經(jīng)濟(jì)運(yùn)行。

因此，如何盡可能的考慮多方面因素，提高求解精度和效率，實(shí)現(xiàn)計(jì)極風(fēng)電不確定性的區(qū)域互聯(lián)電力系統(tǒng)的動(dòng)態(tài)經(jīng)濟(jì)調(diào)度，改善區(qū)域互聯(lián)電力系統(tǒng)調(diào)度的優(yōu)化效果，是本領(lǐng)域技術(shù)人員需要解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種電力系統(tǒng)調(diào)度方法及裝置，以實(shí)現(xiàn)計(jì)及風(fēng)電不確定性的區(qū)域互聯(lián)電力系統(tǒng)的動(dòng)態(tài)經(jīng)濟(jì)調(diào)度，改善區(qū)域互聯(lián)電力系統(tǒng)調(diào)度的優(yōu)化效果。

為實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例提供了如下技術(shù)方案：

一種電力系統(tǒng)調(diào)度方法，包括：

s11、對(duì)風(fēng)電、負(fù)荷進(jìn)行拉丁超立方抽樣，得到樣本；

s12、將每一個(gè)樣本作為一個(gè)場(chǎng)景，通過(guò)場(chǎng)景縮減法對(duì)場(chǎng)景數(shù)量進(jìn)行縮減，在縮減過(guò)程中更新各場(chǎng)景概率和場(chǎng)景數(shù)量，得到具有預(yù)設(shè)場(chǎng)景數(shù)量的場(chǎng)景集合；

s13、從所述場(chǎng)景集合中選取未進(jìn)行標(biāo)準(zhǔn)差分算法操作的場(chǎng)景，并生成對(duì)應(yīng)的種群；

s14、計(jì)算所述種群的方差；

s15、通過(guò)自學(xué)習(xí)選擇操作判斷所述方差是否大于預(yù)設(shè)的極小值；

s16、若是，則對(duì)所述種群進(jìn)行標(biāo)準(zhǔn)差分算法操作，并執(zhí)行s18；

s17、若否，則進(jìn)行縱向交叉操作，并執(zhí)行s14；

s18、判斷所述標(biāo)準(zhǔn)差分算法操作中的當(dāng)前迭代次數(shù)是否達(dá)到預(yù)設(shè)的迭代次數(shù)；若是，則輸出所述種群對(duì)應(yīng)的場(chǎng)景的最優(yōu)費(fèi)用，并執(zhí)行s19；若否，則執(zhí)行s13；

s19、判斷所述場(chǎng)景集合中是否存在未進(jìn)行標(biāo)準(zhǔn)差分算法操作的場(chǎng)景；若是，則執(zhí)行s13；若否，則結(jié)束流程。

其中，所述對(duì)風(fēng)電、負(fù)荷進(jìn)行拉丁超立方抽樣，得到樣本，包括：

根據(jù)預(yù)先創(chuàng)建的風(fēng)電、負(fù)荷的誤差概率模型進(jìn)行拉丁超立方抽樣，并通過(guò)概率分布的逆變換得到樣本。

其中，所述將每一個(gè)樣本作為一個(gè)場(chǎng)景，通過(guò)場(chǎng)景縮減法對(duì)場(chǎng)景數(shù)量進(jìn)行縮減，在縮減過(guò)程中更新各場(chǎng)景概率和場(chǎng)景數(shù)量，得到具有預(yù)設(shè)場(chǎng)景數(shù)量的場(chǎng)景集合，包括：

s21、若所述樣本的數(shù)量為h，則將縮減之前各場(chǎng)景概率置為1/h，所述h為大于1的正整數(shù)；

s22、計(jì)算任意兩個(gè)場(chǎng)景的距離；

s23、針對(duì)每一個(gè)場(chǎng)景xi，在剩余場(chǎng)景中查找與所述場(chǎng)景xi距離最近的場(chǎng)景xj，并計(jì)算所述場(chǎng)景xi與所述場(chǎng)景xj的距離與所述縮減之前各場(chǎng)景概率1/h的乘積；

s24、查找最小乘積并將所述最小乘積中的場(chǎng)景xi削減；

s25、更新所述各場(chǎng)景概率和場(chǎng)景數(shù)量；

s26、判斷更新后的場(chǎng)景數(shù)量是否為所述預(yù)設(shè)場(chǎng)景數(shù)量；若是，則結(jié)束場(chǎng)景縮減，得到具有預(yù)設(shè)場(chǎng)景數(shù)量的場(chǎng)景集合；若否，則執(zhí)行s22。

其中，所述對(duì)所述種群進(jìn)行標(biāo)準(zhǔn)差分算法操作包括：

對(duì)所述種群中的父代個(gè)體執(zhí)行突變操作，獲得與所述父代種群對(duì)應(yīng)的突變個(gè)體；

對(duì)所述父代個(gè)體和所述突變個(gè)體執(zhí)行交叉操作，獲得試驗(yàn)個(gè)體；

對(duì)所述試驗(yàn)個(gè)體和所述父代個(gè)體執(zhí)行選擇操作，獲得所述種群對(duì)應(yīng)的場(chǎng)景的最優(yōu)費(fèi)用。

其中，所述根據(jù)風(fēng)電、負(fù)荷的誤差概率分布進(jìn)行拉丁超立方抽樣，得到樣本之前，還包括：

創(chuàng)建含風(fēng)電場(chǎng)不確定性的區(qū)域互聯(lián)電力系統(tǒng)的調(diào)度模型；所述調(diào)度模型包括：風(fēng)電模型、負(fù)荷誤差概率模型、系統(tǒng)運(yùn)行成本模型、以及系統(tǒng)約束條件模型。

一種電力系統(tǒng)調(diào)度裝置，包括：

采樣模塊，用于對(duì)風(fēng)電、負(fù)荷進(jìn)行拉丁超立方抽樣，得到樣本；

場(chǎng)景縮減模塊，用于將每一個(gè)樣本作為一個(gè)場(chǎng)景，通過(guò)場(chǎng)景縮減法對(duì)場(chǎng)景數(shù)量進(jìn)行縮減，在縮減過(guò)程中更新各場(chǎng)景概率和場(chǎng)景數(shù)量，得到具有預(yù)設(shè)場(chǎng)景數(shù)量的場(chǎng)景集合；

種群生成模塊，用于從所述場(chǎng)景集合中選取未進(jìn)行標(biāo)準(zhǔn)差分算法操作的場(chǎng)景，并生成對(duì)應(yīng)的種群；

計(jì)算模塊，用于計(jì)算所述種群的方差；

第一判斷模塊，用于通過(guò)自學(xué)習(xí)選擇操作判斷所述方差是否大于預(yù)設(shè)的極小值；

標(biāo)準(zhǔn)差分算法模塊，用于當(dāng)通過(guò)自學(xué)習(xí)選擇操作判斷所述方差大于預(yù)設(shè)的極小值時(shí)，對(duì)所述種群進(jìn)行標(biāo)準(zhǔn)差分算法操作；

縱向交叉模塊，用于當(dāng)通過(guò)自學(xué)習(xí)選擇操作判斷所述方差不小于預(yù)設(shè)的極小值時(shí)，進(jìn)行縱向交叉操作，并進(jìn)入計(jì)算模塊；

第二判斷模塊，用于判斷所述標(biāo)準(zhǔn)差分算法操作中的當(dāng)前迭代次數(shù)是否達(dá)到預(yù)設(shè)的迭代次數(shù)；若是，則輸出所述種群對(duì)應(yīng)的場(chǎng)景的最優(yōu)費(fèi)用，并進(jìn)入第三判斷模塊；若否，則進(jìn)入種群生成模塊；

第三判斷模塊，用于判斷所述場(chǎng)景集合中是否存在未進(jìn)行標(biāo)準(zhǔn)差分算法操作的場(chǎng)景；若是，則進(jìn)入種群生成模塊；若否，則結(jié)束流程。

其中，所述采用模塊具體用于：

根據(jù)預(yù)先創(chuàng)建的風(fēng)電、負(fù)荷的誤差概率模型進(jìn)行拉丁超立方抽樣，并通過(guò)概率分布的逆變換得到樣本。

其中，所述場(chǎng)景縮減模塊包括：

第一計(jì)算單元，用于當(dāng)所述樣本的數(shù)量為h時(shí)，將所述各場(chǎng)景概率置為1/h，所述h為大于1的正整數(shù)；

第二計(jì)算單元，用于計(jì)算任意兩個(gè)場(chǎng)景的距離；

第三計(jì)算單元，用于針對(duì)每一個(gè)場(chǎng)景xi，在剩余場(chǎng)景中查找與所述場(chǎng)景xi距離最近的場(chǎng)景xj，并計(jì)算所述場(chǎng)景xi與所述場(chǎng)景xj的距離與所述各場(chǎng)景概率1/h的乘積；

查找單元，用于查找最小乘積并將所述最小乘積中的場(chǎng)景xi削減；

更新單元，用于更新所述各場(chǎng)景概率和場(chǎng)景數(shù)量；

判斷單元，用于判斷更新后的場(chǎng)景數(shù)量是否為所述預(yù)設(shè)場(chǎng)景數(shù)量；若是，則結(jié)束場(chǎng)景縮減，得到具有預(yù)設(shè)場(chǎng)景數(shù)量的場(chǎng)景集合；若否，則進(jìn)入第二計(jì)算單元。

其中，所述標(biāo)準(zhǔn)差分算法模塊包括：

突變操作單元，用于對(duì)所述種群中的父代個(gè)體執(zhí)行突變操作，獲得與所述父代種群對(duì)應(yīng)的突變個(gè)體；

交叉操作單元，用于對(duì)所述父代個(gè)體和所述突變個(gè)體執(zhí)行交叉操作，獲得試驗(yàn)個(gè)體；

選擇操作單元，用于對(duì)所述試驗(yàn)個(gè)體和所述父代個(gè)體執(zhí)行選擇操作，獲得所述種群對(duì)應(yīng)的場(chǎng)景的最優(yōu)費(fèi)用。

其中，還包括：

創(chuàng)建模塊，用于創(chuàng)建含風(fēng)電場(chǎng)不確定性的區(qū)域互聯(lián)電力系統(tǒng)的調(diào)度模型；所述調(diào)度模型包括：風(fēng)電模型、負(fù)荷誤差概率模型、系統(tǒng)運(yùn)行成本模型、以及系統(tǒng)約束條件模型。

通過(guò)以上方案可知，本發(fā)明實(shí)施例提供的一種電力系統(tǒng)調(diào)度方法。所述方法包括：一種電力系統(tǒng)調(diào)度方法，包括：

s11、對(duì)風(fēng)電、負(fù)荷進(jìn)行拉丁超立方抽樣，得到樣本；

s12、將每一個(gè)樣本作為一個(gè)場(chǎng)景，通過(guò)場(chǎng)景縮減法對(duì)場(chǎng)景數(shù)量進(jìn)行縮減，在縮減過(guò)程中更新各場(chǎng)景概率和場(chǎng)景數(shù)量，得到具有預(yù)設(shè)場(chǎng)景數(shù)量的場(chǎng)景集合；

s13、從所述場(chǎng)景集合中選取未進(jìn)行標(biāo)準(zhǔn)差分算法操作的場(chǎng)景，并生成對(duì)應(yīng)的種群；

s14、計(jì)算所述種群的方差；

s15、通過(guò)自學(xué)習(xí)選擇操作判斷所述方差是否大于預(yù)設(shè)的極小值；

s16、若是，則對(duì)所述種群進(jìn)行標(biāo)準(zhǔn)差分算法操作，并執(zhí)行s18；

s17、若否，則進(jìn)行縱向交叉操作，并執(zhí)行s14；

s18、判斷所述標(biāo)準(zhǔn)差分算法操作中的當(dāng)前迭代次數(shù)是否達(dá)到預(yù)設(shè)的迭代次數(shù)；若是，則輸出所述種群對(duì)應(yīng)的場(chǎng)景的最優(yōu)費(fèi)用，并執(zhí)行s19；若否，則執(zhí)行s13；

s19、判斷所述場(chǎng)景集合中是否存在未進(jìn)行標(biāo)準(zhǔn)差分算法操作的場(chǎng)景；若是，則執(zhí)行s13；若否，則結(jié)束流程。

通過(guò)上述方法實(shí)現(xiàn)了計(jì)極風(fēng)電不確定性的區(qū)域互聯(lián)電力系統(tǒng)的動(dòng)態(tài)經(jīng)濟(jì)調(diào)度。

可見，所述方法通過(guò)根據(jù)風(fēng)電、負(fù)荷的誤差概率分布將其不確定性狀態(tài)轉(zhuǎn)化為多個(gè)離散的確定性狀態(tài)，并以概率的形式來(lái)表征其不確定性，該方式既模擬出風(fēng)電、負(fù)荷的不確定性特點(diǎn)，又有效避免建立高度復(fù)雜的隨機(jī)性模型，同時(shí)降低了建模和求解的難度。其中，場(chǎng)景縮減法減少了樣本容量，得到了最能反映現(xiàn)狀的樣本空間，并且基于標(biāo)準(zhǔn)差分算法、自學(xué)習(xí)選擇操作和縱向交叉操作，使得計(jì)算精度更高，有效、合理地計(jì)算出了每一個(gè)場(chǎng)景最優(yōu)化的結(jié)果。通過(guò)上述方法，在考慮多方面因素的前提下，提高了求解精度和效率，改善了區(qū)域互聯(lián)電力系統(tǒng)調(diào)度的優(yōu)化效果。

相應(yīng)地，本發(fā)明實(shí)施例提供的一種電力系統(tǒng)調(diào)度裝置，也具有上述技術(shù)效果。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例公開的一種電力系統(tǒng)的調(diào)度方法流程圖；

圖2為本發(fā)明實(shí)施例公開的另一種電力系統(tǒng)的調(diào)度方法流程圖；

圖3為本發(fā)明實(shí)施例中實(shí)驗(yàn)的系統(tǒng)區(qū)域分布示意圖及各區(qū)域所占總負(fù)荷比例示意圖；

圖4為本發(fā)明實(shí)施例公開的一種電力系統(tǒng)調(diào)度裝置示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明實(shí)施例公開了一種電力系統(tǒng)調(diào)度方法及裝置，實(shí)現(xiàn)了計(jì)及風(fēng)電不確定性的區(qū)域互聯(lián)電力系統(tǒng)的動(dòng)態(tài)經(jīng)濟(jì)調(diào)度。

參見圖1，本發(fā)明實(shí)施例提供的一種電力系統(tǒng)調(diào)度方法，包括：

s11、對(duì)風(fēng)電、負(fù)荷進(jìn)行拉丁超立方抽樣，得到樣本；

具體的，在本實(shí)施例中，所述對(duì)風(fēng)電、負(fù)荷進(jìn)行拉丁超立方抽樣，得到樣本，包括：

根據(jù)預(yù)先創(chuàng)建的風(fēng)電、負(fù)荷的誤差概率模型進(jìn)行拉丁超立方抽樣，并通過(guò)概率分布的逆變換得到樣本。

需要說(shuō)明的是，風(fēng)電、負(fù)荷的誤差滿足正態(tài)分布，故可以創(chuàng)建風(fēng)電、負(fù)荷的誤差概率模型，基于此概率模型抽樣的具體介紹如下：

假設(shè)抽樣規(guī)模為h，隨機(jī)變量個(gè)數(shù)為z，那么第h個(gè)樣本可表示為xh＝[xh1，xh2，...，xhz]k∈(1，h)。采用拉丁超立方技術(shù)對(duì)服從正態(tài)分布的風(fēng)電、負(fù)荷的誤差進(jìn)行抽樣的詳細(xì)步驟如下：

1)假定[xwd,xwu]區(qū)間內(nèi)xw的概率分布函數(shù)為fw(xw)，其中w＝1,2,...,z；

2)將概率分布函數(shù)fw(xw)的取值范圍[fw(xwd),fw(xwd)]分成h個(gè)等概率子區(qū)間；

3)在所有概率子區(qū)間[(i-1)/h,i/h]內(nèi)，隨機(jī)選取一個(gè)qi，且滿足qi＝(i-1+r)/h，則令yiw＝qi·(fw(xwu)-f(xwd))+fw(xwd)，其中r為0到1的隨機(jī)數(shù)；

4)通過(guò)概率分布的逆變換得到相應(yīng)的樣本值，該過(guò)程可表示為

通過(guò)以上步驟便可以獲得相應(yīng)的樣本，為后續(xù)研究提供基礎(chǔ)。

s12、將每一個(gè)樣本作為一個(gè)場(chǎng)景，通過(guò)場(chǎng)景縮減法對(duì)場(chǎng)景數(shù)量進(jìn)行縮減，在縮減過(guò)程中更新各場(chǎng)景概率和場(chǎng)景數(shù)量，得到具有預(yù)設(shè)場(chǎng)景數(shù)量的場(chǎng)景集合；

需要說(shuō)明的是，為確保場(chǎng)景模擬的多樣性，通常采用拉丁超立方采樣技術(shù)生成的場(chǎng)景規(guī)模十分龐大，若是對(duì)每一場(chǎng)景進(jìn)行尋優(yōu)計(jì)算將相當(dāng)耗時(shí)，并且也沒(méi)有必要。因此，在保證一定的樣本擬合精度和計(jì)算速度的前提下，須對(duì)樣本進(jìn)行場(chǎng)景縮減。

s13、從所述場(chǎng)景集合中選取未進(jìn)行標(biāo)準(zhǔn)差分算法操作的場(chǎng)景，并生成對(duì)應(yīng)的種群；

具體的，所述場(chǎng)景集合中有預(yù)設(shè)數(shù)量的場(chǎng)景，需要對(duì)每一個(gè)場(chǎng)景進(jìn)行尋優(yōu)計(jì)算，故每一個(gè)場(chǎng)景需要對(duì)應(yīng)生成相應(yīng)的種群，以便進(jìn)行標(biāo)準(zhǔn)差分算法操作。所述種群中包括：風(fēng)電、負(fù)荷、系統(tǒng)運(yùn)行成本、系統(tǒng)約束條件等相關(guān)數(shù)據(jù)，標(biāo)準(zhǔn)差分算法基于這些數(shù)據(jù)計(jì)算每一個(gè)場(chǎng)景的最優(yōu)費(fèi)用。

s14、計(jì)算所述種群的方差；

需要說(shuō)明的是，由于標(biāo)準(zhǔn)差分算法由于自身固有通過(guò)差分策略來(lái)實(shí)現(xiàn)個(gè)體突變的搜索方式導(dǎo)致該算法在當(dāng)?shù)螖?shù)達(dá)進(jìn)行到一定次數(shù)時(shí)，種群多樣性將可能出現(xiàn)急劇下降，形成“聚集”現(xiàn)象，導(dǎo)致過(guò)早收斂的問(wèn)題。

針對(duì)上述問(wèn)題本發(fā)明實(shí)施例基于標(biāo)準(zhǔn)差分算法提出了自學(xué)習(xí)選擇操作。標(biāo)準(zhǔn)差分算法是利用個(gè)體之間的差分向量進(jìn)行突變產(chǎn)生新的個(gè)體。因此，隨著迭代的逐步深入，當(dāng)出現(xiàn)上述“聚集”現(xiàn)象時(shí)，整個(gè)種群中的每一個(gè)體差異幾乎為0，故在進(jìn)行標(biāo)準(zhǔn)差分算法之前，首先利用公式(1)計(jì)算出種群的方差e；

s15、通過(guò)自學(xué)習(xí)選擇操作判斷所述方差是否大于預(yù)設(shè)的極小值；

具體的，通過(guò)上述步驟計(jì)算出種群的方差后，進(jìn)而判斷所述方差是否大于預(yù)設(shè)的極小值；若所述方差大于預(yù)設(shè)的極小值，則說(shuō)明種群中個(gè)體的差異足夠大，能夠進(jìn)行標(biāo)準(zhǔn)差分算法操作；若所述方差小于預(yù)先設(shè)置的極小值，則說(shuō)明種群中個(gè)體之間差異很小，無(wú)法產(chǎn)生新的突變個(gè)體，容易造成整個(gè)種群陷入局部最優(yōu)值。

s16、若是，則對(duì)所述種群進(jìn)行標(biāo)準(zhǔn)差分算法操作；

s17、若否，則進(jìn)行縱向交叉操作，并執(zhí)行s14；

具體的，當(dāng)所述方差小于預(yù)設(shè)的極小值，則進(jìn)行縱向交叉操作?？v向交叉操作是將種群中可能為不同量綱或不同上下限的不同維變量進(jìn)行算術(shù)交叉。針對(duì)不同量綱或不同上下限的不同維變量無(wú)法直接進(jìn)行算術(shù)交叉的問(wèn)題，在執(zhí)行縱向交叉操作前統(tǒng)一對(duì)父代種群中所有個(gè)體的每一維利用公式(2)執(zhí)行如下歸一化操作：

其中：為父代個(gè)體x^s的第d維；為執(zhí)行歸一化后所對(duì)應(yīng)的標(biāo)量；分別為種群中第d維變量的上下限。

針對(duì)種群中可能出現(xiàn)部分維陷入局部最優(yōu)的現(xiàn)象，縱向交叉操作采用一個(gè)交叉概率pv來(lái)控制當(dāng)前種群中參與交叉的維的規(guī)模，并且每次交叉僅產(chǎn)生一維子代，這有利于幫助部分維擺脫局部最優(yōu)的同時(shí)避免破壞正常維。

縱向交叉操作的數(shù)學(xué)模型如下所示：

假定父代標(biāo)量種群中個(gè)體q^s的d1和d2維分別為和則它們進(jìn)行縱向交叉操作產(chǎn)生中庸解標(biāo)量利用公式(3)表示如下：

其中：r為介于0到1服從均勻分布的隨機(jī)數(shù)；為個(gè)體x^s的d1和d2維通過(guò)縱向交叉產(chǎn)生的中庸解h^s的第d1維。

需要說(shuō)明的是，在執(zhí)行完縱向交叉操作后，須統(tǒng)一對(duì)中庸解標(biāo)量的每一維進(jìn)行如公式(4)所示的反歸一化操作；

其中：hxd反歸一化處理后所得的中庸解。

反歸一化后所得的中庸解需通過(guò)競(jìng)爭(zhēng)操作與其父代個(gè)體比較，擇優(yōu)保留進(jìn)入下一次迭代。

需要說(shuō)明的是，本發(fā)明實(shí)施例在標(biāo)準(zhǔn)差分算法的基礎(chǔ)上，加入了自學(xué)習(xí)選擇操作和縱向交叉操作，由此形成了自學(xué)習(xí)差分算法。

s18、判斷所述標(biāo)準(zhǔn)差分算法操作中的當(dāng)前迭代次數(shù)是否達(dá)到預(yù)設(shè)的迭代次數(shù)；

s19、若是，則輸出所述種群對(duì)應(yīng)的場(chǎng)景的最優(yōu)費(fèi)用，并執(zhí)行s20；若否，則執(zhí)行s13；

具體的，若標(biāo)差分算法中的當(dāng)前迭代次數(shù)達(dá)到預(yù)設(shè)的迭代次數(shù)，則輸出上述步驟中獲得的所述種群對(duì)應(yīng)的場(chǎng)景的最優(yōu)費(fèi)用；否則，從所述場(chǎng)景集合中選取未進(jìn)行標(biāo)準(zhǔn)差分算法操作的場(chǎng)景，并通過(guò)上述各個(gè)步驟計(jì)算其最優(yōu)費(fèi)用。

s20、判斷所述場(chǎng)景集合中是否存在未進(jìn)行標(biāo)準(zhǔn)差分算法操作的場(chǎng)景；若是，則執(zhí)行s13；若否，則結(jié)束流程。

具體的，在對(duì)計(jì)算出一個(gè)場(chǎng)景的最優(yōu)費(fèi)用后，需要判斷所述場(chǎng)景集合中是否還存在未計(jì)算最優(yōu)費(fèi)用的場(chǎng)景；若存在，則通過(guò)上述步驟計(jì)算其最優(yōu)費(fèi)用。

可見，本實(shí)施例提供了一種電力系統(tǒng)調(diào)度方法，所述方法通過(guò)根據(jù)風(fēng)電、負(fù)荷的誤差概率分布將其不確定性狀態(tài)轉(zhuǎn)化為多個(gè)離散的確定性狀態(tài)，并以概率的形式來(lái)表征其不確定性，該方式既模擬出風(fēng)電、負(fù)荷的不確定性特點(diǎn)，又有效避免建立高度復(fù)雜的隨機(jī)性模型，同時(shí)降低了建模和求解的難度。其中，場(chǎng)景縮減法減少了樣本容量，得到了最能反映現(xiàn)狀的樣本空間，并且基于標(biāo)準(zhǔn)差分算法，本發(fā)明實(shí)施例提供了自學(xué)習(xí)選擇操作和縱向交叉操作，形成了自學(xué)習(xí)差分算法，該算法具有良好的收斂特性及魯棒性，有效、合理地計(jì)算出了每一個(gè)場(chǎng)景最優(yōu)化的結(jié)果。通過(guò)上述方法，在考慮多方面因素的前提下，提高了求解精度和效率，改善了區(qū)域互聯(lián)電力系統(tǒng)調(diào)度的優(yōu)化效果。

參見圖2，本發(fā)明實(shí)施例提供的另一種電力系統(tǒng)調(diào)度方法，包括：

s201、對(duì)風(fēng)電、負(fù)荷進(jìn)行拉丁超立方抽樣，得到樣本；

s202、將每一個(gè)樣本作為一個(gè)場(chǎng)景，通過(guò)場(chǎng)景縮減法對(duì)場(chǎng)景數(shù)量進(jìn)行縮減，在縮減過(guò)程中更新各場(chǎng)景概率和場(chǎng)景數(shù)量，得到具有預(yù)設(shè)場(chǎng)景數(shù)量的場(chǎng)景集合；

具體的，所述將每一個(gè)樣本作為一個(gè)場(chǎng)景，通過(guò)場(chǎng)景縮減法對(duì)場(chǎng)景數(shù)量進(jìn)行縮減，在縮減過(guò)程中更新各場(chǎng)景概率和場(chǎng)景數(shù)量，得到具有預(yù)設(shè)場(chǎng)景數(shù)量的場(chǎng)景集合，包括：

s21、若所述樣本的數(shù)量為h，則將縮減之前各場(chǎng)景概率置為1/h，所述h為大于1的正整數(shù)；

s22、計(jì)算任意兩個(gè)場(chǎng)景的距離；

s23、針對(duì)每一個(gè)場(chǎng)景xi，在剩余場(chǎng)景中查找與所述場(chǎng)景xi距離最近的場(chǎng)景xj，并計(jì)算所述場(chǎng)景xi與所述場(chǎng)景xj的距離與所述縮減之前各場(chǎng)景概率1/h的乘積；

s24、查找最小乘積并將所述最小乘積中的場(chǎng)景xi削減；

s25、更新所述各場(chǎng)景概率和場(chǎng)景數(shù)量；

s26、判斷更新后的場(chǎng)景數(shù)量是否為所述預(yù)設(shè)場(chǎng)景數(shù)量；若是，則結(jié)束場(chǎng)景縮減，得到具有預(yù)設(shè)場(chǎng)景數(shù)量的場(chǎng)景集合；若否，則執(zhí)行s22。

具體削減過(guò)程如下：

1)初始化任意一個(gè)場(chǎng)景(樣本)的概率，使所有場(chǎng)景的概率均等，即令設(shè)h^*＝h，h^*為縮減過(guò)程中的場(chǎng)景數(shù)；

2)在h^*個(gè)場(chǎng)景中，利用公式(5)計(jì)算任意兩個(gè)個(gè)場(chǎng)景xi和xj(1≤i≤j≤h^*)場(chǎng)景距離：

3)對(duì)于每一個(gè)場(chǎng)景xi，在剩余場(chǎng)景中，尋找與之對(duì)應(yīng)的距離最近的場(chǎng)景xj，即min{dh(xi,xj)i≠j}，并利用公式(6)計(jì)算以下乘積：

phdi＝min{dh(xi,xj)i≠j}×pi(6)

4)在h^*個(gè)場(chǎng)景中，尋找最小的phd，記為phds，并利用公式(7)將xi從場(chǎng)景集中削減：

phds＝min{phdi|1≤i≤h^*}(7)

5)更新場(chǎng)景概率pj＝p1j+pi，其中p1j為上一個(gè)時(shí)刻更新的場(chǎng)景概率；

6)更新削減后的場(chǎng)景數(shù)h^*＝h^*-hi，其中hi為最小phds的個(gè)數(shù)，最小phds可能不止一個(gè)；

7)判斷是否達(dá)到預(yù)設(shè)的場(chǎng)景數(shù)量，即h^*＝h^*，若是，則結(jié)束場(chǎng)景削減，否則執(zhí)行步驟2)進(jìn)行新的削減。

根據(jù)以上的場(chǎng)景縮減算法，可以得到具有預(yù)設(shè)場(chǎng)景數(shù)量的場(chǎng)景集合。

s203、從所述場(chǎng)景集合中選取未進(jìn)行標(biāo)準(zhǔn)差分算法操作的場(chǎng)景，并生成對(duì)應(yīng)的種群；

s204、計(jì)算所述種群的方差；

s205、通過(guò)自學(xué)習(xí)選擇操作判斷所述方差是否大于預(yù)設(shè)的極小值；

s206、若是，則對(duì)所述種群中的父代個(gè)體執(zhí)行突變操作，獲得與所述父代種群對(duì)應(yīng)的突變個(gè)體；

具體的，對(duì)父代種群中的每一個(gè)個(gè)體x^s執(zhí)行如公式(8)所示的突變操作，獲得與其對(duì)應(yīng)的突變個(gè)體v^s；

v^s＝x^r1+mf·(x^r2-x^r3)(8)

其中:r1,r2,r3∈{1,2,...s}且互不相同，同時(shí)與s不同；x^r1為父代基向量；(x^r2-x^r3)為父代差分向量；縮放比例因子mf為0～2隨機(jī)數(shù)。

s207、對(duì)所述父代個(gè)體和所述突變個(gè)體執(zhí)行交叉操作，獲得試驗(yàn)個(gè)體；

具體的，通過(guò)公式(9)對(duì)父代個(gè)體x^s和突變個(gè)體v^s實(shí)施交叉操作，生成試驗(yàn)個(gè)體u^s，即：

其中:rand(i)為0～1之間的均勻分布隨機(jī)數(shù)；pde為范圍在0到1之間的交叉概率；分別為試驗(yàn)個(gè)體u^s、突變個(gè)體v^s、父代個(gè)體x^s的第i維決策變量。

s208、對(duì)所述試驗(yàn)個(gè)體和所述父代個(gè)體執(zhí)行選擇操作，獲得所述種群對(duì)應(yīng)的場(chǎng)景的最優(yōu)費(fèi)用，并執(zhí)行s210；

具體的，對(duì)試驗(yàn)個(gè)體u^s和父代個(gè)體x^s利用公式(10)執(zhí)行如下選擇操作：

s209、若否，則進(jìn)行縱向交叉操作，并執(zhí)行s204；

s210、判斷所述標(biāo)準(zhǔn)差分算法操作中的當(dāng)前迭代次數(shù)是否達(dá)到預(yù)設(shè)的迭代次數(shù)；

s211、若是，則輸出所述種群對(duì)應(yīng)的場(chǎng)景的最優(yōu)費(fèi)用，并執(zhí)行s212；若否，則執(zhí)行s203；

s212、判斷所述場(chǎng)景集合中是否存在未進(jìn)行標(biāo)準(zhǔn)差分算法操作的場(chǎng)景；若是，則執(zhí)行s203；若否，則結(jié)束流程。

可見，本實(shí)施例提供了一種電力系統(tǒng)調(diào)度方法，所述方法通過(guò)根據(jù)風(fēng)電、負(fù)荷的誤差概率分布將其不確定性狀態(tài)轉(zhuǎn)化為多個(gè)離散的確定性狀態(tài)，并以概率的形式來(lái)表征其不確定性，該方式既模擬出風(fēng)電、負(fù)荷的不確定性特點(diǎn)，又有效避免建立高度復(fù)雜的隨機(jī)性模型，同時(shí)降低了建模和求解的難度。其中，場(chǎng)景縮減法減少了樣本容量，得到了最能反映現(xiàn)狀的樣本空間，并且基于標(biāo)準(zhǔn)差分算法，本發(fā)明實(shí)施例提供了自學(xué)習(xí)選擇操作和縱向交叉操作，形成了自學(xué)習(xí)差分算法，該算法具有良好的收斂特性及魯棒性，有效、合理地計(jì)算出了每一個(gè)場(chǎng)景最優(yōu)化的結(jié)果。通過(guò)上述方法，在考慮多方面因素的前提下，提高了求解精度和效率，改善了區(qū)域互聯(lián)電力系統(tǒng)調(diào)度的優(yōu)化效果。

基于上述任意實(shí)施例，需要說(shuō)明的是，所述根據(jù)風(fēng)電、負(fù)荷的誤差概率分布進(jìn)行拉丁超立方抽樣，得到樣本之前，還包括：

創(chuàng)建含風(fēng)電場(chǎng)不確定性的區(qū)域互聯(lián)電力系統(tǒng)的調(diào)度模型；所述調(diào)度模型包括：風(fēng)電模型、負(fù)荷誤差概率模型、系統(tǒng)運(yùn)行成本模型、以及系統(tǒng)約束條件模型。

具體的，所述風(fēng)電模型包括風(fēng)速以及出力關(guān)系。

由于風(fēng)速服從weibull或rayleigh分布。假定風(fēng)速服從weibull分布，則風(fēng)速概率密度函數(shù)(pdf)如下：

其中：v為風(fēng)速；為風(fēng)速v的概率密度值；λ、τ分別為威布爾分布的尺度和形狀系數(shù)，并分別反應(yīng)其平均風(fēng)速大小和曲線形狀。

那么，風(fēng)電機(jī)組的風(fēng)速與出力關(guān)系如下：

式中：pwt、pwtn分別為風(fēng)電機(jī)組的實(shí)際、額定出力；vci、vn、vco分別為風(fēng)電機(jī)組的切入、額定及切出風(fēng)速。

具體的，系統(tǒng)運(yùn)行成本模型具體為：通過(guò)優(yōu)化各區(qū)域中每臺(tái)發(fā)電機(jī)組的出力以實(shí)現(xiàn)系統(tǒng)運(yùn)行總成本，可用公式(13)表示：

ftotal＝ff+fsr+fwr+frisk(13)

其中：ftotal、ff、fsr、fwr、frisk分別為系統(tǒng)在調(diào)度周期內(nèi)的總運(yùn)行成本、火電機(jī)組總?cè)剂腺M(fèi)用、火電機(jī)組總運(yùn)行維護(hù)成本、風(fēng)力發(fā)電場(chǎng)運(yùn)行維護(hù)成本及系統(tǒng)風(fēng)險(xiǎn)成本。

1)燃料費(fèi)用成本，其中包括：考慮閥點(diǎn)效應(yīng)的火電機(jī)組燃料費(fèi)用函數(shù)和計(jì)及多燃料和閥點(diǎn)效應(yīng)的燃料費(fèi)用函數(shù)。

燃料費(fèi)用成本可以用公式(14)表示：

其中：f(pij,t)是區(qū)域i中機(jī)組j在時(shí)段t的費(fèi)用函數(shù)，t為調(diào)度周期，n為區(qū)域總數(shù)，mi為區(qū)域i中的機(jī)組臺(tái)數(shù)，pij,t為區(qū)域i中機(jī)組j在時(shí)段t的出力。

11)考慮閥點(diǎn)效應(yīng)的火電機(jī)組燃料費(fèi)用函數(shù)

為更加貼近具體的實(shí)際工程，通常需要考慮到汽輪機(jī)進(jìn)氣閥突然開啟所出現(xiàn)的拔絲現(xiàn)象——閥點(diǎn)效應(yīng)，該現(xiàn)象使得需要在二次費(fèi)用函數(shù)增加一個(gè)額外的矯正正弦函數(shù)，如下所示：

式中：aij、bij和cij分別為區(qū)域i中機(jī)組j的燃料費(fèi)用系數(shù)；eij和fij分別是區(qū)域i中機(jī)組j的閥點(diǎn)效應(yīng)系數(shù)；為區(qū)域i中的機(jī)組j的最小出力。

12)計(jì)及多燃料和閥點(diǎn)效應(yīng)的燃料費(fèi)用函數(shù)

對(duì)于同時(shí)考慮多燃料和閥點(diǎn)效應(yīng)的費(fèi)用函數(shù)可表示如下。

其中：aij,k、bij,k、cij,k和eij,k、fij,k是區(qū)域i中機(jī)組j使用燃料類型k的費(fèi)用系數(shù)和閥點(diǎn)效應(yīng)系數(shù)；為區(qū)域i中機(jī)組j的最大技術(shù)出力。

2)火電機(jī)組運(yùn)行和維護(hù)費(fèi)用

其中：csr為火電機(jī)組單位發(fā)電量的運(yùn)行維護(hù)成本。

21)風(fēng)力發(fā)電成本，相對(duì)于高耗能的火電機(jī)組，風(fēng)電場(chǎng)在運(yùn)行過(guò)程中不消耗化石能源，因此，在僅考慮風(fēng)電場(chǎng)運(yùn)行維護(hù)費(fèi)用和投資成本的基礎(chǔ)上，風(fēng)力發(fā)電場(chǎng)平均成本可表示為與風(fēng)電發(fā)電功率成線性關(guān)系：

其中：cwr為每mw·h所支付的成本。

22)風(fēng)險(xiǎn)成本，風(fēng)電場(chǎng)出力越大、旋轉(zhuǎn)備用容量越小，則風(fēng)險(xiǎn)越大；反之則風(fēng)險(xiǎn)越小，其具體表達(dá)式為：

其中：crisk為風(fēng)險(xiǎn)費(fèi)用系數(shù)；α為風(fēng)險(xiǎn)系數(shù)；ps,t為調(diào)度時(shí)段t內(nèi)的旋轉(zhuǎn)備用容量。

具體的，系統(tǒng)約束條件模型包括：

1)為確保系統(tǒng)能運(yùn)行在安全區(qū)間內(nèi)，區(qū)域i中機(jī)組j的功率限制如下：

pij^min≤pij,t≤pij^max(20)

2)爬坡率約束：

其中：urij和drij分別為區(qū)域i中機(jī)組j在相鄰時(shí)段內(nèi)出力爬坡的上、下限。

3)功率平衡：由于電力的不易大規(guī)模儲(chǔ)存，因此要求電力的生產(chǎn)與消費(fèi)應(yīng)具有同時(shí)性，即機(jī)組出力與負(fù)荷需求應(yīng)實(shí)現(xiàn)動(dòng)態(tài)平衡。

其中：pgi,t為區(qū)域i中各發(fā)電機(jī)組在時(shí)段t的總出力，tij,t為時(shí)段t內(nèi)從區(qū)域j流向區(qū)域i的傳輸功率。規(guī)定功率從區(qū)域j傳輸?shù)絽^(qū)域i為正值，反之為負(fù)值。

4)負(fù)荷需求

pdi,t＝pgi,t(23)

其中：pdi,t為區(qū)域i在時(shí)段t的負(fù)荷需求。

5)傳輸線容量限制：

其中：是區(qū)域i到區(qū)域j聯(lián)絡(luò)線上所允許的最大傳輸功率。

6)系統(tǒng)的正、負(fù)旋轉(zhuǎn)備用容量限制

其中：riju,t、rijd,t分別為t時(shí)段內(nèi)區(qū)域i機(jī)組j的所能提供的正、負(fù)旋轉(zhuǎn)備用容量；ru,t、rd,t分別為t時(shí)段內(nèi)系統(tǒng)所規(guī)定總的正、負(fù)旋轉(zhuǎn)備用容量需求，取該時(shí)段系統(tǒng)總負(fù)荷的5％和風(fēng)電場(chǎng)出力的20％之和。

為驗(yàn)證本發(fā)明公開的一種電力系統(tǒng)調(diào)度方法的有效性和合理性，本發(fā)明實(shí)施例還提供了以下實(shí)驗(yàn)，具體介紹如下：

本發(fā)明實(shí)施例提供的區(qū)域互聯(lián)電力系統(tǒng)是典型的三區(qū)域互聯(lián)電力系統(tǒng)，包括一個(gè)風(fēng)電場(chǎng)和十臺(tái)火電機(jī)組。

參加圖3，圖3為該系統(tǒng)的區(qū)域分布示意圖及各區(qū)域所占總負(fù)荷比例示意圖。其中，風(fēng)電場(chǎng)額定出力為pwtn＝200mw，風(fēng)電機(jī)組的切入、額定和切出風(fēng)速分別取5m/s、12m/s和22m/s，風(fēng)電出力及負(fù)荷預(yù)測(cè)誤差分別取25％和5％，結(jié)合各區(qū)域火電機(jī)組的多燃料費(fèi)用系數(shù)、閥點(diǎn)效應(yīng)系數(shù)、聯(lián)絡(luò)線傳輸功率上下限、出力上下限等詳細(xì)參數(shù)，火電機(jī)組單位發(fā)電量運(yùn)行維護(hù)成本系數(shù)為csr＝0.2$/mw,風(fēng)電場(chǎng)單位發(fā)電量的運(yùn)行維護(hù)費(fèi)用系數(shù)cwr＝0.6$/mw；系統(tǒng)風(fēng)險(xiǎn)費(fèi)用系數(shù)crisk＝0.5$/mw。

種群大小設(shè)置為50，迭代次數(shù)為3000次。同時(shí)，為確保仿真結(jié)果對(duì)比的公平性與合理性，在該算例仿真過(guò)程中，兩種算法均采用相同初始種群及算法最優(yōu)參數(shù)設(shè)置即交叉概率pde設(shè)為0.4，縱向交叉概率pc設(shè)為0.6，且求解時(shí)均采用相同平臺(tái)matlabr2010b進(jìn)行程序語(yǔ)言編寫；計(jì)算機(jī)運(yùn)行環(huán)境為inter(r)cpug5400、2.49ghz、內(nèi)存為3.40gb，操作系統(tǒng)為windowsxpprofessional。

根據(jù)本發(fā)明提供的電力系統(tǒng)調(diào)度方法，在matlab平臺(tái)上，采用所提自學(xué)習(xí)差分算法和標(biāo)準(zhǔn)差分算法方法進(jìn)行求解，首先通過(guò)拉丁超立方采樣技術(shù)，可得到500個(gè)具有相同概率的風(fēng)電及負(fù)荷樣本所組成的樣本空間，對(duì)拉丁超立方抽樣所生成的樣本進(jìn)行縮減計(jì)算可得到風(fēng)速及負(fù)荷縮減場(chǎng)景集合。此外，結(jié)合風(fēng)電出力模型可得到不同場(chǎng)景下各調(diào)度時(shí)段風(fēng)速對(duì)應(yīng)的風(fēng)電出力，且各場(chǎng)景在該狀態(tài)下的概率分別為0.37、0.198、0.432；其次，根據(jù)自學(xué)習(xí)差分算法優(yōu)化和標(biāo)準(zhǔn)差分算法計(jì)算各場(chǎng)景30次獨(dú)立運(yùn)行所得最優(yōu)解的最小值、最大值、平均值及cup平均計(jì)算時(shí)間。

同時(shí)，各調(diào)度時(shí)段無(wú)論是發(fā)電機(jī)組的出力上下限、聯(lián)絡(luò)線傳輸功率上下限，還是爬坡率約束、功率平衡等均嚴(yán)格運(yùn)行在安全范圍內(nèi)。這種優(yōu)化結(jié)果表明了自學(xué)習(xí)差分算法能有效地處理各種復(fù)雜區(qū)域互聯(lián)發(fā)電系統(tǒng)安全運(yùn)行的約束問(wèn)題，同時(shí)不至于干擾到自學(xué)習(xí)差分算法本身所固有的動(dòng)態(tài)進(jìn)化過(guò)程。

對(duì)比兩種不同算法的優(yōu)化結(jié)果，可以看出，不同場(chǎng)景下采用自學(xué)習(xí)差分算法進(jìn)行30次獨(dú)立試驗(yàn)優(yōu)化后所得最優(yōu)解分別為：24521.90、24259.66及24313.57，而標(biāo)準(zhǔn)自學(xué)習(xí)算法的最優(yōu)解分別為：24759.8、24735.40及24678.64；相比于標(biāo)準(zhǔn)差分算法，自學(xué)習(xí)差分算法分別提高0.96％、1.92％及1.48％。雖然自學(xué)習(xí)差分算法由于引入縱向交叉操作和自學(xué)習(xí)選擇操作使得算法的cpu運(yùn)行時(shí)間總體上增加了20s左右，但是采用自學(xué)習(xí)差分算法在迭代過(guò)程中比標(biāo)準(zhǔn)差分算法的最終優(yōu)化結(jié)果更好。

由此可見，相比于標(biāo)準(zhǔn)差分算法，在同等迭代次數(shù)、初始種群、種群大小下，采用自學(xué)習(xí)差分算法求解高維、非線性、非凸的計(jì)極風(fēng)電不確定性的區(qū)域互聯(lián)電力系統(tǒng)的最優(yōu)費(fèi)用時(shí)，能夠在相對(duì)合理的計(jì)算時(shí)間內(nèi)取得更好的優(yōu)化結(jié)果。此外，與標(biāo)準(zhǔn)標(biāo)準(zhǔn)差分算法對(duì)比可知，自學(xué)習(xí)差分算法無(wú)論是在最小值，還是最大值、平均值均具備明顯的優(yōu)勢(shì)。

下面對(duì)本發(fā)明實(shí)施例提供的一種電力系統(tǒng)調(diào)度裝置進(jìn)行介紹，下文描述的一種電力系統(tǒng)調(diào)度裝置與上文描述的一種電力系統(tǒng)調(diào)度方法可以相互參照。

參見圖4，本發(fā)明實(shí)施例提供的一種電力系統(tǒng)調(diào)度裝置，包括：

采樣模塊401，用于對(duì)風(fēng)電、負(fù)荷進(jìn)行拉丁超立方抽樣，得到樣本；

場(chǎng)景縮減模塊402，用于將每一個(gè)樣本作為一個(gè)場(chǎng)景，通過(guò)場(chǎng)景縮減法對(duì)場(chǎng)景數(shù)量進(jìn)行縮減，在縮減過(guò)程中更新各場(chǎng)景概率和場(chǎng)景數(shù)量，得到具有預(yù)設(shè)場(chǎng)景數(shù)量的場(chǎng)景集合；

種群生成模塊403，用于從所述場(chǎng)景集合中選取未進(jìn)行標(biāo)準(zhǔn)差分算法操作的場(chǎng)景，并生成對(duì)應(yīng)的種群；

計(jì)算模塊404，用于計(jì)算所述種群的方差；

第一判斷模塊405，用于通過(guò)自學(xué)習(xí)選擇操作判斷所述方差是否大于預(yù)設(shè)的極小值；

標(biāo)準(zhǔn)差分算法模塊406，用于當(dāng)通過(guò)自學(xué)習(xí)選擇操作判斷所述方差大于預(yù)設(shè)的極小值時(shí)，對(duì)所述種群進(jìn)行標(biāo)準(zhǔn)差分算法操作；

縱向交叉模塊407，用于當(dāng)通過(guò)自學(xué)習(xí)選擇操作判斷所述方差不小于預(yù)設(shè)的極小值時(shí)，進(jìn)行縱向交叉操作，并進(jìn)入計(jì)算模塊；

第二判斷模塊408，用于判斷所述標(biāo)準(zhǔn)差分算法操作中的當(dāng)前迭代次數(shù)是否達(dá)到預(yù)設(shè)的迭代次數(shù)；若是，則輸出所述種群對(duì)應(yīng)的場(chǎng)景的最優(yōu)費(fèi)用，并進(jìn)入第三判斷模塊；若否，則進(jìn)入種群生成模塊；

第三判斷模塊409，用于判斷所述場(chǎng)景集合中是否存在未進(jìn)行標(biāo)準(zhǔn)差分算法操作的場(chǎng)景；若是，則進(jìn)入種群生成模塊；若否，則結(jié)束流程。

其中，所述采用模塊具體用于：

根據(jù)預(yù)先創(chuàng)建的風(fēng)電、負(fù)荷的誤差概率模型進(jìn)行拉丁超立方抽樣，并通過(guò)概率分布的逆變換得到樣本。

其中，所述場(chǎng)景縮減模塊包括：

第一計(jì)算單元，用于當(dāng)所述樣本的數(shù)量為h時(shí)，將所述各場(chǎng)景概率置為1/h，所述h為大于1的正整數(shù)；

第二計(jì)算單元，用于計(jì)算任意兩個(gè)場(chǎng)景的距離；

第三計(jì)算單元，用于針對(duì)每一個(gè)場(chǎng)景xi，在剩余場(chǎng)景中查找與所述場(chǎng)景xi距離最近的場(chǎng)景xj，并計(jì)算所述場(chǎng)景xi與所述場(chǎng)景xj的距離與所述各場(chǎng)景概率1/h的乘積；

查找單元，用于查找最小乘積并將所述最小乘積中的場(chǎng)景xi削減；

更新單元，用于更新所述各場(chǎng)景概率和場(chǎng)景數(shù)量；

判斷單元，用于判斷更新后的場(chǎng)景數(shù)量是否為所述預(yù)設(shè)場(chǎng)景數(shù)量；若是，則結(jié)束場(chǎng)景縮減；若否，則進(jìn)入第二計(jì)算單元。

其中，所述標(biāo)準(zhǔn)差分算法模塊包括：

突變操作單元，用于對(duì)所述種群中的父代個(gè)體執(zhí)行突變操作，獲得與所述父代種群對(duì)應(yīng)的突變個(gè)體；

交叉操作單元，用于對(duì)所述父代個(gè)體和所述突變個(gè)體執(zhí)行交叉操作，獲得試驗(yàn)個(gè)體；

選擇操作單元，用于對(duì)所述試驗(yàn)個(gè)體和所述父代個(gè)體執(zhí)行選擇操作，獲得所述種群對(duì)應(yīng)的場(chǎng)景的最優(yōu)費(fèi)用。

其中，還包括：

創(chuàng)建模塊，用于創(chuàng)建含風(fēng)電場(chǎng)不確定性的區(qū)域互聯(lián)電力系統(tǒng)的調(diào)度模型；所述調(diào)度模型包括：風(fēng)電模型、負(fù)荷誤差概率模型、系統(tǒng)運(yùn)行成本模型、以及系統(tǒng)約束條件模型。

本說(shuō)明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見即可。

對(duì)所公開的實(shí)施例的上述說(shuō)明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專業(yè)技術(shù)人員來(lái)說(shuō)將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。