一种水风光日前调度模型的建立方法与流程

本发明涉及新能源及电子信息，尤其涉及基于水风光的电网运行控制，具体涉及一种考虑有效转动惯量及不确定性的水风光日前调度模型及该模型的建立方法。

背景技术：

1、为实现能源清洁低碳转型和可持续发展需求，风电、光伏等新能源得到了快速发展。由于风、光等新能源具有在物理分布上随机性、不确定性，以及大规模并入电力系统具有不稳定性等特点，电力系统等效惯量水平及灵活调节供需平衡受到极大冲击。规模庞大、技术成熟的梯级水电是我国现在和未来一段时期新能源大规模集中消纳的现实和可靠选择，但水电来水量受水资源时空分布影响较大，同时也具有一定的不确定性。因此，针对水风光互补运行的日前调度，一方面需要充分考虑风光出力以及梯级水电来水量的不确定性以挖掘梯级水电的灵活调节能力；另一方面需要量化水风不确定性带来的有效转动惯量波动问题以提高电网受到扰动后的频率稳定问题。

2、申请公布号为cn110717688a的专利文献公开了一种考虑新能源出力不确定性的水风光短期联合优化调度方法，以风光预测出力作为生成未来的典型组合出力，并构建多情景水风光联合调度的随机期望值调峰模型。申请公布号为cn112467807a的专利文献公开了一种多能源电力系统日前优化调度方法及系统，基于wasserstein距离的改进生成式对抗网络生成风光出力场景和虚拟净负荷，并建立多能源电力系统的日前优化调度模型。上述方法主要考虑风光出力的不确定性而没有考虑梯级水电来水量不确定性带来的复杂影响，使得编制完成的调度计划难以满足电网和电站的实际运行要求，在执行时出现一定程度的偏差，导致梯级水电难以充分发挥其灵活调节能力，限制了风光功率的外送。而且上述方法没有考虑到风光不确定性带来的电力系统有效转动惯量水平和频率支撑能力下降的问题，使得电网受到有功扰动时容易出现安全稳定问题，大大制约了风光功率的消纳。

技术实现思路

1、本发明的目的是为了解决现有电网调度中存在的水风光不确定性带来的梯级水电难以充分发挥灵活调节能力、限制风光功率外送且水风光系统有效转动惯量下降的技术问题，而提供的一种考虑有效转动惯量及不确定性的水风光日前调度模型及该模型的建立方法。

2、为了解决上述技术问题，本发明采用的技术方案为：

3、一种水风光日前调度模型的建立方法，它包括以下步骤：

4、步骤1：针对水风光预测误差的不确定性，生成考虑水风光时空相关性的场景；

5、步骤2：获得各个场景下梯级水电有效转动惯量和风机有效转动惯量，建立水风光系统的有效转动惯量约束；

6、步骤3：建立考虑水风光不确定性和梯级水电的灵活调节能力的水风光系统日前调度模型；

7、在步骤3中，所建立的水风光系统日前调度模型的约束包括水风光系统的有效转动惯量约束、水量平衡约束、水位约束、始末水位约束、库容-水位约束、尾水位-出库流量约束、机组出力约束、机组发电流量约束、机组振动区约束、机组开停机持续时间约束、机组出力爬坡约束、机组发电水头约束、水头损失约束、机组动力特性关系、断面输电约束、发电计划约束；

8、所述步骤1具体包括以下步骤：

9、步骤1-1：针对目标调度时刻，利用核分布函数拟合水风光预测误差的概率分布函数,对水风光预测误差的概率分布函数进行拉丁超立方抽样，生成水风光场景；

10、步骤1-2：利用皮尔森相关系数获取历史数据的时间相关系数矩阵和水风光场景的时间相关系数矩阵；

11、步骤1-3：利用连接函数获取历史数据的空间相关系数矩阵和水风光场景的空间相关系数矩阵；

12、步骤1-4：基于差分进化算法，以历史数据与水风光场景的时间相关系数矩阵的差异以及历史数据与水风光场景的空间相关系数矩阵的差异最小为目标对水风光场景进行排序，得到排序后的水风光场景；

13、步骤1-5：获得排序前后的水风光场景的随机性和相关性指标，进行场景评价；

14、步骤1-6：用k均值聚类算法削减排序后的场景，得到典型场景即考虑水风光时空相关性的场景。

15、所述步骤2具体包括以下步骤：

16、步骤2-1：利用梯级水电机组转子和风机转子在电力系统频率变化时吸收或获释放的能量获取梯级水电有效转动惯量和风机有效转动惯量；

17、步骤2-2：根据水风光系统所能提供的最小有效转动惯量应大于电网要求的有效转动惯量这一条件，建立水风光系统的有效转动惯量约束。

18、在步骤1-1中，在获取水风光预测误差时，具体步骤如下：

19、将水风光预测值升序排列，按等频原则将预测值分成若干个预测箱，每个箱内有对应的预测误差，针对目标时刻的预测值，计算相应预测箱的核分布函数，得到水风光预测误差的概率分布函数：

20、

21、其中，fk,t(x)为电站k在t时刻的预测误差的概率分布函数，m为预测箱中的数据数量，m取值为正整数，hk,t为电站k在t时刻的核分布函数的带宽，k(·)为核函数，xk,t为电站k在t时刻的预测误差变量；为电站k在t时刻的预测箱内的第m个预测误差的大小，m＝1,2,…,m，k＝1,2,…,k1；k1为水风光系统包含的电站总数，取值为正整数；t＝1,2,…,t1，t1为调度时刻总数；

22、将概率区间[0,1]均匀分为s个区间，在每个区间上随机选取一点作为水风光预测误差的概率分布函数的值，并求得对应的预测误差值：

23、

24、其中，xs,k,t为场景s下电站k在t时刻的预测误差，s＝1,2,…,s，s为生成的场景数量，为电站k在t时刻的预测误差的概率分布函数的反函数，ys,k,t为区间s下电站k在t时刻抽得的分位点。

25、在步骤1-2中，利用皮尔森相关系数获取历史数据的时间相关系数矩阵和水风光场景的时间相关系数矩阵，其中：

26、历史数据的时间相关系数矩阵τk中的元素计算如下：

27、

28、式(3)中，为电站k在i时刻与j时刻的历史数据的时间相关系数；n1为历史数据的总数量；是电站k在i时刻的历史预测误差的第n1个值；是电站k在j时刻的历史预测误差的第n1个值；是电站k的历史预测误差在i时刻的平均值；是电站k的历史预测误差在j时刻的平均值；

29、水风光场景的时间相关系数矩阵τ'k中的元素计算如下：

30、

31、其中，为电站k在i时刻与j时刻的水风光场景的时间相关系数；xs,k,i是场景s下电站k在i时刻的预测误差；xs,k,j是场景s下电站k在j时刻的预测误差；是电站k的预测误差场景在i时刻的平均值；是电站k的预测误差场景在j时刻的平均值；s为生成的场景数量。

32、在步骤1-3中，利用连接函数获取历史数据的空间相关系数矩阵和水风光场景的空间相关系数矩阵，其中：

33、选择t-copula作为连接函数，并利用matlab拟合获得式(5)：

34、

35、其中，为t时刻预测误差的联合概率分布函数；x1,t为电站1在t时刻的预测误差变量；x2,t为电站2在t时刻的预测误差变量；为电站n2在t时刻的预测误差变量；是自由度为vt，相关系数矩阵为ρt的n维t分布函数；是自由度为vt的t分布的反函数；f1,t(x1,t)为电站1在t时刻的预测误差的概率分布函数；f2,t(x2,t)为电站2在t时刻的预测误差的概率分布函数；为电站n2在t时刻的预测误差的概率分布函数；

36、选择矩阵ρt作为历史数据的空间相关系数矩阵；

37、水风光场景的空间相关系数矩阵ρ't中的元素的计算公式如下：

38、

39、其中，为t时刻电站k与电站l的水风光场景的空间相关系数；hs,a,t为场景s下t时刻的多维t分布第a维的随机变量的值；hs,b,t为场景s下t时刻的多维t分布第b维的随机变量的值；为所有场景下t时刻的多维t分布第a维的随机变量的平均值；为所有场景下t时刻的多维t分布第b维的随机变量的平均值；s为生成的场景数量；

40、由式(7)、式(8)分别获取hs,a,t和hs,b,t如下：

41、

42、

43、其中，fa,t(·)为电站a在t时刻的概率分布函数；xs,a,t为场景s下电站a在t时刻的预测误差；fb,t(·)为电站b在t时刻的概率分布函数；xs,b,t为场景s下电站b在t时刻的预测误差，是自由度为v的t分布的反函数。

44、在步骤1-4中，基于差分进化算法以历史数据与水风光场景的时间相关系数矩阵的差异以及历史数据与水风光场景的空间相关系数矩阵的差异最小为目标对水风光场景进行排序，得到排序后的水风光场景，具体步骤如下：

45、(1)建立差分进化算法的目标函数

46、

47、其中，k1为水风光系统包含的电站总数，t1为调度时刻总数，为电站k的历史数据的时间相关系数矩阵与电站k的场景的时间相关系数矩阵的差的f范数；为t时刻的历史数据的空间相关系数矩阵与t时刻的场景的空间相关系数矩阵的差的f范数；

48、(2)进行个体的初始化

49、随机生成一个规模为(n，d)的种群,n为种群中的个体数量，d为个体的分量数，种群中的每个个体都包含4个分量：前两个分量为场景编号，代表预测误差所在的场景；第3个分量为电站编号，代表电站的类型，第4个分量为时间编号，代表预测误差所在的时刻，对于任一个体，首先根据第3和第4个分量确定电站的类型和所在的时刻，并根据前2个分量将这2个场景上的数据对调，然后在其余数据保持不变的情况下计算目标函数；若目标函数变小，则保持对调，场景顺序改变；若目标函数不变小，则恢复对调，场景顺序不变；当种群中的所有个体都完成比较目标函数和选择是否对调后，种群经差分变异和交叉操作进入下一代，种群中的第i个体noi如下式所示：

50、noi＝{noi,1,noi,2,noi,3,noi,4}  (10)

51、其中,noi,1表示第i个体第1个分量的值；noi,2表示第i个体第2个分量的值；noi,3表示第i个体第3个分量的值；noi,4表示第i个体第j个分量的值；i＝1,2,…n；

52、第i个体第j个分量的值如下式计算得出：

53、noi,j＝round(rand(0,1)·(uj-lj)+lj)  (11)

54、其中，noi,j为第i个体第j个分量的值；round(·)为取整函数；rand(0,1)表示区间[0,1]的一个随机数；lj是第i个体第j个分量的下界；uj是第i个体第j个分量的上界；j＝1,2,3,4；

55、(3)差分变异操作

56、差分变异操作首先利用随机方式上一代从种群中选择一系列互不相同的个体向量生成差分向量，然后通过差分向量缩放后再与基向量进行叠加来产生变异个体，第g代第i个个体第j个变异分量由下式产生：

57、

58、其中，为第g代第i个个体第j个变异分量的值；为第g-1代第r1个个体第j个分量的值；为第g-1代第r2个个体第j个分量的值；为第g-1代第r3个个体第j个分量的值；f为缩放因子，其取值为区间[0,1]上的随机数，r1、r2、r3为在[0，n]内随机选取的互异整数；

59、在变异操作中，de算法要判断差分变异操作产生的新个体是否在超出边界，若超出边界，使用以下方法对变异个体进行处理：

60、

61、(4)交叉操作

62、de算法常用的交叉方法如下所示：

63、

64、其中，为第g代第i个个体第j个分量的值；为第g-1代第i个个体第j个分量的值；cr为交叉概率；

65、(5)新一代种群中所有个体完成比较目标函数和选择是否对调后，再重复步骤(3)至步骤(4)，直到种群进化到设置好的迭代次数，最终得到的场景即为排序后的水风光场景。

66、在步骤1-5中，计算排序前后的水风光随机性和相关性指标，进行场景评价；

67、为衡量时空相关性排序的有效性，选择平均绝对误差作为随机性指标以及差异分数作为相关性指标；

68、电站k的平均绝对误差的计算公式为：

69、

70、其中，为电站k的预测误差在t时刻的历史实际值，xs,k,t为场景s下电站k在t时刻的预测误差；

71、电站k的时间差异分数为：

72、

73、电站k的空间差异分数为：

74、

75、其中，表示电站k在t时刻和w时刻之间的权重系数，由电站k在t时刻和w时刻的历史数据的时间相关系数的绝对值表示；为电站k的预测误差在t时刻的历史实际值；xs,k,w为场景s下电站k在w时刻的预测误差；表示t时刻电站k与电站l之间的权重系数，由t时刻电站k与电站l的历史数据的空间相关系数的绝对值表示；为电站l的预测误差在t时刻的历史实际值；xs,l,t为场景s下电站l在t时刻的预测误差；γ表示差异分数阶数；指的是电站k的历史预测误差在t时刻与w时刻的差异；指的是场景s下电站k的预测误差在t时刻与w时刻的差异；指的是t时刻电站k与电站l的历史预测误差的差异；指的是场景s下t时刻电站k与电站l的预测误差的差异。

76、在步骤1-6中，用k均值聚类算法削减排序后的场景，得到典型场景，也就是考虑水风光时空相关性的场景；

77、将排序后的场景与预测值相加得到水电来水量场景和风光出力：

78、

79、

80、

81、其中，为场景s下光伏电站g在t时刻的出力，g＝1,2,...,g，g为水风光系统中光伏电站的数量，g取正整数；为场景s下风电场w在t时刻的出力w＝1,2,...,w，w为水风光系统中风电场的数量，w取正整数；rs,i,t为场景s下水电站i在t时刻的区间来水，i＝1,2,...,i，i为水风光系统中梯级水电站的数量，i取正整数，为光伏电站g在t时刻的预测出力，为风电场w在t时刻的预测出力，为梯级水电站i在t时刻的预测区间来水；

82、利用k均值聚类算法对水电来水量场景和风光出力进行场景削减，得到水风光时空相关性场景。

83、在步骤2-1中，

84、梯级水电有效转动惯量eh计算公式如下：

85、

86、其中，h为水电机组本身固有的惯性时间常数；a为水电机组的容量；ω为水电机组的角速度；ωn为水电机组的额定角速度；ωmin为电力系统允许的最低角速度；ωmax为电力系统允许的最高角速度；

87、风机有效转动惯量ew与风速vw的关系式如下：

88、

89、其中，jw为风机转子的转动惯量；λopt为最佳叶尖速比；r为风机半径；ωr_lim为风机转子的允许转速限制；vmax为风机并网最高转速；ωs为风机进入恒转速区转速；vwm为风机进入最大功率点追踪区的下限风速；vws为风机进入恒转速区的下限风速；vwn为风机额定风速；vwoff为风机切出风速，vw指的是风速；

90、利用风电出力pwt计算得到风速vw，风电出力-风速关系式如下：

91、

92、其中，pwtn是风机的额定输出功率；vwin是风机切入风速；

93、最终风机有效转动惯量ew计算如下：

94、

95、其中，

96、其中，pwt为风电出力的标幺值，r指的是风机半径。

97、步骤2-2：所建立的水风光系统的有效转动惯量约束为：

98、

99、

100、其中，ui,n,t为水电站i的机组n在t时刻的启停状态变量，取1表示开机状态，取0表示停机状态；为频率上升时水电站i的机组n在t时刻的有效转动惯量；为频率下降时水电站i的机组n在t时刻的有效转动惯量；为频率上升时场景s下风电场w的第m个风机在t时刻的有效转动惯量；为频率下降时场景s下风电场w的第m个风机在t时刻的有效转动惯量；为频率上升时电网t时刻要求的有效转动惯量；为频率下降时电网t时刻要求的有效转动惯量；i是水风光系统中梯级水电站的数量，ni是水电站i的机组数量，w是水风光系统中风电场的数量，mw是风电场w的风机数量。

101、所述步骤3具体包括以下步骤：

102、步骤3-1：根据风光出力的预测值与场景s下的出力的差异获取水风光互补系统的灵活调节需求；

103、步骤3-2：根据水电机组的爬坡能力和出力限制获取水风光互补系统的灵活调节能力；

104、步骤3-3：根据灵活调节需求与灵活调节能力建立目标函数；

105、步骤3-4：建立水风光系统的约束条件。

106、在步骤3-1中，根据风光出力的预测值与场景s下的出力的差异获取水风光互补系统的灵活调节需求，计算公式如下：

107、

108、

109、

110、

111、其中，为场景s下t时刻的灵活上调需求；为场景s下t时刻的灵活下调需求；为场景s下t时刻光伏电站的灵活上调需求；为场景s下t时刻风电场的灵活上调需求，为场景s下t时刻光伏电站的灵活下调需求；为场景s下t时刻风电场的灵活下调需求。

112、在步骤3-2中，根据水电机组的爬坡能力和出力限制获取水风光互补系统的灵活调节能力，计算公式如下：

113、

114、其中,为t时刻梯级水电的灵活上调能力；为t时刻梯级水电的灵活下调能力；为水电站i的爬坡能力；为水电站i在t时刻的出力；为水电站i在t时刻的出力上限；为水电站i在t时刻的出力下限。

115、在步骤3-3中，所建立的目标函数如下：

116、

117、

118、

119、

120、其中，为灵活性上调不足期望，具体指t时刻因上调能力不足而导致的灵活上调需求与灵活上调能力之间差值的期望；为灵活性下调不足期望，具体指t时刻因下调能力不足而导致的灵活下调需求与灵活下调能力之间差值的期望；为场景s下水电站i在t时刻的弃水量；为t时刻梯级水电的弃水量期望；p(s)指的是场景s的概率。

121、在步骤3-4中，建立的水风光系统的约束条件，具体如下；

122、(1)水量平衡约束

123、

124、其中，vs,i,t+1为场景s下水电站i在t时刻+1的库容；vs,i,t为场景s下水电站i在t时刻的库容；is,i,t为场景s下水电站i在t时刻的入库流量；qs,i,t为场景s下水电站i在t时刻的出库流量；δt为调度时间间隔；τi-1为水电站i-1与水电站i的水流滞时；为场景s下水电站i-1在时刻t-τi-1的流量；rs,i,t为场景s下水电站i-1和水电站i之间在t时刻的区间流量；为场景s下第水电站i在t时刻的发电流量；

125、(2)水位约束

126、

127、其中，为场景s下水电站i在t时刻的库水位；zi,t为水电站i在t时刻的水位下限；为水电站i在t时刻的水位上限；

128、(3)始末水位约束

129、

130、

131、其中，为调度周期中的初始水位；为调度周期中的期末水位；δz为允许的偏差，指的是场景s下梯级水电站i在调度周期的初始水位，指的是场景s下梯级水电站i在调度周期的期末水位；

132、(4)库容-水位约束

133、

134、其中，为水电站i的库容-水位函数；

135、(5)尾水位-出库流量约束

136、

137、其中，为水电站i的出库流量-尾水位函数；为场景s下电站i在t时刻的尾水位；

138、(6)机组出力约束

139、

140、其中，pi,n,t为场景s下t时刻水电站i的机组n的出力，为水电站i的机组n的出力上限，pi,n为水电站i的机组n的出力下限，水电站i的出力表示为：

141、

142、其中，ni表示水电站i的机组数量；

143、(7)机组发电流量约束

144、

145、其中，为场景s下t时刻水电站i的机组n的发电流量；为水电站i的机组n的发电流量上限；为水电站i的机组n的发电流量下限，水电站i的发电流量表示为：

146、

147、(8)机组振动区约束

148、

149、其中，为水电站i的机组n的振动区k的出力上限；为水电站i的机组n的振动区k的出力下限；

150、(9)机组开停机持续时间约束：

151、

152、其中，为t时刻水电站i的机组n的启动操作变量，1表示启动操作；为t时刻水电站i的机组n的停机操作变量，1表示停机操作；为水电站i的机组n的最小开机持续时间；为水电站i的机组n的最小停机持续时间；为水电站i的机组n在调度周期内的最大开机次数；

153、(10)机组出力爬坡约束：

154、-δpi,n≤pi,n,t+1-pi,n,t≤δpi,n  (49)

155、其中，pi,n,t+1为场景s下t+1时刻水电站i机组n的出力，δpi,n为水电站i的机组n的爬坡能力；

156、(11)机组发电水头约束：

157、

158、其中，为场景s下水电站i在t-1时刻的库水位，hs,i,n,t为场景s下t时刻水电站i的机组n的发电水头；为场景s下t时刻水电站i的机组n的水头损失；

159、(12)水头损失约束：

160、

161、其中，ai为电站i的水头损失系数；bi为电站i的水头损失常数；

162、(13)机组动力特性关系：

163、

164、其中，为水电站i的机组n的水头-流量-出力函数；

165、(14)断面输电约束；

166、

167、其中，io为断面o包含的水电站的数量；wo为断面o包含的风电场的数量；go为断面o包含的光伏电站的数量；为断面o的输电容量,为场景s下风电场w在t时刻的出力；

168、(15)发电计划约束：

169、

170、其中，ε为较小的偏差阈值，表示电网下达的发电计划，g为水风光系统中光伏电站的数量，i为水风光系统中梯级水电站的数量，w为水风光系数中风电场的数量。

171、本发明还包括一种考虑有效转动惯量及不确定性的水风光日前调度模型，所述模型的目标函数为：

172、

173、

174、

175、

176、其中，为灵活性上调不足期望，具体指t时刻因上调能力不足而导致的灵活上调需求与灵活上调能力之间差值的期望；为灵活性下调不足期望，具体指t时刻因下调能力不足而导致的灵活下调需求与灵活下调能力之间差值的期望；为场景s下水电站i在t时刻的弃水量；为t时刻梯级水电的弃水量期望；p(s)指的是场景s的概率。

177、上述模型的约束包括水风光系统的有效转动惯量约束、水量平衡约束、水位约束、始末水位约束、库容-水位约束、尾水位-出库流量约束、机组出力约束、机组发电流量约束、机组振动区约束、机组开停机持续时间约束、机组出力爬坡约束、机组发电水头约束、水头损失约束、机组动力特性关系、断面输电约束、发电计划约束；具体如下；

178、1)水风光系统的有效转动惯量约束为：

179、

180、

181、2)水量平衡约束为：

182、

183、其中，vs,i,t+1为场景s下水电站i在t时刻+1的库容；vs,i,t为场景s下水电站i在t时刻的库容；is,i,t为场景s下水电站i在t时刻的入库流量；qs,i,t为场景s下水电站i在t时刻的出库流量；δt为调度时间间隔；τi-1为水电站i-1与水电站i的水流滞时；为场景s下水电站i-1在时刻t-τi-1的流量；rs,i,t为场景s下水电站i-1和水电站i之间在t时刻的区间流量；为场景s下第水电站i在t时刻的发电流量；

184、3)水位约束为：

185、

186、其中，为场景s下水电站i在t时刻的库水位；zi,t为水电站i在t时刻的水位下限；为水电站i在t时刻的水位上限；

187、4)始末水位约束为：

188、

189、

190、其中，为调度周期中的初始水位；为调度周期中的期末水位；δz为允许的偏差，指的是场景s下梯级水电站i在调度周期的初始水位，指的是场景s下梯级水电站i在调度周期的期末水位；

191、5)库容-水位约束为：

192、

193、其中，为水电站i的库容-水位函数；

194、6)尾水位-出库流量约束为：

195、

196、其中，为水电站i的出库流量-尾水位函数；为场景s下电站i在t时刻的尾水位；

197、7)机组出力约束为：

198、

199、其中，pi,n,t为场景s下t时刻水电站i的机组n的出力，为水电站i的机组n的出力上限，pi,n为水电站i的机组n的出力下限，水电站i的出力表示为：

200、

201、其中，ni表示水电站i的机组数量；

202、8)机组发电流量约束为：

203、

204、其中，为场景s下t时刻水电站i的机组n的发电流量；为水电站i的机组n的发电流量上限；为水电站i的机组n的发电流量下限，水电站i的发电流量表示为：

205、

206、9)机组振动区约束为：

207、

208、其中，为水电站i的机组n的振动区k的出力上限；为水电站i的机组n的振动区k的出力下限；

209、10)机组开停机持续时间约束为：

210、

211、其中，为t时刻水电站i的机组n的启动操作变量，1表示启动操作；为t时刻水电站i的机组n的停机操作变量，1表示停机操作；为水电站i的机组n的最小开机持续时间；为水电站i的机组n的最小停机持续时间；为水电站i的机组n在调度周期内的最大开机次数；

212、11)机组出力爬坡约束为：

213、-δpi,n≤pi,n,t+1-pi,n,t≤δpi,n  (49)

214、其中，pi,n,t+1为场景s下t+1时刻水电站i机组n的出力，δpi,n为水电站i的机组n的爬坡能力；

215、12)机组发电水头约束为：

216、

217、其中，为场景s下水电站i在t-1时刻的库水位，hs,i,n,t为场景s下t时刻水电站i的机组n的发电水头；为场景s下t时刻水电站i的机组n的水头损失；

218、13)水头损失约束为：

219、

220、其中，ai为电站i的水头损失系数；bi为电站i的水头损失常数；

221、14)机组动力特性关系为：

222、

223、其中，为水电站i的机组n的水头-流量-出力函数；

224、15)断面输电约束为：

225、

226、其中，io为断面o包含的水电站的数量；wo为断面o包含的风电场的数量；go为断面o包含的光伏电站的数量；为断面o的输电容量,为场景s下风电场w在t时刻的出力；

227、16)发电计划约束为：

228、

229、其中，ε为较小的偏差阈值，表示电网下达的发电计划，g为水风光系统中光伏电站的数量，i为水风光系统中梯级水电站的数量，w为水风光系数中风电场的数量。

230、本发明还包括一种电子设备，包括存储器、处理器，处理器与存储器之间通过通信总线连接，存储器用于储存计算机程序，计算机程序被处理器执行时实现上述考虑有效转动惯量及不确定性的水风光日前调度模型。

231、与现有技术相比，本发明具有如下技术效果：

232、1)本发明所生成的水风光场景更符合水风光预测误差的随机性和相关性特征。结合拉丁超立方采样和差分进化算法生成水风光场景，并通过比较随机性指标、时间相关性指标和空间相关性指标，证明本发明生成的水风光场景可以更好地刻画水风光预测误差的随机性、时间相关性和空间相关性特征，为后续制定调度计划提供更贴合实际的数据基础；

233、2)本发明考虑了梯级水电来水量不确定性的影响，充分挖掘了梯级水电的灵活调节能力。在整个调度周期内，制定满足所有来水量场景的梯级水电发电计划，使得调度计划满足电网和水电站实际运行要求，以充分发挥梯级水电的灵活调节能力；

234、3)本发明提出了有效转动惯量约束以保证水风光系统的有效转动惯量水平。利用风机和水轮机转子可能吸收或释放的能量计算各种场景下水风光系统的上升和下降有效转动惯量，建立有效转动惯量约束以合理安排水电机组启停，保证了系统的有效转动惯量水平，提高了电网的频率支撑能力；

235、4)本发明综合考虑水风光不确定性以及其带来的有效转动惯量下降的问题，准确表征水风光不确定性，量化计算有效转动惯量，并提出考虑有效转动惯量及不确定性的水风光日前调度模型建立方法，在满足电网调度指令的基础上有效挖掘水风光互补系统的灵活调节能力，同时提高电网受到扰动后的频率稳定能力。