一种电力系统的机组组合方法及相关组件

技术领域

本发明涉及电力系统调度与运行技术领域，尤其涉及一种电力系统的机组组合方法及相关组件。

背景技术

电力系统逐渐演变为高可再生能源渗透率和高电力电子化率的“双高”电力系统。但是，“双高”特性给系统频率安全带来了严峻挑战：一方面，通过电力电子器件并入电网的可再生能源不具备自发的调频能力，在可再生能源渗透率不断提高和火电机组逐步退出运行的背景下，电力系统的转动惯量和频率调节能力显著降低；另一方面，在双高电力系统中，可再生能源输出功率的随机性与波动性加剧，电力系统故障类型更加复杂，这使得系统出现大规模瞬时电力供需失衡以及频率动态恶化的场景更为频繁且剧烈。因此，在系统频率调节能力显著下降和有功扰动加剧的背景下保障电力系统的频率安全，是一个重要且关键的研究方向。

机组组合模型是电力系统调度的最重要的模型之一，该模型在日前阶段进行计算，用以决策日内阶段每台机组的启停状态。由于火电机组是电力系统重要的调频资源，因此，日前机组组合结果直接影响到日内电力系统的频率调节能力，进而影响电力系统的经济安全运行。

发明内容

本发明提供一种电力系统的机组组合方法及相关组件，针对电力系统日前机组组合调度模型，对电力系统的机组组合进行决策，得到保障电力系统N-1故障后频率安全和电力供需平衡的机组组合方案。

本发明提供一种电力系统的机组组合方法，应用于电力系统，所述电力系统至少包括火电机组和可再生能源机组，所述方法包括：确定基于预调度阶段优化模型得到的考虑电力系统N-1故障和频率安全的所述火电机组的机组组合值和所述可再生能源机组的机组组合值；基于再调度阶段优化模型对所述火电机组的机组组合值和所述可再生能源机组的机组组合值进行校验；在通过校验时，将所述火电机组的机组组合值和所述可再生能源机组的机组组合值作为最终的机组组合值；在未通过校验时，更新所述预调度阶段优化模型，以根据更新后的所述预调度阶段优化模型重复迭代执行所述确定的步骤和所述校验的步骤，直至再次得到的所述火电机组的机组组合值和所述可再生能源机组的机组组合值通过校验时，将通过校验的所述火电机组的机组组合值和所述可再生能源机组的机组组合值作为最终的机组组合值；所述N-1故障表示电力系统中的一个元件退出运行的事故。

优选的，所述确定基于预调度阶段优化模型得到的考虑电力系统N-1故障和频率安全的所述火电机组的机组组合值和所述可再生能源机组的机组组合值，包括：根据电力系统的参数，基于电力系统的频率响应传递函数模型和外逼近转化算法确定具有凸性的电力系统的频率指标约束，所述具有凸性的电力系统的频率指标约束包括最大频率变化率约束、最大频率偏差约束和准稳态频率偏差约束；初始化迭代参数、可再生能源恶劣场景集合和N-1故障集合；根据所述具有凸性的电力系统的频率指标约束、所述迭代参数、所述可再生能源恶劣场景集合和所述N-1故障集合，基于所述预调度阶段优化模型得到考虑电力系统N-1故障和频率安全的预调度变量的决策值、所述火电机组的机组组合值和所述可再生能源机组的机组组合值。

优选的，所述确定基于预调度阶段优化模型得到的考虑电力系统N-1故障和频率安全的所述火电机组的机组组合值和所述可再生能源机组的机组组合值之后，还包括：根据所述预调度变量的决策值、所述火电机组的机组组合值和所述可再生能源机组的机组组合值，得到所述预调度阶段优化模型目标函数的决策值；根据所述预调度阶段优化模型目标函数的决策值，基于第一预设公式更新所述预调度阶段优化模型的下界值；所述第一预设公式为：

LB

其中，LB

优选的，所述基于再调度阶段优化模型对所述火电机组的机组组合值和所述可再生能源机组的机组组合值进行校验之前，还包括：根据所述具有凸性的电力系统的频率指标约束、所述迭代参数、所述可再生能源恶劣场景集合和所述N-1故障集合，基于所述再调度阶段优化模型得到所述可再生能源机组的有功出力的决策值和N-1故障电力设备的运行状态的决策值；根据所述可再生能源机组的有功出力的决策值和N-1故障电力设备的运行状态的决策值，确定所述再调度阶段优化模型目标函数的决策值；根据所述再调度阶段优化模型目标函数的决策值，基于第二预设公式更新所述再调度阶段优化模型的上界值；所述第二预设公式为：

其中，UB

优选的，所述基于再调度阶段优化模型对所述火电机组的机组组合值和所述可再生能源机组的机组组合值进行校验，包括：在所述预调度阶段优化模型的下界值和所述再调度阶段优化模型的上界值满足第三预设公式时，所述火电机组的机组组合值和所述可再生能源机组的机组组合值通过校验；在所述预调度阶段优化模型的下界值和所述再调度阶段优化模型的上界值不满足所述第三预设公式时，所述火电机组的机组组合值和所述可再生能源机组的机组组合值未通过校验；所述第三预设公式为：

UB

其中，LB

优选的，所述在未通过校验时，更新所述预调度阶段优化模型，包括：在所述预调度阶段优化模型的下界值和所述再调度阶段优化模型的上界值不满足所述第三预设公式时，更新所述迭代参数、更新所述可再生能源恶劣场景集合和所述N-1故障集合，以根据更新后的所述迭代参数、所述可再生能源恶劣场景集合和所述N-1故障集合更新所述预调度阶段优化模型。

优选的，所述根据获取的电力系统的参数，基于电力系统的频率响应传递函数模型和外逼近转化算法确定具有凸性的电力系统的频率指标约束，包括：根据所述电力系统的参数，基于所述电力系统的频率响应传递函数模型得到非凸非线性的电力系统的频率指标约束；基于所述外逼近转化算法将所述非凸非线性的电力系统的频率指标约束转化为适用于所述预调度阶段优化模型和所述再调度阶段优化模型的具有凸性的电力系统的频率指标约束。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述电力系统的机组组合方法。

本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述电力系统的机组组合方法。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述电力系统的机组组合方法。

本发明提供的一种电力系统的机组组合方法及相关组件，应用于电力系统，电力系统至少包括火电机组和可再生能源机组，该方法包括：确定基于预调度阶段优化模型得到的考虑电力系统N-1故障和频率安全的火电机组的机组组合值和可再生能源机组的机组组合值；基于再调度阶段优化模型对火电机组的机组组合值和可再生能源机组的机组组合值进行校验；在通过校验时，将火电机组的机组组合值和可再生能源机组的机组组合值作为最终的机组组合值；在未通过校验时，更新预调度阶段优化模型，以根据更新后的预调度阶段优化模型重复迭代执行确定的步骤和校验的步骤，直至再次得到的火电机组的机组组合值和可再生能源机组的机组组合值通过校验时，将通过校验的火电机组的机组组合值和可再生能源机组的机组组合值作为最终的机组组合值；N-1故障表示电力系统中的一个元件退出运行的事故。该方法可对电力系统的机组组合进行决策，得到保障电力系统N-1故障后频率安全和电力供需平衡的机组组合方案。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种电力系统的机组组合方法的流程示意图；

图2是本发明提供的一种电力系统的机组组合方法的具体流程示意图；

图3是本发明提供的电力系统的频率响应传递函数模型的原理示意图；

图4是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。

下面结合图1-图4描述本发明的一种电力系统的机组组合方法及相关组件。

请参考图1，图1为本发明提供的一种电力系统的机组组合方法的流程示意图。

请参考图2，图2为本发明提供的一种电力系统的机组组合方法的具体流程示意图。

本发明提供一种电力系统的机组组合方法，应用于电力系统，电力系统至少包括火电机组和可再生能源机组，该方法包括：

1：确定基于预调度阶段优化模型得到的考虑电力系统N-1故障和频率安全的火电机组的机组组合值和可再生能源机组的机组组合值；N-1故障表示电力系统中的一个元件(如一条线路、一个负荷、一台发电机等)退出运行的事故；

作为一种优选的实施例，确定基于预调度阶段优化模型得到的考虑电力系统N-1故障和频率安全的火电机组的机组组合值和可再生能源机组的机组组合值，包括：

11：根据电力系统的参数，基于电力系统的频率响应传递函数模型和外逼近转化算法确定具有凸性的电力系统的频率指标约束，具有凸性的电力系统的频率指标约束包括最大频率变化率约束、最大频率偏差约束和准稳态频率偏差约束；

需要说明的是：可再生能源的机组组合值表征了可再生能源是否提供调频能力，如果可再生能源机组j在时段t提供调频能力，则对应可再生能源的机组组合值为1，否则，对应可再生能源的机组组合值为0。

作为一种优选的实施例，根据获取的电力系统的参数，基于电力系统的频率响应传递函数模型和外逼近转化算法确定具有凸性的电力系统的频率指标约束，包括：

101：根据电力系统的参数，基于电力系统的频率响应传递函数模型得到非凸非线性的电力系统的频率指标约束；

具体的，首先获取电力系统的参数；

火电机组参数：记火电机组的索引为i，火电机组参数包括机组i的出力范围

负荷参数。记负荷的索引为d，负荷参数包括负荷d在时段t的预测值

可再生能源场站参数。记可再生能源场站的索引为j，可再生能源场站的参数包括场站j的装机容量

储能参数。记储能的索引为k，储能参数包括储能k的充放电功率上限

记传输线路的索引为l，记传输线路l的最大功率传输容量为

电力系统的频率动态可以使用一阶摇摆方程表示，如式(1)所示。

式中，H

请参考图3，图3为本发明提供的电力系统的频率响应传递函数模型的原理示意图。

考虑火电机组频率动态支撑、负荷阻尼支撑和可再生能源虚拟惯量支撑，构建电力系统的频率响应传递函数模型。记火电机组、新能源机组和负荷的集合分别为

发电机组惯性时间常数H

需要注意的是，由于火电机组的参数异，直接使用图3的传递函数模型推导频率动态方程是困难的。已有研究指出，可以通过参数聚合计算得到火电机机组的聚合下垂系数R

在此，定义火电机组i的单位频率调节功率μ

利用图2所示频率响应传递函数并结合电力系统的聚合参数，电力系统的频率变化量Δf(s)与瞬时有功偏差ΔP

进一步，将式(9)所示表达式转为时域表达式，如式(12)所示，其中，

电力系统的频率动态指标主要有最大频率变化率RoCoF

最大频率变化率一般发生在瞬时有功偏差ΔP

最大频率偏差Δf

将t

电力系统的最大频率偏差Δf

约束(18)所示的最大频率偏差约束是典型的非凸约束，这将给频率约束机组组合模型的训练带来显著困难。

102：基于外逼近转化算法将非凸非线性的电力系统的频率指标约束转化为适用于预调度阶段优化模型和再调度阶段优化模型的具有凸性的电力系统的频率指标约束。

与大多数引入整数变量进行分段线性化处理的方式不同，本发明采用基于外逼近的方式获得式(18)的近似线性化表达式。外逼近方法是通过凸松弛的思想确定一定数量的超平面，以凸包的形式拟合给定函数或约束，该方法虽然不能从理论上保证非凸约束的等效转换，但在实际电力系统中，参数H

以式(6)-式(8)进行参数聚合时，可令α

将(α

将可行点h记为

则基于外逼近的求解算法由如下步骤组成：

1)初始化。初始化超平面个数N

2)按式(21)更新下界LB

3)训练式(22)所示的线性规划模型。此优化模型基于外逼近思想，给出了非凸函数g(α

4)判断收敛。若UB

将拟合函数g(α

则利用超平面表示的近似最大频率偏差约束如式(23)所示。

在dΔf(t)/dt＝0时，需要考虑系统的准稳态频率偏差约束，记电力系统的准稳态偏差安全阈值为FQSS

至此，最大频率变化率约束、最大频率偏差约束和准稳态频率偏差约束推导完毕，即具有凸性的电力系统的频率指标约束。

12：初始化迭代参数、可再生能源恶劣场景集合和N-1故障集合；

具体的，鲁棒机组组合是鲁棒调度领域重要的研究方向，它分为日前预调度和日内再调度两个阶段。预调度阶段用于决策机组组合值，电力系统在此阶段尚不知晓日内可再生能源的实际出力值和实际故障发生情况；而在再调度阶段，可再生能源的实际出力值和电网的实际故障已被观测，此时的电力系统进行日内运行变量的决策，以保障电力系统的实时安全运行。鲁棒机组组合的目标函数为极小化最恶劣场景的调度成本。不妨将电力系统的预调度变量和再调度变量分别记为向量x和y，将电力系统的不确定场景记为变量ξ，不确定场景ξ在不确定集合Ξ内变化，有ξ∈Ξ，则鲁棒机组组合的一般模型可用式(25)表示。

实际上，在考虑频率约束的N-1安全鲁棒机组组合模型中，约束(23)的瞬时有功偏差ΔP

由于机组组合具有日前和日内两阶段的特点，本发明仍使用日前预调度阶段和日内再调度阶段交替迭代的思想进行模型迭代训练。将预调度和再调度迭代次数的索引记为n。

在第n次迭代，记预调度阶段考虑的可再生能源恶劣场景集合为

本工作的不确定集合Ξ(x)由可再生能源出力不确定集合

13：根据具有凸性的电力系统的频率指标约束、迭代参数、可再生能源恶劣场景集合和N-1故障集合，基于预调度阶段优化模型得到电力系统N-1故障后的预调度变量的决策值、火电机组的机组组合值和可再生能源机组的机组组合值。

作为一种优选的实施例，确定基于预调度阶段优化模型得到的电力系统N-1故障后的火电机组的机组组合值和可再生能源机组的机组组合值之后，还包括：根据预调度变量的决策值、火电机组的机组组合值和可再生能源机组的机组组合值，得到预调度阶段优化模型目标函数的决策值；根据预调度阶段优化模型目标函数的决策值，基于第一预设公式更新预调度阶段优化模型的下界值；第一预设公式为：

其中，LB

具体的，式(27)-(29)是机组组合需要满足的零一变量约束。

为方便表述，定义表征电力系统运行状态的索引b：b＝1表示电力系统正常运行，b＝2表示电力系统有N-1故障发生。

预调度阶段优化模型需保证集合

在此，定义系数

火电机组需要满足机组出力上下限以及爬坡约束，如式(30)-(32)所示。变量

可再生能源场站的有功功率需要满足约束(33)和约束(34)。变量

约束(35)-(40)为储能运行约束。变量

约束(41)-(43)分别为系统功率平衡约束、传输线路容量约束和功率紧集调节变量非负约束。变量

在考虑N-1安全的机组组合模型中，电力系统需要合理部署机组组合和机组出力决策，以保证N-1故障后的频率安全。式(44)-(48)所示的系统调频聚合参数组合可由决策变量线性表示，其中，

/>

在上述聚合参数定义下，式(15)所示的最大频率变化率约束、式(23)所示的最大频率偏差约束以及式(24)所示的准稳态频率偏差约束可等效表示为式(49)-(51)所示形式。其中，

在式(49)-(51)，变量

下面将对式(49)-(51)中的变量

系统正常运行(b＝1)时，需要考虑潜在最大功率扰动，

/>

注意到，式(54)中的系数矩阵

约束(55)是获取日内最恶劣可再生能源出力和N-1故障场景运行成本的约束。其中，η是表征日内最高运行成本的辅助变量。

至此，预调度阶段的电力系统运行约束建模完成。

在预调度阶段，电力系统的目标函数为最小化调度成本，有式(56)所示的目标函数。为方便表述，式(56)仍部分使用向量x代指上述提及的预调度变量。

在预调度阶段，电力系统的整体优化模型如式(57)所示。

至此，预调度阶段的优化模型建模完成。此阶段，电力系统对火电机组组合变量u

作为一种优选的实施例，基于再调度阶段优化模型对火电机组的机组组合值和可再生能源机组的机组组合值进行校验之前，还包括：根据具有凸性的电力系统的频率指标约束、迭代参数、可再生能源恶劣场景集合和N-1故障集合，基于再调度阶段优化模型得到可再生能源机组的有功出力的决策值和N-1故障电力设备的运行状态的决策值；根据可再生能源机组的有功出力的决策值和N-1故障电力设备的运行状态的决策值，确定再调度阶段优化模型目标函数的决策值；根据再调度阶段优化模型目标函数的决策值，基于第二预设公式更新再调度阶段优化模型的上界值；第二预设公式为：

其中，UB

具体的，在再调度阶段，电力系统已经获知预调度阶段的机组组合值

在再调度阶段优化模型，将可再生能源场站j在时段t的有功出力记为变量

在约束(58)-(61)，变量

在再调度阶段优化模型，同样定义索引b表征电力系统的运行状态：b＝1表示电力系统正常运行，b＝2表示电力系统有N-1故障发生。进一步，定义零一变量

在上述定义下，可通过变量

火电机组需要满足机组出力上下限以及爬坡约束，如式(65)-(67)所示。其中，变量

/>

可再生能源场站的有功出力需要满足约束(68)。变量

注意到，式(68)中有整数变量

定义辅助变量

约束(74)-(79)为储能运行约束。变量

约束(80)-(82)分别为系统功率平衡约束、传输线路容量约束和松弛变量非负约束。变量

在再调度阶段，将时段t和电力系统状态b的聚合惯性时间常数、聚合阻尼系数、下垂系数、再热比例系数和延迟系数分别记为

则再调度阶段的最大频率变化率约束、最大频率偏差约束、准稳态频率偏差约束如式(88)-(91)所示。其中，

在式(88)-(90)，变量

b＝1时，电力系统需要考虑最大的潜在功率扰动，有关于

至此，再调度阶段的运行约束建模完毕。

在再调度阶段，电力系统的目标函数是在最恶劣场景下最小化电力系统的运行成本，因此再调度的目标函数具有“max min”耦合的形式，如式(94)所示。为方便表述，式(94)仍部分使用向量代指上述提及的再调度变量。

则在再调度阶段，电力系统的优化模型如式(95)所示。

2：基于再调度阶段优化模型对火电机组的机组组合值和可再生能源机组的机组组合值进行校验；

作为一种优选的实施例，基于再调度阶段优化模型对火电机组的机组组合值和可再生能源机组的机组组合值进行校验，包括：在预调度阶段优化模型的下界值和再调度阶段优化模型的上界值满足第三预设公式时，火电机组的机组组合值和可再生能源机组的机组组合值通过校验；在预调度阶段优化模型的下界值和再调度阶段优化模型的上界值不满足第三预设公式时，火电机组的机组组合值和可再生能源机组的机组组合值未通过校验；第三预设公式为：

UB

其中，LB

3：在通过校验时，将火电机组的机组组合值和可再生能源机组的机组组合值作为最终的机组组合值；

4：在未通过校验时，更新预调度阶段优化模型，以根据更新后的预调度阶段优化模型重复迭代执行确定的步骤和验证的步骤，直至再次得到的火电机组的机组组合值和可再生能源机组的机组组合值通过校验时，将通过校验的火电机组的机组组合值和可再生能源机组的机组组合值作为最终的机组组合值。

作为一种优选的实施例，在未通过校验时，更新预调度阶段优化模型，包括：在预调度阶段优化模型的下界值和再调度阶段优化模型的上界值不满足第三预设公式时，更新迭代参数、更新可再生能源恶劣场景集合和N-1故障集合，以根据更新后的迭代参数、可再生能源恶劣场景集合和N-1故障集合更新预调度阶段优化模型。

具体的，基于列约束生成(C&CG)的算法的流程如下：

1)初始化。初始化迭代次数n＝1。记预调度阶段优化模型最优值的下界和再调度阶段优化模型的上界分别为LB

2)更新下界。训练预调度阶段优化模型(57)，记预调度阶段优化模型的最优值为

3)更新上界。训练再调度阶段优化模型(95)，记再调度阶段优化模型的最优值为

4)判断收敛。若第三预设公式收敛判据成立，则迭代过程结束，计算终止，输出步骤2)的

上述步骤可以对本发明的机组组合模型进行迭代训练。

综上，本发明针对电力系统日前机组组合调度模型，设计了一种计及频率约束和N-1故障决策依赖特性的机组组合方法，在频率指标约束的建模方面，本发明使用一种基于外逼近的方法对其进行了线性转化；在N-1故障的建模方面，本发明刻画了N-1故障的决策依赖特性；在基于外逼近的频率指标约束和N-1故障决策依赖特性的基础上，本发明构建了一种计及频率约束的N-1安全鲁棒机组组合方法，该方法可对电力系统的机组组合进行决策，能够计算得到保障电力系统N-1扰动后频率安全和电力供需平衡的机组组合方案。

本发明的有益效果是：

第一，在非凸频率指标约束的线型转化方面。面向具有非凸特性的频率最低点约束，本发明利用外逼近算法对频率指标约束进行了近似转化，该方法避免了非凸约束转化过程中引入整数变量，能够显著减小模型的计算复杂度，且在电力系统典型调频参数范围内，能够较好地保证求解精度。

第二，在电力系统N-1有功扰动的建模方面。本发明计及了N-1故障集合受到机组组合值和机组出力值影响的决策依赖特性，构造了刻画电力系统N-1故障规模决策依赖特性的约束方程，该约束与实际电力系统的吻合程度更高，能够更真实地反映实际电力系统N-1故障带来的有功功率扰动。

第三，在两层鲁棒机组组合模型中加入基于外逼近的最大频率偏差约束和刻画电力系统N-1故障规模决策依赖特性的约束方程后，在减小频率最低点约束的求解复杂度、保证N-1故障后的系统频率安全、提高新能源渗透率以及降低系统运行成本等方面具有优势。

第四，本发明所提方法具有一般性，对于综合能源、交通网络领域具有决策依赖特性的模型，本发明同样具有建模与训练方面的启示与帮助。

图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行电力系统的机组组合方法，应用于电力系统，电力系统至少包括火电机组和可再生能源机组，该方法包括：确定基于预调度阶段优化模型得到的考虑电力系统N-1故障和频率安全的火电机组的机组组合值和可再生能源机组的机组组合值；基于再调度阶段优化模型对火电机组的机组组合值和可再生能源机组的机组组合值进行校验；在通过校验时，将火电机组的机组组合值和可再生能源机组的机组组合值作为最终的机组组合值；在未通过校验时，更新预调度阶段优化模型，以根据更新后的预调度阶段优化模型重复迭代执行确定基于预调度阶段优化模型得到的火电机组的机组组合值和可再生能源机组的机组组合值的步骤，直至再次得到的火电机组的机组组合值和可再生能源机组的机组组合值通过校验时，将通过校验的火电机组的机组组合值和可再生能源机组的机组组合值作为最终的机组组合值；N-1故障表示电力系统中的一个元件退出运行的事故。

此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的电力系统的机组组合方法，应用于电力系统，电力系统至少包括火电机组和可再生能源机组，该方法包括：确定基于预调度阶段优化模型得到的考虑电力系统N-1故障和频率安全的火电机组的机组组合值和可再生能源机组的机组组合值；基于再调度阶段优化模型对火电机组的机组组合值和可再生能源机组的机组组合值进行校验；在通过校验时，将火电机组的机组组合值和可再生能源机组的机组组合值作为最终的机组组合值；在未通过校验时，更新预调度阶段优化模型，以根据更新后的预调度阶段优化模型重复迭代执行确定基于预调度阶段优化模型得到的火电机组的机组组合值和可再生能源机组的机组组合值的步骤，直至再次得到的火电机组的机组组合值和可再生能源机组的机组组合值通过校验时，将通过校验的火电机组的机组组合值和可再生能源机组的机组组合值作为最终的机组组合值；N-1故障表示电力系统中的一个元件退出运行的事故。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的电力系统的机组组合方法，应用于电力系统，电力系统至少包括火电机组和可再生能源机组，该方法包括：确定基于预调度阶段优化模型得到的考虑电力系统N-1故障和频率安全的火电机组的机组组合值和可再生能源机组的机组组合值；基于再调度阶段优化模型对火电机组的机组组合值和可再生能源机组的机组组合值进行校验；在通过校验时，将火电机组的机组组合值和可再生能源机组的机组组合值作为最终的机组组合值；在未通过校验时，更新预调度阶段优化模型，以根据更新后的预调度阶段优化模型重复迭代执行确定基于预调度阶段优化模型得到的火电机组的机组组合值和可再生能源机组的机组组合值的步骤，直至再次得到的火电机组的机组组合值和可再生能源机组的机组组合值通过校验时，将通过校验的火电机组的机组组合值和可再生能源机组的机组组合值作为最终的机组组合值；N-1故障表示电力系统中的一个元件退出运行的事故。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。