基于中长期差价合约电量分解的发电机组调度方法及系统

本公开涉及电力系统自动控制技术领域，特别涉及一种基于中长期差价合约电量分解的发电机组调度方法及系统。

背景技术：

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

差价合约泛指不涉及实物商品或证券的交换，仅以结算价与合约价的差额作为现金结算的交易方式。电力差价合约主要针对具有确定的合约价格与合约电量的中长期金融合约，包括单向差价合约与双向差价合约两种。在电力市场改革中引入差价合约，对于市场主体尤其是竞争环节的市场主体意义重大。

对于发电企业来说，差价合约能够有效地提前锁定部分交易电量和价格，在保障发电企业中长期稳定电力需求的同时，为其提供可靠的经济收益。进一步的，差价合约电量的分解方式也同样对于推动电力市场改革平稳运行与保障市场主体收益、规避风险至关重要。差价合约电量的分解是电力中长期合约市场与电力现货市场兼容与衔接的关键环节。如果差价合约电量分解的方法不够公平，有可能给予某些发电公司滥用市场力的机会；对于电力大用户或者售电公司来说，差价合约分解电量所占比例在负荷高峰时过小或者低谷时过大，则会使用户购电费用上升，同样不利于整体电力市场的运行。

目前关于合约电量的分解已经有了一些研究。有文献研究了单一类型发电机组的合约电量分解算法；在有的文献中建立了一种协调新能源预测的中长期合约电量分解模型；其他的文献将发电机组的可用性纳入优化模型中，采用滚动修正方法处理机组检修问题，将检修月份的合约电量分配至其他月份和其他机组。对于发电机组市场力校验与抑制方面，有的文献在合约分解算法中使用lerner指数评估机组发挥市场力的情况，算例表明，当合约分解不考虑市场力抑制，市场可能会陷入价格较高且波动较大的不稳定状况，也容易使得发电机组的调度发生混乱，无法实现发电机组运行成本的最优化。

技术实现要素：

为了解决现有技术的不足，本公开提供了一种基于中长期差价合约电量分解的发电机组调度方法及系统，以最大化发电机组的发电收入为目标，结合日前出清电价的变动规律，构建了发电机组中长期差价合约分解曲线，提高了发电机组调度的精度。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种基于中长期差价合约电量分解的发电机组调度方法。

一种基于中长期差价合约电量分解的发电机组调度方法，包括以下步骤：

获取电力系统的信息数据和发电机组的运行状态数据；

根据获取的数据得到日前市场出清价格；

根据获取的数据以及得到的日前市场出清价格，以发电机组发电收入最大为目标，得到中长期差价合约分解优化结果；

根据得到的分解优化结果，进行分时段的发电机组运行调度。

作为可选的一些实现方式，发电机组发电收入为发电机组根据合约价格获得的发电收入、发电机组根据日前市场出清价格获得的发电收入以及发电机组根据实时市场出清价格获得的发电收入的加和。

作为进一步的限定，发电机组根据合约价格获得的发电收入为中长期差价合约分解到时段t内的电量与合约价格的乘积在电力市场结算时段集合上的累加。

作为进一步的限定，发电机组根据日前市场出清价格获得的发电收入为日前市场出清价格下的上网电量与中长期差价合约分解到时段t内的电量的差值再与日前市场出清价格的乘积在电力市场结算时段集合上的累加。

作为进一步的限定，发电机组根据实时市场出清价格获得的发电收入为当前市场出清价格下的上网电量与日前市场出清价格下的上网电量的差值再与当前市场出清价格的乘积在电力市场结算时段集合上的累加。

作为可选的一些实现方式，分解到各个时段的电量在一天中的和等于合约中规定的电量总量。

作为可选的一些实现方式，分解到各个时段的电量小于或等于发电机组最大出力与预设比例的乘积。

作为可选的一些实现方式，分解到各个时段的电量大于或等于该时段售电商负荷需求与预设比例的乘积。

本公开第二方面提供了一种基于中长期差价合约电量分解的发电机组调度系统。

一种基于中长期差价合约电量分解的发电机组调度系统，包括：

数据获取模块，被配置为：获取电力系统的信息数据和发电机组的运行状态数据；

出清价格获取模块，被配置为：根据获取的数据得到日前市场出清价格；

电量分解模块，被配置为：根据获取的数据以及得到的日前市场出清价格，以发电机组发电收入最大为目标，得到中长期差价合约分解优化结果；

运行调度模块，被配置为：根据得到的分解优化结果，进行分时段的发电机组运行调度。

本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于中长期差价合约电量分解的发电机组调度方法中的步骤。

本公开第四方面提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于中长期差价合约电量分解的发电机组调度方法中的步骤。

与现有技术相比，本公开的有益效果是：

本公开所述的调度方法、系统、介质或电子设备，以最大化发电机组的发电收入为目标，结合日前出清电价的变动规律，构建了发电机组中长期差价合约分解曲线，提高了发电机组调度的精度，使发电机组参与电力市场能够有效的抵御现货市场价格波动的风险，提高了发电机组参与电力市场的发电收入。

本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例1所述的人工神经元模型图。

图2为本公开实施例1所述的sigmiod函数图像。

图3为本公开实施例1所述的tanh函数图像。

图4为本公开实施例1所述的relu函数图像。

图5为本公开实施例1中所述的电力市场日前出清电价预测结果与实际结果对比图。

图6为本公开实施例1所述的发电企业参与电力市场申报与结算流程图。

图7为本公开实施例1所述的发电企业参与电力市场偏差结算示意图。

图8为本公开实施例1所述的日前市场出清价格预测结果曲线图。

图9为本公开实施例1所述的优化后的中长期合约分解曲线图。

图10为本公开实施例1所述的原中长期差价合约分解曲线图。

图11为本公开实施例1所述的基于中长期差价合约电量分解的发电机组调度方法的流程示意图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例1：

本公开实施例1提供了一种基于中长期差价合约电量分解的发电机组调度方法，包括以下步骤：

获取电力系统的信息数据和发电机组的运行状态数据；

根据获取的数据得到日前市场出清价格；

根据获取的数据以及得到的日前市场出清价格，以发电机组发电收入最大为目标，得到中长期差价合约分解优化结果；

根据得到的分解优化结果，进行分时段的发电机组运行调度。

具体的，包括以下内容：

日前市场出清价格的预测，步骤如下：

获取市场中运行的各类信息：主要包括电力市场中发布的日前出清电价以及全网历史负荷数据等信息；

日前市场出清电价预测：采用bp神经网络对历史数据进行规律学习，从而对日前市场出清电价进行预测。

神经网络是一种由大量的神经元相互连接构成的运算模型，即换句话说，实际上看似复杂的人工神经网络是由简单的元素复合而成。一系列节点和节点之间的连接便构成了人工神经网络，这些节点可以看成一个个运算单元，它们的作用便是接受输入，处理输入，最后得到结果。每个节点后都有一个非线性函数，称为激活函数。而节点对于输入的处理有简有繁，有些处理过程可能像计算输入总和这样简单，但有些处理也可能会复杂一点，例如这个节点可能嵌入另一个网络之中。节点和节点相互连接，然后信息在节点和节点之间传递。节点之间的连接可能是单向的，也有可能是双向的，此时信息的传递可以是从a节点到b节点，也可以是从b节点到a节点。此外，两个节点之间的连接代表着人工神经网络运算中的一个参数值，称其为权重值，也可简称为权重。正是有了不同的权重值，不同的偏置值，再加上不同的非线性激活函数，才赋予了人工神经网络可以逼近任何函数关系的强大能力。

人工神经元是通过观察自然神经元在静止和动作时电位的传递和变化，受到启发而设计出来的运算操作模型。它作为一个基本单元，用来构成人工神经网络。人们在自然神经元信号传递的过程中启发，设计出人工神经元来模拟这种信息流动过程。人工神经元顾名思义就是在人工神经网络中的各个节点。而在生物界构成神经网络系统的基本元素是神经元或者称其为神经细胞。关于神经元的构成，大致可以分为三个部分：细胞体、树突和轴突。此外，神经元还包括髓鞘，细胞核等。细胞体的功能主要包括接受信息、处理信息并将信息传递至外界。树突的功能是接收和传递来自其他神经轴突的脉冲到细胞体，轴突的功能是接收外部刺激并将它们由细胞体传出。当神经元的树突被外部刺激刺激时，它们将刺激传递给轴突，而轴突又被周围的突触传递给其他神经元，引起网络的连锁反应。人工神经元模型如图1所示。人工神经元模型如图1所示。

与生物神经元相类比，人工神经元有相同的特点。神经元模型总体上来说包括多个输入(类似突触)，这些输入值xi分别与不同的权重wi相乘，然后把相乘之后的值求和并与相应的偏置值b相加，最后被一个数学函数用来计算决定是否激发神经元。其中不同的权重值可以看做是收到信号强度大小等的不同，这个用于决定是否激发神经元的数学函数称之为激活函数。

激活函数指的内积计算完毕并加上偏置值时，最后用来决定是否激活神经元的数学函数。可以想象，如果没有激活函数，每一层的输入都是前一层的关系都是线性的。换句话说，如果没有激活函数，不管神经网络中的层数是多少，最终的输出都是和输入呈线性关系。在这种情况下，人工神经网络的输出逼近能力变得非常有限，因为在这种情况下，人工神经网络只能拟合一定的线性关系。正是由于引入了非线性函数作为激活函数，深度神经网络可以学习的函数关系不仅有线性的还有非线性的。引入非线性函数后，人工神经网络的输入输出可能是单一非线性，也可能是多元非线性等。

在搭建人工神经网络时常用的激活函数主要有sigmoid函数和tanh函数。因为这两类函数的输出在一定的范围内，对于充当下一层的输入很有利。此外，近几年以来relu函数及其改进型(如leaky-relu、p-relu、r-relu等)在近些年来深度神经网络搭建之时很受欢迎并广为应用。

sigmoid函数

该函数是将(-∞,+∞)的输入数据非线性映射到之间。比较特殊的是，比较大的负数经过该函数激活为0，比较大的正数经过该函数激活为1，sigmiod函数图像如图2所示。

如今sigmoid函数在人工神经网络中的使用率并不高，因此sigmoid函数可以被安排放置在人工神经网络的结尾部分，作为输出层进行二分类，而尽量不要使用在隐藏层。

tanh函数

该函数是将(-∞,+∞)的输入数据映射到(-1,+1)之间，tanh函数图像如图3所示。

因为tanh函数映射到(-1,+1)即基本上经过该激活函数后的输出数据大都分布在0附近，也就解决了上述sigmoid缺点中的第二个，所以在搭建人工神经网络时tanh函数会比sigmiod函数使用次数更多一点。

relu函数

relu函数又称为修正线性单元，它本身是一个分段的函数，每段函数又是一个线性函数。这样的特点使它相比于上述两种激活函数更加优越，因为relu函数不存在梯度消失使反向传播算法失效的情景。relu函数图像如图4所示。

将多个人工神经元模型按照一定的规律和次序连接，上一层的输出连接着下一层的输入，就形成了多层感知器。在神经网络架构时，将各个线性函数进行一定的排列组合就能够解决一些非线性问题。因为任何非线性问题经过分解都可以分解成一系列线性问题。在结构上来说，多层前馈神经网络与单层神经元构成的网络最大的区别就是隐含层。多层前馈神经网络共有三部分：输入层、隐含层、输出层。

输入层首先接收外部信息，并把信息往下一结构处传送。信息进而到了隐含层，其接受到该信号以后将其继续向下传递，最终到达输出层。隐含层可能有一层，也可能有多层。输出层与外界连接，当输出层接收到最后一层隐含层传递过来的信息以后便将信息处理后传递到外界。

本实施例1中，采用国外某电力市场2020年10月1号至2021年1月7号实际日前出清价格数据，采用神经网络对日前市场出清价格进行预测，并采用绝对误差和平均绝对误差来衡量预测结果的准确性。

基于历史数据的日前市场出清电价预测结果如图5所示。

日前出清电价预测结果的平均绝对误差为4.6％，预测结果的绝对误差为1.31$/mwh，证明了采用神经网络预测日前市场出清价格这种方法的有效性和准确性。

假设所研究的发电机组在该电力市场中扮演“价格接受者”的角色，即市场规模相对于单个发电机组而言足够大，以至于发电机组的报价以及中长期合约的分解对电力市场日前、实时出清价格的影响可以忽略不计。

在日前市场开市之前，发电企业首先会获得各类交易信息，例如系统发布的日前负荷预测等信息，以及确定自身所签订的中长期合约中运行日所规定的电量以及合约价格；

在日前市场，发电企业以机组为单位进行申报，具体包括能量价格以及与之对应的发电容量的能量供给曲线；另外申报启停成本、启停时间、爬坡速率、机组出力上下限约束等运行参数；电力市场通过调用安全约束机组组合(scuc)程序计算日前市场交易出清，确定出各发电机组的调度出力以及日前节点边际电价；最后市场向各参与者发布日前市场出清负荷、电价等信息。

在实时市场，电力市场按照用户实际的负荷与封存的发电机组日前报价，调用考虑安全约束的经济调度模型(sced)进行实时市场出清，确定各发电机组实际发电计划和实时节及实时节点边际电价等信息。

报价方式包括发电侧报量报价、用户侧报量不报价和发电量报量报价、用户侧报量报价两种；出清日时段数包括96点和24点；申报规则包括机组容量段数、报价段数限值比例、申报价格上、下限，发电商交易模式如图6所示。

电力现货市场出清主要进行资源优化配置，依据发电企业申报发电出力及报价曲线、售电企业申报电量等情况，计及多类型电源接入系统，考虑系统平衡、电网安全以及机组运行等约束条件，建立安全约束机组组合、安全约束经济调度模型，再通过混合整数规划算法来得到最优解。

机组组合问题是一个高维数、离散、非凸、非线性的优化问题。在已有研究成果的基础上，建立机组组合问题的新数学模型，并给出现有的求解算法。模型中以购电成本最小化为目标函数，考虑了系统约束、机组约束及电力市场新环境下所带来的环境约束、网络安全约束等。其中系统约束包含系统有功功率平衡约束、系统旋转备用约束等，机组约束包括发电机最大和最小出力约束、机组最小运行与停机时间约束、机组爬坡速率约束等。

机组组合问题的目标函数可表示为：

机组组合问题的约束条件表示为：

系统约束：

(1)系统有功功率平衡约束

式中：t＝1,2,...,t(下同)。

(2)系统旋转备用约束

机组约束：

(1)发电机最大和最小出力约束

pimin(t)≤pi(t)≤pimax(t)(6)

式中：i＝1,2,...,n(下同)。

(2)机组最小运行与停机时间约束

[yi^on(t-1)-ti^on]·[ui(t-1)-ui(t)]≥0(7)

[yi^off(t-1)-ti^off]·[ui(t)-ui(t-1)]≥0(8)

机组爬坡速率约束：

pi(t)-pi(t-1)≤ruri(9)

pi(t-1)-pi(t)≤rdri(10)

环境约束：

发电企业所排放废气(so2，nox等)总量应满足环境保护的要求，即不能超过排放许可，则有：

网络安全约束：

(1)系统无功平衡及发电机无功上下限约束：

qimin(t)≤qi(t)·ui(t)≤qimax(t)(13)

系统电压约束：

vmin≤v≤vmax(14)

对机组组合问题的求解，拉格朗日松弛法(lagrangianrelax，lr)是较为理想的方法。lr法的基本思路是：对同各个可启停的机组均相关的系统约束而言，将其放在主问题中，而对仅与单一可启停机组相关的机组约束，则放在子问题中考虑，在主问题与子问题之间迭代地进行求解，可得到主问题的最优解。lr法通过引入拉格朗日乘子方便处理各种约束，lr法的计算量随着系统规模的增大而线性增长，因此该方法适用求解实际大规模的混合整数规划问题。lr法可有效地解决大规模系统优化问题。进行松弛后，得到拉格朗日松弛问题：

式中：λ(t)、μ(t)为t时段拉格朗日乘子，其矢量形式为：

λ＝[λ(1)，λ(2)，...，λ(t)]^t

μ＝[μ(1)，μ(2)，...，μ(t)]^t

底层问题用于解决单台机组的优化问题：

其中，i＝1，2，...，n。

上层问题优化拉格朗日乘子：

其中，μ(t)≥0，t＝0，1，...，t；为底层问题对于给定的λ，μ的优化拉格朗日函数值。

初值的选择及拉格朗日乘子的调整均对lr法的收敛特性有直接影响。选择合适的初值可以使迭代次数较少，尽早收敛，从而减少计算时间。为此，先对系统的各机组的平均煤耗进行排序，再对此通过等耗量微增率原则进行分配负荷，得到的等耗量微增率作为功率平衡约束对应的拉格朗日乘子的初值。

经济调度是指在保证电力系统安全运行以及电能质量合格的条件下，有效利用能源和设备，使电力系统的运行成本达到最小。其首要任务是确保电力安全与经济效益的协调。电能在电网中是按照一定的规则传输的，同时，发电与用电要瞬时平衡，所以在一个环节出现问题，可能造成整个电网的正常运行，电力市场引入的前提是符合这些客观规律，确保系统安全稳定运行。考虑到不确定性问题自身的随机性特征及其对系统运行带来的影响，可以基于鲁棒优化理论来构建鲁棒经济调度优化模型将随机性因素通过机会约束引入模型，以不确定性因素为目标，研究其在随机扰动条件下的分布，将满足一定鲁棒性的限制条件引入约束中，通过决策优化得到相应的鲁棒解。当约束条件满足在置信区间内时，鲁棒性经济调度优化模型能够实现对上述经济调度中随机性问题的等效表达，避免使决策偏于保守。总之，基于鲁棒优化经济调度模型在鲁棒优化理论中计及最坏情况下的优化为基础的决策理念，对系统运行环境下的不确定性因素集合来展开，保证电力系统在一定扰动范围内安全、稳定地运行。

鲁棒经济调度优化模型的目标函数为购电费用最小化，目标函数表示如下：

其中，f为电力用户总购电费用；pi(t)为机组i在时段t的出力；fi[pi(t)]为机组出力为pi(t)所对应的报价。

采用偏差对称的正态分布来表示不确定因素，对目标函数或约束条件进行概率化建模并求解。调整鲁棒经济调度优化模型中的鲁棒参数来控制调度决策的保守程度，收缩不确定性参数的取值范围，实现调度策略鲁棒性与经济性的折中。鲁棒性经济调度优化模型可有效地反映电力系统在面临复杂的不确定性问题时如何进行调度决策以保证系统的安全性与经济性的情景。该模型也对可再生能源接入电网并参与市场竞争环境下的经济调度具有重要的参考价值。

对于签订中长期差价合约发电企业来说，参与电力市场的结算过程如下所示：

首先，中长期差价合约结算：对中长期差价合约进行金融化曲线分解，并按照合约中规定的价格进行结算；

其中，ccfd表示发电机组通过中长期差价合约获得的发电收入，λcfd表示合约价格，q(t)表示中长期差价合约分解到时段t内的电量；t表示电力市场结算时段集合；

然后，日前市场偏差结算：日前市场中形成的机组发电计划曲线与中长期差价合约分解形成的金融化曲线之间的偏差量，按照日前出清电价进行结算；

其中，cda表示发电机组日前市场偏差结算，λda(t)表示日前市场出清价格，pda(t)表示日前市场出清电量；

最后，实时市场偏差结算：实时市场中形成的机组实际发电曲线与机组在日前市场中形成发电计划曲线之间的偏差量，按照实时出清电价进行结算：

其中，crt表示发电机组通过实时市场偏差结算，λrt(t)表示实时市场出清价格，prt(t)表示实时市场出清价格下的上网电量.

发电企业在电力市场中的整体结算示意图如图7所示。

在对中长期差价合约电量分解曲线进行优化前，首先进行一个假设，即参与电力市场的机组为价格接受者。价格接受者是指由于完全竞争市场上的买者与卖者必须接受市场决定的价格。在市场中的每一个参与者所面对的价格都是由市场给定的，也就是经过市场供需调整后的均衡价格。基于该假设，在电力市场中，市场出清价格是由市场给定的，在机组报价不变的情况下，机组日前发电计划曲线于实时出力曲线均是由市场决定的。因此作为一个价格接受者，决定机组发电收入的决策量仅为中长期差价合约分解到各个时段的电量。

具体到一个机组，建立以发电机组发电收入最大为目标的目标函数，如图11所示：

在进行中长期差价合约分解曲线优化的过程中，应当遵循如下原则：

(1)分解到各个时段的电量在一天中的和要等于合约中规定的电量总量：

(2)分解到各个时段的电量不应大于发电机组最大出力的某一比例：

q(t)≤β·pmax(t),t∈t(24)

(3)分解到各个时段的电量不应小于该时段售电商负荷需求的某一比例：

q(t)≥α·dload(t),t∈t(25)

以中国某省份电力市场在5月份签订的带有分解曲线的中长期差价合约为例，采用第三部分提出的电价预测方法对日前市场出清价格进行预测，作为优化模型的输入之一，通过cplex优化工具对优化模型进行快速求解。

分解曲线优化前后，机组发电收入如表一所示：

从表中可以看出，在计及差价合约分解原则后，在相同的合约电量以及合约价格前提下，优化后的分解曲线可以使机组发电收入增加至21000100元，增长幅度为16.1％。

日前出清电价预测结果如图8所示。

优化后的中长期差价合约分解电量分解曲线如图9所示。

原始分解曲线如图10所示。

结合日前出清电价预测结果可以看出，在上午九点到下午3点之间，电价处于非常低的水平，从全网供需平衡的角度来说，这是由于在这几个时段内，新能源出力大幅度上升，拉低了全网出清电价；将日前出清电价预测结果与两中中长期差价合约分解电量与分解曲线进行结合，对比分析可以看出，原分解方式下，在出清电价较低的时段，分配了较少的电量使用差价合约价格结算，这也就意味着要使更多的电量采用较低的日前出清电价进行结算；而优化后分解曲线在上午九点到下午3点这些时段内，使更多的电量采用合约价格结算，真正的发挥了中长期差价合约规避现货市场中价格风险的作用，有效提高了机组的发电收入。

本实施例基于日前出清电价预测，对日前市场电价的波动趋势有精准的把握，进而根据电价的变化趋势优化各个时段中长期差价合约的电量，以此达到提高发电机组收入的目的。

表一：分解曲线优化前后发电机组收入对比

实施例2：

本公开实施例2提供了一种基于中长期差价合约电量分解的发电机组调度系统，包括：

数据获取模块，被配置为：获取电力系统的信息数据和发电机组的运行状态数据；

出清价格获取模块，被配置为：根据获取的数据得到日前市场出清价格；

电量分解模块，被配置为：根据获取的数据以及得到的日前市场出清价格，以发电机组发电收入最大为目标，得到中长期差价合约分解优化结果；

运行调度模块，被配置为：根据得到的分解优化结果，进行分时段的发电机组运行调度。

所述系统的工作方法与实施例1提供的基于中长期差价合约电量分解的发电机组调度方法相同，这里不再赘述。

实施例3：

本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的基于中长期差价合约电量分解的发电机组调度方法中的步骤。

实施例4：

本公开实施例4提供了一种电子设备，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程序，所述处理器执行所述程序时实现如本公开实施例1所述的基于中长期差价合约电量分解的发电机组调度方法中的步骤。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。