【正文】 Goransson,FIlip modeling of a regional power generation system intergrating wind power[J].Renewable Energ,2009,34(4):10401049.[5] ChunLung Chen. Optimal WindThermal Generating Unit Commitment[J].Engergy Conversion,IEEE Transactions,2008,23(1):273280.[6] Furong Li,Bless Scheduling in a system with Wind Power[R].IEEE/PES Transmission and Distribution Conference amp。 （5）本文評估評估風險時只是評估旋轉(zhuǎn)備用不足的風險，當新能源電力容量較大、系統(tǒng)裝機容量不足時，就會出現(xiàn)冷備用都無法滿足風電、光電波動的情況，此時就要切除負荷來維持系統(tǒng)頻率穩(wěn)定；假使采用增加裝機容量的方式平衡這種風險，那么會帶來很大的系統(tǒng)冗余度，經(jīng)濟性會大幅降低。經(jīng)過對目標函數(shù)的變換，并將約束條件寫成懲罰項，得到該問題的拉格朗日函數(shù)。 對算法誤差進行分析，解決方案的誤差與迭代次數(shù)成反比，當把該誤差定義為，式中由內(nèi)點算法的集中調(diào)度得到的。 十臺火電機組的數(shù)據(jù)參數(shù)機組編號最大(MW)最小(MW)A($)B($/MW)C($/MW2)01550250100025202501050344560820432055490528025720617020290715025320810030400980202510601015 所有的風機以一個等效風電場表示，這就可以將該系統(tǒng)的技術(shù)約束集中一起，簡單起見，該風電場的可用風電量在假設恒為400MW。 依據(jù)所建立的模型，在投影次梯度基本原理上，采取分布式原對偶次梯度算法，該算法基于在相鄰的分布式能源之間的信息交換而設計的[33]，即： (41) (42)式(41)和(42)中，與表示目標函數(shù)的次梯度，與為凸集合上的投影。它的表達式為： (33)式(33)中：調(diào)度策略風險值；判斷是否引入懲罰項，在風險約束中，若風險大于預先設定的最大風險，則其值為1，否則為0；退火算法中的當前溫度，隨迭代的增加而減小。（3）假設抽樣次數(shù)為Ns，其中備用不足的次數(shù)為Nr，則每次備用不足的次數(shù)應還原為： (26)式 (26)中：第次抽樣出現(xiàn)備用不足時，經(jīng)還原后的真實次數(shù)；抽樣點處風速預測誤差的真實概率密度；抽樣點處負荷預測誤差的真實概率密度；抽樣點處預測誤差的抽樣所用概率密度；因此，出現(xiàn)風險的總次數(shù)應修正為： (27)式 (27)中：抽樣中出現(xiàn)的風險次數(shù)；經(jīng)還原后風險的實際次數(shù)。蒙特卡羅模擬法可以在重現(xiàn)實際系統(tǒng)運行情況下，方便的模擬含新能源發(fā)電的電力系統(tǒng)概率問題。除備用不足風險以外，新能源并網(wǎng)引起的風險還包括電壓穩(wěn)定風險、潮流越限風險、暫態(tài)風險等。網(wǎng)絡法只適用于系統(tǒng)邏輯圖存在的情況，因此只有確定可以建立起邏輯圖前提下才可以選用這種方法。電力系統(tǒng)運行的風險評估，是為了獲悉擾動事件對系統(tǒng)的潛存影響，包括發(fā)生擾動事件的可能性與嚴重性。文獻[28]提出了基于風險評估的最優(yōu)潮流模型，且在風險建模過程中考慮了三種數(shù)學模型，第一種是將電壓越限風險、線路潮流越限風險等元件風險作為約束條件，第二種將系統(tǒng)總風險作為約束條件，第三種將系統(tǒng)風險作為目標函數(shù)的一部分進行求解。Alexiadis等人研發(fā)了一套空間相關預測器，該預測器借助鄰近地點的風速測量值進行未來風速的預測。因此本文將對算法及其參數(shù)優(yōu)化問題進行研究。文獻[16]提出了一個將遺傳算法和隨機模擬技術(shù)相結(jié)合的組合算法，它用隨機模擬法用來模擬風速的隨機變化，外層用遺傳算法進行隨機搜索優(yōu)化，并用IEEE30節(jié)點系統(tǒng)對算法進行了驗證。經(jīng)典的優(yōu)先順序法采用靜態(tài)排序策略，其排序過程中不會考慮負荷的變化。 ChunLung Chen對最優(yōu)風火發(fā)電機組組合問題進行了研究，提出解決風火發(fā)電機組組合問題的主要目標是：要確定何時啟動和關閉機組以使得總運行成本可以達到最小化，與此同時要滿足“系統(tǒng)”和“發(fā)電機”的約束。國外對這些方面研究應用已經(jīng)相對成熟，國內(nèi)在這些方面仍處于起步階段，需要進行廣泛、深入的研究[2]。 目前，世界各國都很重視開發(fā)利用太陽能，我國具有得天獨厚的地理位置，光能資源極其豐富，其年輻射量可以達到33408400MJ/m2。2009年，氣象局對風能資源進行一個測量統(tǒng)計，結(jié)果表明，我國大于3級的風能資源陸上潛在開發(fā)量為2,380吉瓦（風功率密度大于300瓦/平方米為3級風能資源），4級以上風能資源陸上潛在開發(fā)量為 1,130吉瓦（風功率密度大于400瓦/平方米為4級風能資源），并且5至25米水深線以內(nèi)的近海區(qū)域3級以上風能資源潛在開發(fā)量為200吉瓦[1]。然而“中國式奇跡”背后隱藏著許多“中國式難題”，其中最亟待解決的當屬生態(tài)環(huán)境問題和能源匱乏問題。能源作為人類社會生存、發(fā)展的物質(zhì)基礎，在國民經(jīng)濟中占據(jù)十分重要的地位。我國風能資源具有廣泛分布性，東南沿海及附近島嶼以及北部地區(qū)風能資源最為集中，其中北部地區(qū)風能豐富帶風功率密度在200300瓦/平方米以上，有的可達500瓦/平方米以上，如阿拉山口、達坂城、輝騰錫勒、錫林浩特的灰騰梁、承德圍場等。充分開發(fā)利用光能資源是節(jié)省和替代常規(guī)能源的有效措施，是實現(xiàn)能源可持續(xù)發(fā)展戰(zhàn)略的必要選擇。 風電功率受風速的直接影響，光電功率受光照的直接影響。這些約束具體包括功率平衡約束、系統(tǒng)上/下旋轉(zhuǎn)備用需求約束、機組上/下備用貢獻約束、機組上/下斜坡率約束、風電波動約束等[5]。文獻[12]提出了一種考慮負荷變化的優(yōu)先順序法, 稱為順序投入法，在調(diào)度過程中動態(tài)地考慮機組排列。文獻[10]將遺傳算法和ALOPEX算法進行有機結(jié)合，利用ALOPEX算法在隨機優(yōu)化過程中具有容易跳出局部極值的優(yōu)點，最終組合成一種混合優(yōu)化算法，在進行全局搜索后又能進行局部的細致搜索。 風速有很強的隨機性，高度、地形、天氣受等各種因素對其也有很大的影響，因此，許多研究人員致力于更準確的預測未來的風速研究之中。實驗結(jié)果表明，它具有良好的性能。關于風電系統(tǒng)可靠性或風險研究的文獻還有很多，其中文獻[29]將風險因素引入經(jīng)濟調(diào)度模型中，將風險度看作一個風電穿透功率的函數(shù)，但風險度函數(shù)為一個沒有太大意義的模糊數(shù)，僅以風電功率的大小作為風險大小的依據(jù)，考慮不夠全面。眾多學者對電力系統(tǒng)風險評估計算進行了研究，其研究內(nèi)容涉及經(jīng)濟方面的風險，如發(fā)電燃料風險、投資風險、期貨風險、電力價格風險等，還包括諸多技術(shù)層面的風險，例如電壓越限風險、各類電力元件風險等。網(wǎng)絡法的基本步驟是：得到一個網(wǎng)絡的結(jié)構(gòu)圖后，根據(jù)邏輯關系建立相應的網(wǎng)絡邏輯圖；做出系統(tǒng)邏輯圖后，已知每一部分的故障率就可以通過適當運算簡化邏輯圖；最后整個系統(tǒng)的可靠度或系統(tǒng)故障率等可靠性指標就可以被求得。本文研究的風險評估是基于日前調(diào)度的風險，即對未來一天旋轉(zhuǎn)備用不足風險進行評估計算。本文采用非序貫蒙特卡羅模擬法進行風險的評估與計算，這里主要討論電力系統(tǒng)的充裕性風險，并假設變壓器、線路等元件完全可靠。（4）按照下式計算風險值大?。? (28)式(28)中：調(diào)度策略風險值。 目標函數(shù)下，必須滿足以下約束條件： （1）有功功率平衡： (34)式(34)中：火電機組的有功出力；風機的有功出力；電力系統(tǒng)負荷值。是和之間通信信道的權(quán)重值。對于實際運行的火電機組，該算例系統(tǒng)考慮機組斜坡率約束，并將其設定為額定容量的60%。得到，每個火電機組達到他們的最優(yōu)決策（使用集中調(diào)度， s）。 （4）本文采用分布式原對偶次梯度算法解決上述優(yōu)化調(diào)度問題。因此，當系統(tǒng)中新能源電力的含量越來越多時，就要研究新的解決方案來解決風電帶來的風險。 Exhibition: Asia and Pacific, 2005.[7] John Hetzer, David , Kalu Bhattarai. An Economic Dispatch Model Incorporating Wind Power[J]. IEEE Transactions on Energy Conversion, 2008, 23(2): 603611.[8] 雷亞洲，王偉勝，印永華，等．含風電場電力系統(tǒng)的有功優(yōu)化潮流[J]．電網(wǎng)技術(shù)，2002， 26(6):1821．[9] 汪岳文，陳沖，溫步瀛. 基于隨機模擬粒子群算法的含風電場電力系統(tǒng)經(jīng)濟調(diào)度[J]. 電工電能新技術(shù)，2007，26(3)：3741．[10] 張建．基于GAALOPEX 算法的機組優(yōu)化組合的研究[D]．保定：華北電力大學，2005.[11] Shoults .. A Practical Approach to Unit Commitment,Economic Dispatch[J]. IEEE Transaction PAS,1980, 99 (2):6572.[12] Lee Term Unit Commtment –A New Method[J].IEEE Transaction PWRS,1988,3(2)： 3339.[13] Lee Application of Commitment Utilization Factor to Thermal Unit Commitment[J]. IEEE Transaction PWRS, 1991, 6 (2)：4652[14] 關仲．基于人工神經(jīng)網(wǎng)絡與動態(tài)規(guī)劃的機組組合算法研究[D]．重慶：重慶大學,2006.[15] 吳穎．風電穿透功率優(yōu)化及含風電場電力系統(tǒng)運行研究[D]．上海：上海交通大學,2009．[16] Huang Shyhjier,Huang of geneticbased neural networks to thermal unit mitment[J].IEEE Transaction Power Systems,1997,12(2):654660.[17] . A hybrid fuzzy neural networkexpert system for a short term unit mitment problem[J]. Microelectronics and reliability, 1997, 37(5): 733737.[18] ChiaLiang Lu. Effects of wind energy power producers on the generation dispatch of electric power utilities[J]. Electrical Power and Energy Systems, 2008, 30(2): 553561.[19] predicition of local wind conditions[J].Wind Engineering and Industrial Aerodynamica,2001,89(3/4):235245.[20] Johnson P, Santoso S. Short term wind power forecasting using hybrid intelligent systems[J]. Proceedings of the Power Engineering General Meeting,2007,37(5): 1–4.[21] 吳國旸，肖洋，翁莎莎．風電場短期風速預測探討[J]．吉林電力，2005，30(6)：2124．[22] Mohandes MA, Halawani TO. Support vector machines for wind speed prediction[J]. Renewable Energy 2004, 37(5).:939–947.[23] 栗文義，張保會，巴根．風能大規(guī)