【正文】 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，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，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)模利用對電力系統(tǒng)可靠性的影響[J]．中國電機工程 學報，2008，28(1)：100105.[24] and cost worth evaluation of generating systems utilizing wind and solar energy[D].Saskatchewan:University of Saskatchewan,2005.[25] 吳義純，丁明，李生虎．風電場對發(fā)輸電系統(tǒng)可靠性影響的評估[J]．電工技術學報， 2004,19(11)：7275.[26] Carmen L. T. Borges. Probabilistic Wind Farms Generation Model for Reliability Studies Applied[J]. IEEE Transactions on Power Systems,2006, 21(4):14931501.[27] Weihui Fu. Risk assessment and optimization for electric power systems[D].: Iowa State University,2000.[28] Hua Wan Riskbased security assessment for operating electric power systems[D].: Iowa State University,1999.[29] 馮永青，張伯明，（二）理論基礎[J]. 電力系統(tǒng)自動化，2006,30（2）：1121.[30] 馮永青，張伯明，（三）運用與工 程實踐[J].電力系統(tǒng)自動化，2006,30（3）：1116.[31] 寧遼逸，吳文傳，[J].中國 電機工程學報，2009,29（25）：2631.[32] 潘軒．基于風險評估的電力系統(tǒng)脆弱性分析[碩士論文]．保定：華北電力大學，2008．[33] convex optimization under inequality and equality constraints[J].Autom Control,2012,57(1):151164.[34] ShunChung scheduling for thermal generating units[J].IEEE Transactions on Energy Conversion,1993,8(2):184199.[35] Hongming optimal dispatch of virtual power plant via limited munication[J].IEEE Transactions on Power Systems，2013,28(3):35113512.[36] 王鵬，任沖，[J].電網(wǎng)與清潔能源，2009，（11）： 8084. 33 。 此外，還要感謝一起共度四年的同窗們和尊敬的老師們，正是他們的幫助和支持，我才能克服一個一個的困難和疑惑，直至本文的順利完成。從設計課題，到指導開題，再到撰寫畢業(yè)設計報告，謝老師無一不是仔細認真。要趁著年輕多讀些書，多學一些知識，這樣才不會有書到用時方恨少的嗟嘆，誰的青春書香四溢，誰的一生都將精彩！致 謝 本人的畢業(yè)論文是在我的導師XX老師的親切關懷和悉心指導下完成的。于此，特別感謝這些人的幫助。 在這次畢業(yè)設計中，我和導師、同學、學長學姐之間的關系更進一步了。這期間，我所學到的新知識就是查閱最新的高質(zhì)量國內(nèi)外學術文章，從選擇到閱讀，再到引用，這對于我而言都是前所未有的一種學習。畢業(yè)設計不僅是對本科四年所學的專業(yè)知識的回顧總結，更是一種學以致用，學以創(chuàng)新。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。風險評估的計算方法需要進一步的研究來提高算法的效率。 （3）本文的優(yōu)化調(diào)度模型和優(yōu)化算法還是需要有進一步的深入研究，模型中應當考慮更多的約束條件，算法的收斂性能、計算速度等一些方面也需要得到改進。并且由于新能源中風電占絕大比例，且風電波動性最大，只考慮風電并網(wǎng)引起的風險。今后在風速預測方面會進行更深入的研究，其預測不僅需要對歷史數(shù)據(jù)進行分析，還應同時考慮更多的天氣、地形、周圍環(huán)境等因素對風速的影響，以便達到較好的預測效果。 本文的研究工作取得一定的成果，但是很多方面還是需要進一步研究。 （5）本文選取了算例系統(tǒng)來評估所提出的優(yōu)化調(diào)度方案。在該算法中，每個火力機組迭代更新是依據(jù)自身的成本、自身的容量信息、相鄰的火力機組決策變量、相鄰的火力機組拉格朗日乘數(shù)進行的。 （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。 （3）本文建立了優(yōu)化調(diào)度模型，考慮到風險水平，提出的優(yōu)化調(diào)度模型目標函數(shù)是火電機組耗量最小化，約束條件為功率平衡、線路傳輸極限、各單元功率極限。日前調(diào)度策略是提前制定未來一天內(nèi)各常規(guī)機組的出力組合，由于該調(diào)度策略的制定基于風速預測的結果，此因素隨機性較強便使得預測結果的誤差很大，當風電、光電輸出功率與預測值差距較大時就會出現(xiàn)備用不足的風險，因此需要進行風險評估與計算。 （2）風速由于隨機性較強導致預測難度較大。如此巨大的新能源電力并入系統(tǒng)后，系統(tǒng)的無功電壓穩(wěn)定、暫態(tài)電壓穩(wěn)定、頻率穩(wěn)定、電能質(zhì)量各方面都將面臨很大的挑戰(zhàn)。因此，本文在研究其優(yōu)化調(diào)度的同時也對這種風險做了相應的評估與計算。第五章 總結與展望 本文研究的內(nèi)容為含新能源發(fā)電的電力系統(tǒng)優(yōu)化調(diào)度問題，研究成果如下： （1）全世界為解決當前日益突出的能源匱乏與環(huán)境污染問題，開發(fā)利用新能源成為必然趨勢，新能源中風電、光電為代表的可再生能源得到廣泛應用。每個分布式能源達到各自的最優(yōu)決策，而使用集中調(diào)度的方法， s。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）。為了減少諸如風電等的隨機性給系統(tǒng)帶來的負面影響，需要給含新能源發(fā)電的電力系統(tǒng)留有一定的備用容量，比如配置儲能裝置。但是，新能源的隨機波動特性也會增加火電機組發(fā)電成本，甚至有時其波動會超出火電機組的爬坡約束。火電機組要增加煤耗，系統(tǒng)的成本也就必須要增加。 風電機組出力預測值時段 出力（MW）時段 出力（MW)時段 出力（MW)1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 火電機組出力情況（單位：MW）時段機組編號123456789101297303000000010637736760601620000010359373130127160808040400123883681301301628085544610182952881301241610000024362366002500000 本文目標函數(shù)考慮了由于風電隨機性帶來的風險，用風火系統(tǒng)的發(fā)電成本來說明考慮風險時的優(yōu)化結果。 若考慮風電的不確定情況，每臺風電機組出力根據(jù)風電場當?shù)貧庀蟛块T風速預報計算而得，稱為風電機組出力預測值。根據(jù)建立的優(yōu)化模型，由采用的算法進行優(yōu)化后，$。 24小時內(nèi)負荷需求 時間 負荷需求 （小時） （MW） 時間 負荷需求 （小時） （MW） 時間 負荷需求 （小時） （MW） 1 2000 2 1980 3 1940 4 1900 5 18406 1870 7